Self-Programmed Execution for Language-Model Agents
语言模型代理的自编程执行
机构 * Harvard Medical School（哈佛医学院）
AI总结 本文提出自编程执行(SPE)架构，使语言模型自身成为调度器，无需固定策略。通过agentic machines概念，实现无固定轮次策略的状态转移，并引入Spell语言处理程序自我编辑与重评估，实验表明前沿模型可完成复杂代理任务。
高校专区
Harvard University（哈佛大学）
A Statistical Framework for Algorithmic Collective Action with Multiple Collectives
算法集体行动的统计框架：多集体情况
机构 * Harvard University（哈佛大学） ； Mila and LawZero（Mila和LawZero） ； Institute of Science and Technology Austria（奥地利科学与技术研究所） ； University of British Columbia（不列颠哥伦比亚大学） ； University of Padova（帕多瓦大学）
AI总结 本文提出首个多集体算法集体行动的统计框架，研究多个集体如何影响分类器行为，并提供可计算的统计界限。
Comments 27 pages, 16 figures
Emergent Manifold Separability during Reasoning in Large Language Models
大语言模型推理中的涌现流形分离
机构 * Department of Physics, Harvard University（哈佛大学物理系） ； Center for Data Science, New York University（纽约大学数据科学中心） ； Kempner Institute, Harvard University（哈佛大学 Kempner 研究所） ； Center for Computational Neuroscience, Flatiron Institute（Flatiron 机构计算神经科学中心）
AI总结 研究大语言模型推理过程中的流形分离现象，通过曼福容量理论分析两种组合推理任务，发现概念流形在计算前解耦为线性可分子空间，揭示动态流形管理机制。
Comments Alexandre Polo and Chanwoo Chun contributed equally to this work
DiffeoMorph: Learning to Morph 3D Shapes Using Differentiable Agent-Based Simulations
DiffeoMorph: 通过可微分基于代理的模拟学习3D形状变形
机构 * Department of Systems Biology, Harvard Medical School（哈佛医学院系统生物学系） ； Department of Data Science, Dana-Farber Cancer Institute（达纳-法伯癌症研究所数据科学部） ； Departments of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学部） ； Broad Institute of MIT and Harvard（MIT与哈佛大学Broad研究所）
AI总结 本文提出DiffeoMorph框架，通过可微分代理模拟学习形态发生协议，使代理群体变形为目标3D形状，采用SE(3)等价图神经网络和基于3DZernike多项式的形状匹配损失实现旋转不变性和反射敏感性。
Benchmarking World-Model Learning with Environment-Level Queries
用环境级查询评估世界模型学习
机构 * Basis Research Institute ； DFKI GmbH ； Harvard University ； Universit\'e de Montr\'eal \& Mila - Quebec AI Institute ； University of Cambridge ； Massachusetts Institute of Technology ； Cornell University
AI总结 本文提出WorldTest协议，通过环境级查询评估智能体是否学习到支持多种环境属性的模型，通过AutumnBench验证人类在网格世界环境中的表现优于前沿模型。
Comments 34 pages, 10 figures
Into the Rabbit Hull: From Task-Relevant Concepts in DINO to Minkowski Geometry
进入兔皮：从DINO中的任务相关概念到闵可夫斯基几何
机构 * Kempner Institute, Harvard University（哈佛大学凯姆纳研究所） ； Harvard University（哈佛大学） ； Dept. of Psychology, Harvard University（哈佛大学心理学系） ； Brown University（布朗大学） ； Google DeepMind（谷歌DeepMind） ； Meta ； Goodfire
AI总结 本文通过分析DINOv2的任务相关概念，揭示了其在分类、分割和深度估计中的功能专业化，并提出闵可夫斯基表示假设以解释视觉Transformer的表示结构。
Comments Accepted at ICLR 2026
Journal ref ICLR 2024
Domain Generalization through Spatial Relation Induction over Visual Primitives
通过视觉基本元素的空间关系诱导实现领域泛化
机构 * Harvard University（哈佛大学） ； Basis Research Institute（基础研究机构） ； Hanoi University of Science and Technology（河内科学技术大学）
AI总结 本文提出PARSE框架，通过视觉基本元素及其关系组成进行视觉识别，改进领域泛化中的表征学习，提升在CUB-DG和DomainBed基准上的准确率。
Quantizing With Randomized Hadamard Transforms: Efficient Heuristic Now Proven
使用随机哈达玛变换进行量化：一种高效的启发式方法已被证明
机构 * UCL and Broadcom（UCL和Broadcom） ； Carnegie Mellon University（卡内基梅隆大学） ； Harvard University（哈佛大学） ； Microsoft（微软） ； VMware Research by Broadcom（Broadcom的VMware研究）
AI总结 本文研究了随机哈达玛变换在量化中的应用，证明了使用两个变换可近似均匀随机旋转的效果，并展示了三个变换在向量量化中的优势。
A Note on TurboQuant and the Earlier DRIVE/EDEN Line of Work
关于TurboQuant及其早期DRIVE/EDEN工作的注记
机构 * UCL and Broadcom（UCL和博通） ； VMware Research by Broadcom（博通VMware研究） ； North Carolina State University（北卡罗来纳州立大学） ； Harvard University（哈佛大学） ； Microsoft（微软）
AI总结 本文分析了TurboQuant与DRIVE/EDEN在量化方法上的关系，指出TurboQuant_mse是EDEN的特例，而TurboQuant_prod在多个方面表现欠佳，EDEN在精度上优于TurboQuant。
Chain of Risk: Safety Failures in Large Reasoning Models and Mitigation via Adaptive Multi-Principle Steering
风险链：大型推理模型中的安全故障及通过自适应多原则引导的缓解
机构 * Harvard University（哈佛大学） ； University of Southern California（南加州大学） ； Brown University（布朗大学） ； Pennsylvania State University（宾夕法尼亚州立大学） ； Texas A&M University（德克萨斯阿姆大学） ； Purdue University（普渡大学） ； University of California, Irvine（加州大学 Irvine 分校） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 研究发现大型推理模型在推理轨迹中存在额外安全风险，提出自适应多原则引导方法降低不安全内容出现率，提升整体安全性。
Understanding Annotator Safety Policy with Interpretability
通过可解释性理解标注者安全政策
机构 * Harvard University（哈佛大学） ； Apple（苹果公司）
AI总结 本文提出Annotator Policy Models，通过学习标注行为揭示安全政策差异，解决标注分歧根源问题，提升安全政策设计的透明性和包容性。
Comments 38 pages, 13 figures, ACM FAccT 2026
Dynamic Vine Copulas: Detecting and Quantifying Time-Varying Higher-Order Interactions
动态藤Copula：检测和量化时间变化的高阶相互作用
机构 * Kempner Institute at Harvard University（哈佛大学凯普勒研究所） ； Stanford University（斯坦福大学）
AI总结 本文提出动态藤Copula模型，用于估计和诊断序列中非高斯依赖关系，通过比较完整藤与1截断版本区分灵活的首树成对依赖与更高树条件项的证据。
H-Probes: Extracting Hierarchical Structures From Latent Representations of Language Models
H-Probes：从语言模型的潜在表示中提取层次结构
机构 * Supervised Program for Alignment Research（对齐研究监督计划） ； Yale University（耶鲁大学） ； Harvard University（哈佛大学）
AI总结 H-Probes通过线性探针从语言模型的潜在表示中提取层次结构，揭示模型在语法、概念及推理过程中的深层抽象能力。
Amortized Vine Copulas for High-Dimensional Density and Information Estimation
高维密度和信息估计的 amortized Vine copulas
机构 * Kempner Institute for the Study of Natural and Artificial Intelligence at Harvard University（哈佛大学自然与人工智能研究学院）
AI总结 本文提出VDC，一种用于连续数据的amortized vine-copula管道，通过单个双变量去噪模型简化vine依赖建模，提升高维vine拟合效率。
Two-Point Deterministic Equivalence for Stochastic Gradient Dynamics in Linear Models
随机梯度动力学在线性模型中的两点确定性等价性
机构 * 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校） ； Center of Mathematical Sciences and Applications, Harvard University（哈佛大学数学科学中心） ； Society of Fellows, Harvard University（哈佛大学 fellows 会） ； Center for Brain Science, Harvard University（哈佛大学脑科学中心） ； Department of Mathematics and Statistics, McGill University（麦吉尔大学数学与统计学系） ； 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 institute）
AI总结 本文推导了随机矩阵残差的两点函数的新确定性等价性，统一了高维线性模型中随机梯度下降的性能分析，涵盖高维线性回归、核回归和线性随机特征模型。
Comments 22 pages, in press at Advances in Theoretical and Mathematical Physics
Journal ref Advances in Theoretical and Mathematical Physics (2026) 30, 1
Scaling and renormalization in high-dimensional regression
高维回归中的尺度与重整化
机构 * Harvard University（哈佛大学） ； Center for Brain Science（脑科学中心） ； John A. Paulson School of Engineering and Applied Sciences（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（自然与人工智能研究学院）
AI总结 本文通过随机矩阵理论和自由概率工具，统一分析了岭回归的高维回归行为，揭示了经验协方差矩阵的统计波动可通过重整化参数吸收，从而推导出训练和泛化误差的解析公式，并发现随机特征模型中的幂律缩放机制。
Comments 74 pages, 17 figures
Journal ref Journal of Statistical Mechanics: Theory and Experiment (2026) 043404
Chebyshev-Augmented One-Shot Transfer Learning for PINNs on Nonlinear Differential Equations
Chebyshev增强的一次式迁移学习用于非线性微分方程的PINN
机构 * Harvard University（哈佛大学）
AI总结 本文提出结合Chebyshev多项式近似与一次式迁移学习，扩展了可应用于一次式PINN迁移的非线性函数类别，通过多项式非线性分解实现快速在线适应。
Comments 18 pages, 4 figures, 9 tables, accepted to ICLR 2026 Workshop on Artificial Intelligence and Partial Differential Equations
Automated Interpretability and Feature Discovery in Language Models with Agents
在语言模型中通过代理实现自动化可解释性和特征发现
机构 * Harvard University（哈佛大学）
AI总结 本文提出一个自主多代理框架，用于自动化大型语言模型的内部特征发现与解释，通过两个耦合循环提升解释精度和可验证性。
The grip of grammar on meaning uncertainty: cross-linguistic evidence, neural correlates, and clinical relevance
语法对意义不确定性的影响：跨语言证据、神经相关性及临床相关性
机构 * Grammar and Cognition Lab, Department of Translation & Language Sciences, Universitat Pompeu Fabra（语法与认知实验室，翻译与语言科学系，庞培法布拉大学） ； School of Foreign Studies, Guangzhou University（外语学院，广州大学） ； Department of Neurology Sant Pau Memory Unit, Hospital de la Santa Creu i Sant Pau Biomedical Research Institute Sant Pau（圣帕乌记忆单位神经科，圣帕乌生物医学研究机构） ； Frontotemporal Disorders Unit, Department of Neurology, Massachusetts General Hospital, Harvard Medical School（前额叶疾病单位，神经科，马萨诸塞总医院，哈佛医学院） ； Ace Alzheimer Center Barcelona, Universitat Internacional de Catalunya（巴塞罗那阿尔茨海默病中心，国际加泰罗尼亚大学） ； Networking Research Center on Neurodegenerative Diseases (CIBERNED), Instituto de Salud Carlos III（神经退行性疾病网络研究机构（CIBERNED），卡洛斯三世健康研究所） ； Department of Language Science and Technology, Saarland University（语言科学与技术系，萨尔兰大学） ； Department of Operation and Management, Zhuhai People's Hospital (The Affiliated Hospital of Beijing Institute of Technology, Zhuhai Clinical Medical College of Jinan University)（珠海人民医院（北京理工大学附属珠海临床医学院）） ； Department of Statistics, Zhuhai People's Hospital (The Affiliated Hospital of Beijing Institute of Technology, Zhuhai Clinical Medical College of Jinan University)（珠海人民医院（北京理工大学附属珠海临床医学院）） ； Faculty of Medicine, Macau University of Science and Technology（医学学院，澳门科技大学） ； CIDCL, Escuela de Fonoaudiología, Universidad de Valparaíso（CIDCL，语言治疗学系，瓦尔帕莱索大学） ； Department of Psychiatry and Psychotherapy, University of Marburg（精神病学与心理学系，马尔堡大学） ； Marburg University, School of Medicine, Department of Psychiatry and Psychotherapy（马尔堡大学，医学院，精神病学与心理学系） ； Department of Adult Psychiatry and Psychotherapy, University of Zurich（成人精神病学与心理学系，苏黎世大学） ； Neuroscience Center Zurich, University of Zurich and ETH Zurich（苏黎世神经科学中心，苏黎世大学和ETH苏黎世联邦理工学院） ； Center for Clinical Neuroscience and Cognition and Department of Psychiatry, University of Groningen, University Medical Center Groningen（临床神经科学与认知中心及精神病学系，格罗宁根大学，格罗宁根大学医学中心） ； Douglas Mental Health University Institute, Department of Psychiatry, McGill University（道格拉斯大学心理健康研究所，精神病学系，麦吉尔大学） ； Department of Medical Biophysics, Schulich School of Medicine and Dentistry, Western University（医学生物物理系，施吕赫尔医学院及牙科学院，西部大学） ； Robarts Research Institute, Schulich School of Medicine and Dentistry, Western University（罗巴茨研究所，施吕赫尔医学院及牙科学院，西部大学） ； Institut Català de Recerca i Estudis Avançats (ICREA), Barcelona, Spain（加泰罗尼亚高级研究与研究机构（ICREA），巴塞罗那，西班牙）
AI总结 研究探讨语法如何跨语言压缩意义不确定性，通过神经机制和临床案例揭示语言处理的核心原理。
A Target-Free Harmonization Method for MRI
无目标谐调方法用于磁共振成像
机构 * Department of Electrical and Computer Engineering, Seoul National University（首尔国立大学电气与计算机工程系） ； Department of Psychiatry, Brigham and Women's Hospital, Harvard Medical School（精神病学系，布里金医院，哈佛医学院）
AI总结 本文提出TgtFreeHarmony方法，通过生成对抗网络解纠缠生成MRI领域风格的流形，实现无目标域数据的图像谐调，提升下游任务性能，保障数据隐私。
Comments 37 pages, 10 figures
Exploring Prompt Alignment with Clinical Factors in Zero-Shot Segmentation VLMs for NSCLC Tumor Segmentation
探索临床因素在零样本分割VLMs中的提示对齐用于NSCLC肿瘤分割
机构 * Artificial Intelligence in Medicine Program, Mass General Brigham, Harvard Medical School, USA（麻省总医院布里奇沃特医学中心人工智能医学项目，哈佛医学院，美国）
AI总结 研究通过分析VoxTell在NSCLC肿瘤数据集上的提示对齐方向，发现解剖位置主导空间注意力，零样本分割VLMs在NSCLC肿瘤分割中表现优于其他模型。
Attention Sinks in Massively Multilingual Neural Machine Translation:Discovery, Analysis, and Mitigation
大规模多语言神经机器翻译中的注意力 sinks：发现、分析与缓解
机构 * Harvard University（哈佛大学）
AI总结 研究发现神经机器翻译中跨注意力模式存在注意力 sinks，非内容token占据大部分注意力质量，影响相似性评估，提出内容过滤方法以恢复语言信号。
Arithmetic in the Wild: Llama uses Base-10 Addition to Reason About Cyclic Concepts
野性算术：Llama使用十进制加法来推理循环概念
机构 * Northeastern University（东北大学） ； Technion IIT（技术ion理工学院） ； Harvard University（哈佛大学） ； Stanford University（斯坦福大学）
AI总结 研究Llama-3.1-8B如何用十进制加法处理循环概念，发现其通过通用加法机制而非模运算实现，利用傅里叶特征进行计算，揭示了因果抽象与特征几何的交互对语言模型的理解作用。
A dimensional R2 regression metric
多维R2回归度量
机构 * Neuroscience Center University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校神经科学中心） ； Kempner Institute for the Study of Natural and Artificial Intelligence（自然与人工智能研究学院） ； Harvard University（哈佛大学）
AI总结 本文提出Dim-R2度量，解决传统R2在高维数据、单标量输出及噪声敏感性方面的不足，通过多维视角提升回归模型的可解释性与灵活性。
Temporal Data Requirement for Predicting Unplanned Hospital Readmissions
预测非计划性医院再入院的时序数据需求
机构 * Northeastern University（东北大学） ； Partners Healthcare Connected Health Innovation（Partners Healthcare 连接健康创新） ； MGH Institute for Technology Assessment（MGH 技术评估研究所） ； Harvard Medical School（哈佛医学院） ； Tufts University School of Medicine（塔夫茨大学医学院） ； Department of Public Health and Community Medicine（公共卫生与社区医学系）
AI总结 本文研究了不同观察窗口对预测髋膝关节置换术后30天再入院的影响，发现非结构化临床笔记的最佳时间窗口比结构化数据更短，而结构化数据在延长窗口后性能趋于稳定。
AgentFloor: How Far Up the tool use Ladder Can Small Open-Weight Models Go?
AgentFloor: 小型开放权重模型在工具使用阶梯上能走多远？
机构 * Harvard University（哈佛大学） ； Boston, MA 02115（波士顿，马萨诸塞州 02115）
AI总结 AgentFloor基准测试评估了16种开放权重模型在代理工作流中的能力边界，发现小型模型已能处理大部分结构化工具使用任务，而长周期规划仍需前沿模型。
What Don't You Understand? Using Large Language Models to Identify and Characterize Student Misconceptions About Challenging Topics
你有什么不明白吗？利用大型语言模型识别和表征学生在困难主题上的误解
机构 * Harvard Medical School and Division of Pulmonary, Critical Care and Sleep Medicine, Beth Israel Deaconess Medical Center（哈佛医学院和肺科、重症医学及睡眠医学部门，贝斯以色列德aconess医疗中心）
AI总结 本文通过量化分析与大型语言模型结合的方法，识别在线学习环境中学生在关键主题上的误解，揭示了通过考试题目内容、学生回答模式和课堂讲义相结合的数据分析，发现学生误解的可操作见解。
Comments 60 pages. Education and Information Technologies (2026)
Elimination Templates in Macaulay2
Macaulay2中的消元模板
机构 * Department of Mathematics, Purdue University, 150 N University St., West Lafayette, IN 47907, USA ； Department of Mathematics, University of Wisconsin, 480 Lincoln Dr., Madison, WI 53706, USA ； Department of Mathematics, University of Missouri, 810 Rollins St, Columbia MO 65203, USA ； Meta Platforms, Inc., 1 Meta Way, Menlo Park, California 94025, USA ； Department of Mathematics, Harvard University, 1 Oxford St., Cambridge, MA 02138, USA
AI总结 本文介绍Macaulay2中的消元模板包，用于构造依赖于代数无关参数的零维素理想自动求解器，并展示其在计算机视觉中的应用。
Comments 13 pages with references
Lucid-XR: An Extended-Reality Data Engine for Robotic Manipulation
Lucid-XR：一种用于机器人操控的扩展现实数据引擎
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； FortyFive Labs（FortyFive实验室） ； Caltech（加州理工学院） ； Harvard University（哈佛大学） ； UC San Diego（南加州大学）
AI总结 Lucid-XR通过XR头显直接运行的物理模拟环境生成多模态数据，实现零样本迁移至复杂环境，支持软材料、松散颗粒和刚体接触的精细操控任务。
Comments Project website: https://lucidxr.github.io
A unified perspective on fine-tuning and sampling with diffusion and flow models
机构 * Microsoft Research New England（微软研究新英格兰实验室） ； Harvard University（哈佛大学）
