高校专区
立场：不要仅仅“在后期修复它”：AI科学必须研究训练动态
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Boston University（波士顿大学） ； Harvard University（哈佛大学） ； University of Oxford, Martian（牛津大学，火星） ； Max Planck Institute for Software Systems（马克斯·普朗克软件系统研究所）
AI总结 本文主张AI科学应超越事后分析，研究训练动态以预测、干预和设计模型行为，并指出当前在可解释性、公平性等领域的进展及开放问题。
Comments Accepted as an oral to the ICML: https://icml.cc/virtual/2026/poster/67142
一种人类敏感控制器：通过强化学习适应人类肌肉骨骼疾病相关约束
机构 * Fundação para a Ciência e Tecnologia（葡萄牙科学与技术基金会） ； Centro de Microssistemas Eletromecânicos da Universidade do Minho（University of Minho微机电系统中心） ； Massachusetts Institute of Technology（麻省理工学院） ； Brigham and Women’s Hospital, Harvard Medical School（哈佛医学院布莱尔妇女医院） ； GEVAB, IQS School of Engineering（GEVAB，IQS工程学院） ； LABBELS-Associate Laboratory, University of Minho（University of Minho关联实验室）
AI总结 提出基于强化学习的人类敏感机器人控制策略，使用Q学习和深度Q网络优化协作机器人的人机工效，在保持零疼痛风险下平均缩短38%任务完成时间。
十位头痛专家与人工智能在临床文献总结中的比较：一项关键评估与对比
机构 * Stanford University Palo Alto CA USA（斯坦福大学） ； Department of Neurology Mayo Clinic Rochester MN USA（梅奥诊所神经科） ； Department of Neurology Dalhousie University Halifax Canada（达尔豪斯大学神经科） ； Jefferson Headache Center Department of Neurology Thomas Jefferson University PA USA（泰勒大学神经科） ； Beth Israel Deaconess Medical Center Boston MA USA（贝斯以色列医疗中心） ； Department of Neurology University of Florida Gainesville FL USA（佛罗里达大学神经科） ； University of Colorado School of Medicine Department of Pediatrics Division of Child Neurology Aurora CO USA（科罗拉多医学院儿科部儿童神经科） ； Department of Medicine Mount Sinai Hospital Icahn School of Medicine at Mount Sinai New York NY USA（西奈医院医学部） ； Department of Neurology Mayo Clinic Scottsdale AZ USA（梅奥诊所Scottsdale分部） ； Harvard Medical School Boston MA USA（哈佛医学院） ； Department of Neurology Mount Sinai Hospital Icahn School of Medicine at Mount Sinai New York NY USA（西奈医院神经科）
AI总结 本研究通过构建基于RAG的AI框架，比较了三种大语言模型与十位头痛专家在临床文献总结方面的表现，发现专家撰写的摘要更受青睐，但专家有时难以区分人类与AI生成的摘要。
前沿滞后：学术AI评估中能力误述的文献计量审计
机构 * Harvard University（哈佛大学） ； AISST
AI总结 通过审计112,303篇LLM相关论文，发现中位论文评估的模型落后同期前沿10.85 ECI（约1.4倍Claude Sonnet 3.7与Claude Opus 4.5的差距），且差距以每年5.53 ECI扩大，仅3.2%的摘要披露推理模式状态，52.5%的结论将结果泛化为“AI”，并提出VERSIO-AI检查表等补救措施。
Comments v2. 65 pp, 9 figs, 8 tables, 8 appendices. Pre-registered on OSF: doi.org/10.17605/OSF.IO/7XM3D. Code+data: doi.org/10.5281/zenodo.20060457. VERSIO-AI v1.2 reporting checklist (Appendix A): doi.org/10.5281/zenodo.20060459. frontierlag package + per-DOI audit tool: frontierlag.org
停止训练于最差：渐进性解蔽加速了掩码扩散训练
机构 * Harvard University（哈佛大学） ； Kempner Institute（凯普纳研究所）
AI总结 本文提出了一种名为渐进性解蔽（PUMA）的方法，通过修改前向掩码过程，使训练时间和推理时的掩码模式一致，从而加速了掩码扩散模型的训练。
模型比较与交叉验证的相对不稳定性
机构 * Department of Statistics, Harvard University, Cambridge, MA, USA（哈佛大学统计系） ； Microsoft Research New England, Cambridge, MA, USA（微软研究院新英格兰分部）
AI总结 研究指出即使个体稳定的模型在比较时也可能产生相对不稳定的结果，挑战了交叉验证推断的有效性，特别指出Lasso和软阈值化在最有利的学习条件下仍会导致无效的交叉验证推断。
在非马尔可夫世界中的有限资源分配：产科与儿童保健的案例
机构 * Harvard University（哈佛大学） ； Google Research（谷歌研究）
AI总结 本文研究了在非马尔可夫环境下如何通过时间序列方法优化资源分配，提出了一种新的时间序列臂排名指数（TARI）策略，以提高产科和儿童保健项目的参与度和依从性。
Comments Proceedings of the 32nd International Joint Conference on Artificial Intelligence (IJCAI 2023)
X4Val: 学习方差缩减策略评估的神经代理模型
机构 * NVIDIA Research（NVIDIA研究院） ； Harvard University（哈佛大学） ； Stanford University（斯坦福大学）
AI总结 提出X4Val框架，通过嵌入多域数据并学习可迁移预测器，结合控制变量估计器实现无配对样本下的方差缩减，在自动驾驶和机器人操作任务中方差降低达38.4%。
MetaPoint：在智能体视觉生成中实现精确空间控制
机构 * Zhejiang University（浙江大学） ； ByteDance Seed（字节跳动种子） ； Harvard University（哈佛大学）
AI总结 提出MetaPoint方法，通过将连续2D坐标表示为单个特殊token，利用模型固有的位置编码实现像素级空间控制，无需修改架构。
众包能否在LLM时代幸存？关于人类数据收集的社区调查
机构 * University of Stuttgart（斯图加特大学） ； Ghent University（根特大学） ； Harvard University（哈佛大学） ； IT University of Copenhagen（哥本哈根技术大学）
AI总结 通过调查155名NLP及相关领域研究者，探讨LLM对众包数据有效性的挑战、检测策略及应对措施，发现44%的受访者观察到LLM使用，但现有努力仍不足。
Archi: CMS实验中的代理操作
机构 * Massachusetts Institute of Technology（麻省理工学院） ； CMS Collaboration（CMS合作组） ； CERN（欧洲核子研究中心） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Fermi National Accelerator Laboratory（费米国家加速器实验室） ； Brown University（布朗大学） ； Harvard University（哈佛大学）
AI总结 提出Archi开源框架，整合异构数据源并部署可配置、私有的代理，用于CMS实验计算操作支持，在真实查询中表现有效。
基于全局草图的扩散语言模型水印
机构 * Harvard University（哈佛大学）
AI总结 提出一种针对掩码扩散语言模型的全局向量草图水印方法，通过控制文本的整体统计特征实现与局部上下文无关的检测。
预训练期间的强化学习探索：重新审视LLM训练中的策略优化
机构 * Harvard University（哈佛大学）
AI总结 本文质疑LLM标准训练流程中仅在预训练和监督微调后使用强化学习的做法，通过从头训练LLM并在中间检查点直接应用RL、SFT及SFT后RL，发现RL早期有效且能匹配完整流程，同时提出并行平均合并RL和SFT目标的方法在保持通用能力的同时优于其他方法。
语言模型之间的隐蔽影响
机构 * MATS ； New York University（纽约大学） ； Harvard University（哈佛大学） ； George Washington University（乔治华盛顿大学）
AI总结 本文研究语言模型间通过微调、蒸馏和上下文学习三种接口实现隐蔽影响的风险，并提出使用逐点归因分数选择载体以放大训练时影响，发现自然语言载体相比数字载体更难被人类检测且跨模型迁移性更差。
面向脑电到音乐重建的通道导向设计
机构 * UC Berkeley（加州大学伯克利分校） ； Harvard University（哈佛大学）
AI总结 针对脑电信号弱、易受噪声和通道变异影响的问题，提出通道导向设计（包括通道级标记化、多视角自蒸馏和数据增强），在编码-对齐-解码流水线中实现稳定的音乐语义空间对齐，显著提升重建性能。
带相关样本的岭回归中的风险与交叉验证
机构 * Department of Physics, Harvard University（哈佛大学物理系） ； Center for Brain Science, Harvard University（哈佛大学脑科学中心） ； Society of Fellows, Harvard University（哈佛大学 fellows 会） ； John A. Paulson School of Engineering and Applied Sciences, Harvard University（哈佛大学约翰·A·保罗森工程与应用科学学院） ； Kempner Institute for the Study of Natural and Artificial Intelligence, Harvard University（哈佛大学自然与人工智能研究学院）
AI总结 利用随机矩阵理论和自由概率，研究了数据点具有任意相关性时岭回归的渐近风险，并提出了修正的广义交叉验证估计器CorrGCV，同时扩展到测试点与训练集相关的情况。
Comments 50 pages, 19 figures. v4: ICML 2025 camera-ready. v5: Fix typo in statement of Theorem 5. v6: typos corrected, to appear in 2026 JSTAT Machine Learning focus collection
Journal ref International Conference on Machine Learning (2025), https://proceedings.mlr.press/v267/atanasov25a.html
用凸优化计算稳定性盆地以衡量跌倒的可能性：站立-坐下的任务案例研究
机构 * Harvard University（哈佛大学）
AI总结 本文利用动力系统理论，开发出自动框架计算稳定性盆地，用于评估站立-坐下的稳定性策略。实验验证了该方法能区分不同稳定性策略。
Comments 11 pages, 9 figures
上下文学习中思维链的渐近理论
机构 * Department of Physics, Graduate School of Science, The University of Tokyo（东京大学物理系研究生院） ； John A. Paulson School of Engineering and Applied Sciences, Harvard University（哈佛大学约翰·A·保罗森工程与应用科学学院） ； Kempner Institute for the Study of Natural and Artificial Intelligence, Harvard University（哈佛大学凯普勒人工智能研究 institute） ； Center for Brain Science, Harvard University（哈佛大学脑科学中心）
AI总结 通过高维随机矩阵理论，推导了线性回归中上下文学习思维链的泛化误差精确公式，揭示了推理深度、预训练数据量和上下文长度之间的相变现象。
VLESA: 用于人类活动监测的视觉语言具身安全智能体
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Mitsubishi Electric Research Laboratories（三菱电机研究实验室） ； Harvard University（哈佛大学）
AI总结 提出VLESA框架，通过自我中心视频监测人类活动，利用GRPO训练的目标条件安全Q过滤器进行实时安全干预，在ASIMOV-2.0基准上实现更高干预精度。
Comments 18 pages, 5 tables, 5 figures
对比神经算法推理用于图着色
机构 * Harvard University SEAS（哈佛大学SEAS） ； Harvard University T.H. Chan School of Public Health（哈佛大学T.H. Chan公共卫生学院）
AI总结 提出对比学习框架学习可迁移的着色几何结构，通过图神经网络编码器实现低冲突着色，并推广到不同规模的图。
Comments 52 pages, 5 figures, 45 tables
纹理驱动视觉学习中的低频捷径
机构 * Harvard University（哈佛大学） ； Kempner Institute（凯姆纳研究所）
AI总结 本文分析了纹理驱动领域中神经网络依赖低频成分作为捷径的现象，提出通过裁剪低频成分来消除捷径，从而提升分布内准确率和鲁棒性。
HARVE：面向鲁棒奖励模型的感知黑客奖励头向量编辑
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Virginia（弗吉尼亚大学） ； Harvard University（哈佛大学） ； Stanford University（斯坦福大学） ； University of Michigan（密歇根大学） ； New Jersey Institute of Technology（新泽西理工学院） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
AI总结 针对奖励模型易受奖励黑客攻击的问题，提出无需训练的奖励头编辑方法HARVE，通过移除与黑客相关子空间对齐的奖励头向量分量，提升鲁棒性并保持通用能力。
思维经济：具有经济交互的涌现多智能体智能
机构 * Harvard University（哈佛大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 受哈耶克经济理论启发，通过拍卖和财富积累的简单经济信号实现去中心化信用分配，使弱智能体群体涌现出多步推理策略，在五个智能体任务中超越强单体基线。
中微子指纹：基于图像的 IceCube 事件编码用于 CNN 方向重建
机构 * Data Analytics Lab, Vrije Universiteit Brussel（自由大学布鲁塞尔数据分析实验室） ； imec-SMIT, Vrije Universiteit Brussel（imec-SMIT，自由大学布鲁塞尔） ； School of Engineering and Applied Sciences, Harvard University（哈佛大学工程与应用科学学院）
AI总结 提出将 IceCube 中微子事件编码为紧凑的 72×72×3 图像（中微子指纹），利用 ResNet18 卷积网络实现方向重建，平均角误差为 1.10 rad，性能媲美更复杂架构。
Comments 6 pages, 1 figure
自进化语言模型推理中的泛化差距
机构 * Google Research（谷歌研究） ； Harvard University（哈佛大学） ； Google（谷歌） ； Virginia Tech（弗吉尼亚理工大学）
AI总结 本文研究严格闭环设置下自进化算法与完美监督之间的差距，发现多轮批评-修正策略可接近完美监督性能，但自进化仍存在非平凡差距。
Comments Published at ICML 2026
像病理学家一样：组织感知的全切片图像推理
机构 * Stony Brook University（石英溪大学） ； Mayo Clinic（梅奥诊所） ； Harvard Medical School（哈佛医学院） ； Stanford University（斯坦福大学）
AI总结 提出一种问题引导、组织感知的粗到细检索框架HistoSelect，通过识别相关组织区域并选择最具信息量的补丁，在减少70%视觉标记的同时提升病理问答准确性。
Comments 14 pages, 8 figures. Accepted by CVPR'26
抗体环的标记化
机构 * Harvard University（哈佛大学） ； Prescient Design, Genentech（Prescient Design，基因泰克）
AI总结 提出Igloo多模态抗体环标记器，通过对比学习编码主链二面角和序列，高效检索相似环结构，提升H3环识别性能5.9%，并集成到蛋白质语言模型中改善抗体设计。
Comments 21 pages, 7 figures, 10 tables, code available at https://github.com/prescient-design/igloo
AlphaEval：一个全面高效的公式化Alpha挖掘评估框架
机构 * CUNY Baruch College（CUNY 巴纳特学院） ； Peking University（北京大学） ； Harvard University（哈佛大学） ； Zhengren Research（正人研究所） ； Zhengren Quant（正人量化）
AI总结 提出AlphaEval框架，通过五个维度（预测能力、稳定性、鲁棒性、金融逻辑、多样性）对自动Alpha挖掘模型进行统一、可并行化且无需回测的评估，实现与回测相当的评估一致性并提高效率。
Comments Accepted by KDD2026
基于鲁棒先验更新的幻觉感知扩散采样用于逆问题
机构 * Center for Advanced Medical Computing and Analysis, Massachusetts General Hospital and Harvard Medical School（先进医学计算与分析中心，麻省总医院和哈佛医学院） ； Department of Industrial Engineering, University of Pittsburgh（工业工程系，匹兹堡大学）
AI总结 提出鲁棒先验更新模块，通过探测扩散先验更新的局部稳定性并重新锚定位移，减少逆问题求解中的测量条件幻觉，提升实例保真度。
可信生成式逆问题的测量几何与设计
机构 * Center for Advanced Medical Computing and Analysis, Massachusetts General Hospital and Harvard Medical School（先进医学计算与分析中心，麻省总医院和哈佛医学院） ； School of Engineering and Applied Sciences, Harvard University（工程与应用科学学院，哈佛大学）
AI总结 提出局部测量-流形兼容性度量，证明其控制重建误差的稳定部分，并基于体积保持设计固定和自适应测量策略，在多个成像任务中预测失败模式、减少幻觉并指导采样。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈