Harvard University（哈佛大学）

How LLMs See Creativity: Zero-Shot Scoring of Visual Creativity with Interpretable Reasoning

LLM如何看待创造力：具有可解释推理的视觉创造力零样本评分

William Orwig, Roger E. Beaty

机构 * Harvard University（哈佛大学） ； Pennsylvania State University（宾夕法尼亚州立大学） 纠错

AI总结 研究多模态大模型能否零样本评估视觉创造力，并分析其推理过程的可解释性。实验表明模型评分与人类高度一致，但推理并未提升评分准确性。

Comments 21 pages, 9 figures

A Technical Typology of AI Systems in Public Administration

公共管理中AI系统的技术类型学

Jonathan Rystrøm, Chris Schmitz, Nathan Davies, Gerhard Hammerschmid, Albert Meijer, Chris Russell

机构 * University of Oxford（牛津大学） ； Hertie School（赫蒂学院） ； Utrecht University（乌得勒支大学） ； Harvard University（哈佛大学） 纠错

AI总结 针对公共管理研究将AI视为单一类别的问题，提出五类AI系统类型学（手编、玻璃箱、黑箱、通用、代理系统），通过分析91篇高引论文发现技术精度不足，并给出改进建议。

Comments Under Review

Agentic AI Enhances Physician Trust in Clinical Decision Making

智能体AI增强医生在临床决策中的信任

Zhiling Yan, Zhe Fang, David J King, Ann Pongsakul, Eashan Adhikarla, Hui Ren, Sunyang Fu, Quanzheng Li, Lifang He, Xiang Li, Hongfang Liu, Yonghui Wu, Lichao Sun

机构 * Department of Computer Science and Engineering, Lehigh University（里海大学计算机科学与工程系） ； Department of Epidemiology, Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院流行病学系） ； Department of Medicine, Division of Cardiology, University of Florida（佛罗里达大学医学院心脏病学系） ； McGovern Medical School, University of Texas Health Science Center at Houston（德克萨斯大学休斯顿健康科学中心麦戈文医学院） ； Department of Radiology, Massachusetts General Hospital and Harvard Medical School（麻省总医院和哈佛医学院放射学系） ； McWilliams School of Biomedical Informatics, University of Texas Health Science Center at Houston（德克萨斯大学休斯顿健康科学中心麦克威廉姆斯生物医学信息学院） ； Department of Health Outcomes & Biomedical Informatics, College of Medicine, University of Florida（佛罗里达大学医学院健康结果与生物医学信息学系） 纠错

AI总结 研究通过医生评估多模态临床病例，发现智能体AI相比非智能体基线显著提升医生的认知和行为信任，尤其在治疗规划任务中，但存在对错误输出的过度依赖。

Comments Accepted by AMIA 2026 Annual Symposium

How Post-Training Shapes Biological Reasoning Models

后训练如何塑造生物学推理模型

Lukas Fesser, Hanlin Zhang, Michelle M. Li, Eric Wang, Bryan Perozzi, Shekoofeh Azizi, Sham M. Kakade, Marinka Zitnik

机构 * Harvard University（哈佛大学） ； Google DeepMind（谷歌DeepMind） ； Google Research（谷歌研究院） 纠错

AI总结 研究后训练各阶段（CPT、SFT、RL）对生物学推理模型领域内和领域外性能的影响，发现SFT提升领域内性能但损害泛化，RL可部分恢复泛化，最佳策略是短SFT加长RL。

Quantitative Movement Testing: Measuring Chronic Pain Patient Movements from a Single Smartphone Video

定量运动测试：从单部智能手机视频测量患者运动

Pranav Mahajan, Amanda Wall, Eleonora Maria Camerone, Julie Stebbins, Eoin Kelleher, Shuangyi Tong, Annina Schmid, Katja Wiech, Anushka Irani, Ben Seymour

机构 * Nuffield Department of Clinical Neurosciences, University of Oxford（临床神经科学系,Nuffield大学,牛津大学） ； Max Planck Institute of Biological Cybernetics（生物信息学研究所） ； Oxford Gait Laboratory, University of Oxford（牛津大学步态实验室） ； Harvard Medical School（哈佛医学院） ； Massachusetts General Hospital（麻省总医院） ； Institute of Biomedical Engineering, University of Oxford（生物医学工程研究所,牛津大学） ； Mayo Clinic（梅奥诊所） 纠错

AI总结 提出基于计算机视觉的定量运动测试（QMT）方法，利用深度学习3D姿态估计从单目智能手机视频提取运动生物标志物，在实验室验证中与光学运动捕捉高度一致（r>0.85），并在纤维肌痛和慢性坐骨神经痛患者中展示了可靠性和纵向监测能力。

RCTs for Frontier AI Governance: Methodological Challenges and Solutions for Human Uplift Studies

随机对照试验与人类提升研究：前沿AI评估的方法论挑战与实践解决方案

Patricia Paskov, Kevin Wei, Shen Zhou Hong, Dan Bateyko, Xavier Roberts-Gaal, Carson Ezell, Gailius Praninskas, Valerie Chen, Umang Bhatt, Ella Guest

机构 * RAND ； Johns Hopkins University（约翰霍普金斯大学） ； Cornell University（康奈尔大学） ； Harvard University（哈佛大学） ； University of Cambridge（剑桥大学） ； London School of Economics（伦敦经济学院） 纠错

AI总结 本文通过访谈16位专家，系统梳理了人类提升研究（测量AI对人类绩效影响）在随机对照试验中面临的方法论挑战，包括内部效度、外部效度和构念效度问题，并提出了相应的解决方案。

Filterless Snapshot Hyperspectral Imaging using Guided Patch Diffusion

无滤波器快照高光谱成像引导补丁扩散

Dean Hazineh, Luca Sacchi, Davide Cassara, Federico Capasso, Todd Zickler

机构 * Harvard University（哈佛大学） 纠错

AI总结 提出使用条件去噪扩散模型，通过小补丁移位不变操作和光学点扩散函数物理一致性引导，从单衍射透镜和滤光片全色传感器捕获的灰度快照中重建高光谱图像。

Comments ECCV 2026