Harvard University（哈佛大学）

A Diffusion-Model Subpopulation Digital Twin for Mobile Health Deployment: A Case Study on the HeartSteps Intervention

用于移动健康部署的扩散模型亚群数字孪生：以HeartSteps干预为例

Ziping Xu, Yuyi Chang, Chenshun Ni, Nithin Sugavanam, Asim H. Gazi, Pedja Klasnja, Emre Ertin, Susan A. Murphy

机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； The Ohio State University（俄亥俄州立大学） ； Harvard University（哈佛大学） ； University of Michigan（密歇根大学） 纠错

AI总结 研究针对移动健康干预算法设计问题，提出基于条件时间序列扩散模型开发“JITAI-Twins”数字孪生的方法，经多步更新，在HeartSteps干预部署预阶段验证，能更好再现目标亚群结构，为算法设计决策提供模拟。

When RLVR Shrinks the Reasoning Boundary: Diagnosing Pass@k Inversion

当可验证奖励的强化学习缩小推理边界时：诊断Pass@k反转

Todd Zhou

机构 * Harvard University（哈佛大学） 纠错

AI总结 研究RLVR中的Pass@k反转问题，提出双模式解释和PBA方法，通过实验表明PBA能提升\PassK{1}和覆盖率，诊断出普通GRPO丢失基础可解决提示，而PBA保留罕见阳性轨迹，强调训练后推理要兼顾优化强度与提示安全性。

JAXBench: Benchmarking Autonomous TPU Kernel Optimization

JAXBench：自主TPU内核优化基准测试

Arya Tschand, Charles Hong, Julian Walker, Nina Cai, Shangkun Wang, Suvinay Subramanian, Sundar Dev, Vijay Janapa Reddi, Amir Yazdanbakhsh, Sethu Sankaran

机构 * Harvard University（哈佛大学） ； Google（谷歌公司） ； UC Berkeley（加州大学伯克利分校） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 该研究针对TPU缺乏内核优化基准测试的问题，提出JAXBench套件，包含多个工作负载和算子。通过评估四种反馈驱动方法，发现特定上下文对优化更关键，条件设定和搜索结构能提升性能，最后发布相关基准测试等支持开源。