Harvard University（哈佛大学）

CoM$^3$eT: A foundation model for medical image analysis through federated, multidimensional context integration

CoM³eT：通过联邦多维上下文集成实现医学图像分析的基础模型

J. Raphael Schäfer, Kai Geissler, Till Nicke, Chiara Tappermann, Karoline Heber, Eike Petersen, Habib Mergan, Lars Ole Schwen, Nick Weiss, Annika Gerken, Jan Hendrik Moltz, Tom Bisson, Isil Dogan O, Tim-Rasmus Kiehl, Norman Zerbe, Sefer Elezkurtaj, Robin S. Mayer, Nadine Flinner, Peter Wild, Isabel Dahm, Felix Peisen, Heinrich von Busch, Robert Grimm, Sebastian Arndt, Lisa Siegler, Matthias Stefan May, Antje Prasse, Natalia Artysh, Fabian Kiessling, Johannes Lotz

机构 * Fraunhofer Institute for Digital Medicine MEVIS（弗劳恩霍夫数字医学MEVIS研究所） ； RWTH Aachen University（亚琛工业大学） ； Medizinische Hochschule Hannover（汉诺威医学院） ； Massachusetts General Hospital（麻省总医院） ； Harvard Medical School（哈佛医学院） ； Charité – Universitätsmedizin Berlin（柏林夏里特医学院） ； Freie Universität Berlin（柏林自由大学） ； Humboldt-Universität zu Berlin（柏林洪堡大学） 纠错

AI总结 CoM³eT是统一多专科、多预测类型及多维度输入的医学视觉基础模型，在公开竞赛中表现优于同类模型，仅微调少量参数即可适配多临床任务，联邦学习场景下性能接近聚合数据训练。

Do LLMs Know What to Ask and When? Evaluating Multi-Turn Information Seeking

大型语言模型（LLMs）知道该问什么以及何时提问吗？评估多轮信息获取能力

Yepeng Huang, Jiawen Zhang, Michelle Dai, Xiaorui Su, Shanghua Gao, Zi Wang, Marinka Zitnik

机构 * Harvard University（哈佛大学） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 该研究构建MT-InfoSeek评估套件，从提问内容、时机及信息影响三方面评估LLMs的多轮信息获取能力，发现其存在低估信息需求等缺陷，且该能力未被现有评估覆盖。

Equilibrium Forcing: Adaptive Video Generation Without Noise Conditioning

均衡强迫：无需噪声条件的自适应视频生成

Hansen Jin Lillemark, Alex Rojas, Zachary Novack, Runqian Wang, Yilun Du, Yian Ma, Taylor Berg-Kirkpatrick, Rose Yu

机构 * UC San Diego（加州大学圣地亚哥分校） ； MIT（麻省理工学院） ； Harvard University（哈佛大学） 纠错

AI总结 该研究提出无需噪声条件的均衡强迫（EqF）框架，解耦去噪场学习与采样，实现自适应闭环推理，提升自回归视频生成的质量与一致性，性能优于传统噪声条件方法。

Comments Project page: this https URL (https://equilibriumforcing.github.io/)

Sparse Prototype Code Underlies Classification and Prediction Across Modalities

跨模态分类与预测的稀疏原型编码

Yehonatan Avidan, Daniel D. Lee, Haim Sompolinsky

机构 * Hebrew University（希伯来大学） ； The Racah Institute of Physics（拉卡物理研究所） ； Edmond and Lily Safra Center for Brain Sciences（埃德蒙和莉莉·萨夫拉脑科学中心） ； Cornell Tech, Cornell University（康奈尔大学科技校区） ； Center for Brain Science, Harvard University（哈佛大学脑科学中心） 纠错

AI总结 该研究揭示跨模态AI模型分类任务存在通用表征几何，推导平均场理论准确预测分类准确率，发现分类由稀疏质心对齐结构支配，关联稀疏特征提取方法。

Comments 33 pages, 13 figures, 14 tables