Harvard University（哈佛大学）

Before Thinking, Learn to Decide: Proactive Routing for Efficient Visual Reasoning

在思考之前，先学会决策：面向高效视觉推理的主动路由

Yinan Zhou, Haokun Lin, Yichen Wu, Yuxin Chen, Teng Wang, Caifeng Shan, Zhenan Sun, Chen Ma, Li Zhu, Ying Shan

机构 * Xi’an Jiaotong University（西安交通大学） ； ARC Lab, Tencent IEG（腾讯IEG ARC实验室） ； City University of Hong Kong（香港城市大学） ； Institute of Automation, CAS（中国科学院自动化研究所） ； Harvard University（哈佛大学） ； Nanjing University（南京大学） 纠错

AI总结 提出主动路由范式PRP，通过联合评估草稿模型和目标模型的能力，实现早期决策，加速多模态推理而不牺牲性能。

Comments 36 pages, 20 figures

Under One Sun: Multi-Object Generative Perception of Materials and Illumination

同一太阳下：材质与光照的多物体生成式感知

Nobuo Yoshii, Xinran Nicole Han, Ryo Kawahara, Todd Zickler, Ko Nishino

机构 * Kyoto University（京都大学） ； Harvard University（哈佛大学） 纠错

AI总结 提出MultiGP生成式逆渲染方法，利用同一场景物体共享光照的共识，从单张图像中随机采样反射率、纹理和光照，通过级联架构、协调调度、轴向注意力和纹理提取控制网络实现解耦。

Comments ECCV2026. Project page: https://vision.ist.i.kyoto-u.ac.jp/research/onesun/

Adaptive Contracts for Cost-Effective AI Delegation

面向成本效益的AI委托自适应合同

Eden Saig, Tamar Garbuz, Ariel D. Procaccia, Inbal Talgam-Cohen, Jamie Tucker-Foltz

机构 * Tel Aviv University（特拉维夫大学） ； Harvard University（哈佛大学） ； Technion -- Israel Institute of Technology（技术学院——以色列理工学院） ； California Institute of Technology（加州理工学院） ； Yale School of Management（耶鲁管理学院） 纠错

AI总结 针对AI委托中评估噪声导致支付增加的问题，提出自适应合同机制，通过选择性详细评估降低成本，并给出最优合同计算算法与实证验证。

Comments ICML 2026

Towards Cellular-Scale Interpretability in Pathology Foundation Models for Biomarker Assessment

面向生物标志物评估的病理基础模型中的细胞级可解释性

Jingsong Liu, Han Li, Zhengyang Xu, Franz-Leonard Klaus, Fabian Stögbauer, Shihui Zu, Weiwei Zhou, Atsuko Kasajima, Felix Schicktanz, Alexander Muckenhuber, Julius Shakhtour, Jiale Yu, Tiannan Zheng, Xun Ma, Maggie Wang, Christian Grashei, Bao Li, Guiyang Jiang, Hongming Xu, Shaohua Kevin Zhou, Nassir Navab, Peter J. Schüffler

机构 * Institute of Pathology, Technical University of Munich（慕尼黑技术大学病理学研究所） ； School of Computation, Information and Technology, Technical University of Munich（慕尼黑技术大学计算、信息与技术学院） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； Computer Aided Medical Procedures (CAMP), Technical University of Munich（慕尼黑技术大学计算机辅助医疗程序中心） ； School of Biomedical Engineering, Faculty of Medicine, Dalian University of Technology（大连理工大学医学院生物医学工程学院） ； Affiliated Hospital of Chifeng University（赤峰大学附属医院） ； Center for Medical Imaging, Robotics, and Analytic Computing & Learning (MIRACLE), Suzhou Institute for Advanced Research, USTC, Suzhou, China（苏州先进研究院医学影像、机器人与分析计算与学习中心） ； Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系） ； The First Hospital and the College of Basic Medical Sciences of China Medical University（中国医科大学第一医院及基础医学科学学院） ； Munich Data Science Institute (MDSI)（慕尼黑数据科学研究所） 纠错

AI总结 提出Hireca病理基础模型和CytoMap可解释性模块，在10项生物标志物任务中多数领先，提供细胞级证据定位，实现透明可审查的生物标志物评估。