Harvard University（哈佛大学）

Shared Circuits for Shared Grammar: Tracing Subject-Verb Agreement Across Languages

共享语法的共享电路：跨语言追踪主谓一致

Isabella Gidi, Antonio Almudévar, Core Francisco Park, Naomi Saphra, Ricard Marxer

机构 * Harvard University（哈佛大学） ； University of Zaragoza（萨拉戈萨大学） ； Boston University（波士顿大学） ； Univ Toulon（土伦大学） ； Aix Marseille Univ（艾克斯-马赛大学） ； CNRS（法国国家科学研究中心） ； LIS（信息科学实验室） ； ILLS（语言与语言科学研究所） 纠错

AI总结 本文研究多语言大语言模型的跨语言共享机制，以主谓一致为对象，通过29种语言的实验发现其复用部分共享计算结构，且与屈折语言的电路更相似。

Comments 25 pages including appendices, 16 figures. Accepted to COLM 2026

Entropy-Constrained Adaptive Stochastic Quantization

熵约束自适应随机量化

Ran Ben Basat, Yaniv Ben-Itzhak, Michael Mitzenmacher, Shay Vargaftik

机构 * University College London（伦敦大学学院） ； VMware Research by Broadcom（博通旗下VMware研究院） ； Harvard University（哈佛大学） 纠错

AI总结 本文针对自适应随机量化未考虑后续熵编码的精度损失问题，提出ECASQ方法，给出最优与GPU友好近似动态规划方案，实验表明其精度接近最优且速度优势显著。

A Cloud-Edge System for Multimodal Clinical Screening in Resource-Constrained Rural Settings

面向资源受限农村地区多模态临床筛查的云边协同系统

Hei Ting (Una) Chan, Chenwei Wu, Xueshen Liu, Zesen Zhao, Boyuan Zheng, Luis Filipe Nakayama, Michael G. Morley, Liyue Shen, Jiasi Chen, Z. Morley Mao

机构 * University of Michigan（密歇根大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Harvard Medical School（哈佛医学院） 纠错

AI总结 该研究针对资源受限农村地区的多模态临床筛查问题，提出云边协同架构，经实验验证其诊断性能优异且成本更低，可适配部署约束。

Comments 31 pages, 3 figures. In Proceedings of Machine Learning Research, Volume 340, 2026 (Machine Learning for Healthcare Conference)

GeCo: Evaluating Geometric Consistency for Video Generation via Motion and Structure

GeCo：通过运动和结构评估视频生成的几何一致性

Leslie Gu, Junhwa Hur, Charles Herrmann, Fangneng Zhan, Todd Zickler, Deqing Sun, Hanspeter Pfister

机构 * Harvard University（哈佛大学） ； Google DeepMind（谷歌DeepMind） ； MIT（麻省理工学院） 纠错

AI总结 GeCo通过融合残差运动和深度先验，检测静态场景中的几何变形和遮挡不一致问题，并用于评估视频生成模型的性能与缺陷。

Matching Accuracy, Different Geometry: Evolution Strategies vs GRPO in LLM Post-Training

匹配精度，不同几何：进化策略与GRPO在LLM后训练中的比较

William Hoy, Binxu Wang, Xu Pan

机构 * University of Miami（迈阿密大学） ； Kempner Institute, Harvard University（哈佛大学肯普纳研究所） ； Harvard University（哈佛大学） 纠错

AI总结 本文比较了进化策略（ES）与组相对策略优化（GRPO）在单任务和连续学习设置中的表现，发现ES在单任务精度上可与GRPO匹配，但两者在参数空间更新上存在显著差异，且ES在弱信息方向上能积累较大偏移，同时保持任务性能。

Comments Accepted to Conference on Language Modeling (COLM) 2026