Program-as-Weights: A Programming Paradigm for Fuzzy Functions
程序即权重：一种模糊函数的编程范式
机构 * University of Waterloo（滑铁卢大学） ； Cornell University（康奈尔大学） ； Harvard University（哈佛大学）
AI总结 提出模糊函数编程范式，通过Program-as-Weights方法将自然语言规范编译为轻量可执行神经工件，在保持性能的同时大幅降低推理成本。
高校专区
Harvard University（哈佛大学）
X-Splat: Gaussian Splatting for 3D CBCT Generation from Single Panoramic Radiograph
X-Splat：基于高斯泼溅的从单张全景X光片生成3D CBCT
机构 * Sano Centre for Computational Medicine（桑诺计算医学中心） ； Jagiellonian University（雅盖隆大学） ； Warsaw University of Technology（华沙技术大学） ； Research Institute IDEAS（IDEAS研究 institute） ； Harvard Medical School（哈佛医学院）
AI总结 提出X-Splat，首个利用高斯泼溅从单张全景X光片生成CBCT样3D牙科体积的方法，通过已知采集几何初始化可学习高斯原语，结合Beer-Lambert重投影和多视角训练监督，优于NeRF和GAN基线。
Comments 19 pages, 6 figures, including appendix. Under review
ESC: Emotional Self-Correction for Reliable Vision-Language Models
ESC：面向可靠视觉语言模型的情感自我纠正
机构 * 1 GenAI4E Lab 2 University of Information Technology, Ho Chi Minh City, Vietnam 3 Universit\"at Trier, Germany 4 Ho Chi Minh University of Technology, Ho Chi Minh City, Vietnam 5 PAMI Lab, Vietnamese German University, Vietnam 6 Vietnam National University, Ho Chi Minh City, Vietnam 7 Carnegie Mellon University, USA 8 Omoshiroi AI, USA 9 Harvard University, USA 10 Basis Research Institute 11 PASSIO Laboratory, North Carolina A\&T State University, USA 12 Mohamed bin Zayed University of Artificial Intelligence, UAE 13 Northwestern University, USA [4pt] Equal contribution. Corresponding author
AI总结 提出训练无关的ESC框架，通过外部验证器检测错误初始响应并注入情感反馈，促使VLM自我纠正，提升安全、幻觉、感知和多模态推理等任务的可靠性。
Comments ECCV Main Track 2026 (113 pages, 15 tables, 65 figures). Project Page: https://genai4e.github.io/ESC/?
SimWorlds: A Multi-Agent System for Dynamic 3D Scene Creation
SimWorlds: 一个用于动态3D场景创建的多智能体系统
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Harvard University（哈佛大学） ； University of California, Merced（加州大学默塞德分校）
AI总结 提出多智能体框架SimWorlds，通过规划-编码-审查流程和运行时状态检查工具，从文本生成动态4D场景，并引入基准4DBuildBench评估视觉保真度和物理一致性。
Comments 20 pages, 3 figures. Project page: https://dynsimworlds.github.io
CreativityNeuro: Steering Language Model Weights to Improve Divergent Thinking and Reduce Mode Collapse
CreativityNeuro: 引导语言模型权重以改善发散思维并减少模式崩溃
机构 * Center for Brain Science, Harvard University（哈佛大学脑科学中心） ； CBS-NTT Program in Physics of Intelligence, Harvard University（哈佛大学CBS-NTT智能物理项目） ； Prior Computers ； AI Innovation Institute, Stony Brook University（石溪大学人工智能创新研究所）
AI总结 提出数据无关的对比权重引导方法CreativityNeuro，通过调整LLM权重增强发散思维，在多项创造力测试中提升原创性并减少模式崩溃，无需重新训练或微调。
Comments Accepted at ICML 2026 Workshop on Creativity & Generative AI
ClinRAG-GRAPH: Clinical-prior Retrieval-Augmented Graph Model with Domain Adversarial Learning for Breast pCR Prediction
ClinRAG-GRAPH: 基于临床先验的检索增强图模型与领域对抗学习用于乳腺癌pCR预测
机构 * Department of Medical Imaging, Radboud University Medical Center, Nijmegen, The Netherlands（拉德堡德大学医学中心医学影像科，奈梅亨，荷兰） ； The Netherlands Cancer Institute, Amsterdam, The Netherlands（荷兰癌症研究所，阿姆斯特丹，荷兰） ； Faculty of Applied Sciences, Macao Polytechnic University, Macau, China（澳门理工大学应用科学学院，澳门，中国） ； Boston Children’s Hospital, Harvard Medical School, Boston, USA（波士顿儿童医院，哈佛医学院，波士顿，美国） ； Centre for Artificial Intelligence and Robotics, Hong Kong Institute of Science & Innovation, Chinese Academy of Sciences, Hong Kong, China（中国科学院香港创新研究院人工智能与机器人创新中心，香港，中国） ； Imaging Division, University Medical Center Utrecht, Utrecht, The Netherlands（乌得勒支大学医学中心影像部，乌得勒支，荷兰） ； Department of Radiology, Fuzhou University Affiliated Provincial Hospital, Fuzhou, China（福州大学附属省立医院放射科，福州，中国） ； Department of Radiology, Yantai Yuhuangding Hospital, Shandong, China（烟台毓璜顶医院放射科，山东，中国）
AI总结 提出ClinRAG-GRAPH框架，通过构建患者内临床先验图、双分支领域对抗学习和大语言模型驱动的子图检索增强模块，实现术前pCR预测，在内部和外部测试集上取得良好性能。
Comments 11 pages, 5 figures
Prototype Language Models
原型语言模型
机构 * Harvard University（哈佛大学） ； Guide Labs Inc.（Guide Labs公司）
AI总结 提出原型语言模型架构PRISM，通过稀疏非负原型混合进行预测，在保持下游精度的同时实现快速训练数据归因和可解释性。
MindAU: EEG-Conditioned Facial Action Unit Editing via Dual-Stream Manifold Alignment
MindAU: 基于双流流形对齐的脑电条件面部动作单元编辑
机构 * Binghamton University（宾汉姆顿大学） ； Massachusetts General Hospital（马萨诸塞综合医院） ； Harvard Medical School（哈佛医学院）
AI总结 提出MindAU框架，通过双流流形对齐将EEG特征与AU文本语义和视觉位移对齐，实现高保真身份保持的面部动作单元编辑。
The State-Prediction Separation Hypothesis
状态-预测分离假说
机构 * Cornell University（康奈尔大学） ； Harvard University（哈佛大学）
AI总结 提出状态-预测分离假说，通过双流Transformer解耦状态存储与下一词预测，在预训练中提升数据与计算效率，下游任务平均提升2-3个百分点。
Comments Preprint
Text Over Image: Auditing Multimodal Robustness in Synthetic Medical Image Detection
超越视觉取证：审计多模态鲁棒性用于合成医学图像检测
机构 * University of Notre Dame（圣母大学） ； IBM Research（IBM研究院） ； Boston Children’s Hospital（波士顿儿童医院） ； Harvard Medical School（哈佛医学院） ； Optum AI, UnitedHealth Group（Optum AI, 联合健康集团）
AI总结 针对合成医学图像检测中多模态鲁棒性不足的问题，提出图像-记录配对基准，揭示视觉语言模型因过度依赖记录上下文而导致的预测偏差。
Comments Accepted at MICCAI 2026. Version 2 is a substantial journal extension of the MICCAI 2026 conference version, with additional provenance perturbations, paired statistical analysis, extended SAVC mitigation experiments, and broader deployment discussion. 19 pages, 3 figures, 2 tables
Statistical Properties of Training & Generalization
训练与泛化的统计特性
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院） ； Tel Aviv University（特拉维夫大学） ； Department of Physics, University of Toronto and Vector Institute（多伦多大学物理系和向量研究所）
AI总结 从物理学角度研究深度学习的关键特征和意外现象，回顾神经缩放定律及其与物理问题中约束和归纳偏置的相互作用。
Comments 32 pages, 3 figures. Part of the VERaiPHY initiative
Anchored, Not Graded: Vision-Language Models Fail at Slant-from-Texture Perception
锚定而非分级：视觉-语言模型在纹理倾斜感知中失败
机构 * Brown University（布朗大学） ； Harvard University（哈佛大学）
AI总结 研究视觉-语言模型（VLM）在纹理倾斜感知任务中的表现，发现零样本和上下文提示均产生锚定失败，仅预测少数离散角度，监督微调部分缓解但残留锚定，表明问题在于表示到输出的语言接口无法分级表达。
Comments 15 pages. Accepted at ECCV 2026
A Technical Typology of AI Systems in Public Administration
公共管理中AI系统的技术类型学
机构 * University of Oxford（牛津大学） ； Hertie School（赫蒂学院） ； Utrecht University（乌得勒支大学） ； Harvard University（哈佛大学）
AI总结 针对公共管理研究将AI视为单一类别的问题，提出五类AI系统类型学（手编、玻璃箱、黑箱、通用、代理系统），通过分析91篇高引论文发现技术精度不足，并给出改进建议。
Comments Under Review
Agentic AI Enhances Physician Trust in Clinical Decision Making
智能体AI增强医生在临床决策中的信任
机构 * Department of Computer Science and Engineering, Lehigh University（里海大学计算机科学与工程系） ； Department of Epidemiology, Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院流行病学系） ； Department of Medicine, Division of Cardiology, University of Florida（佛罗里达大学医学院心脏病学系） ； McGovern Medical School, University of Texas Health Science Center at Houston（德克萨斯大学休斯顿健康科学中心麦戈文医学院） ； Department of Radiology, Massachusetts General Hospital and Harvard Medical School（麻省总医院和哈佛医学院放射学系） ； McWilliams School of Biomedical Informatics, University of Texas Health Science Center at Houston（德克萨斯大学休斯顿健康科学中心麦克威廉姆斯生物医学信息学院） ； Department of Health Outcomes & Biomedical Informatics, College of Medicine, University of Florida（佛罗里达大学医学院健康结果与生物医学信息学系）
AI总结 研究通过医生评估多模态临床病例，发现智能体AI相比非智能体基线显著提升医生的认知和行为信任，尤其在治疗规划任务中，但存在对错误输出的过度依赖。
Comments Accepted by AMIA 2026 Annual Symposium
How Post-Training Shapes Biological Reasoning Models
后训练如何塑造生物学推理模型
机构 * Harvard University（哈佛大学） ； Google DeepMind（谷歌DeepMind） ； Google Research（谷歌研究院）
AI总结 研究后训练各阶段（CPT、SFT、RL）对生物学推理模型领域内和领域外性能的影响，发现SFT提升领域内性能但损害泛化，RL可部分恢复泛化，最佳策略是短SFT加长RL。
Vision-Default, Prior-Override: Causal Mechanisms of Perception-Knowledge Conflict in Vision-Language Models
视觉默认，先验覆盖：视觉-语言模型中感知-知识冲突的因果机制
机构 * University of Tübingen（图宾根大学） ； Harvard University（哈佛大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 通过激活修补和消融实验，发现VLM中视觉默认激活，而先验知识依赖少量因果注意力头（2.5-4.8%），形成不对称因果结构。
Comments 14 pages, 11 figures, 8 tables
Language-Based Digital Twins for Elderly Cognitive Assistance
基于语言的数字孪生用于老年人认知辅助
机构 * Ritchie School of Engineering and Computer Science, University of Denver（丹佛大学里奇工程与计算机科学学院） ； Department of Neurology, Massachusetts General Hospital, Harvard Medical School（哈佛医学院麻省总医院神经内科）
AI总结 提出基于大语言模型的数字孪生框架，通过风格测量和上下文元数据模拟老年人对话行为，并引入多条件变分自编码器评估保真度和认知一致性，实现非侵入式认知健康监测。
Comments Accepted and published in the Proceedings of the ACM International Conference on PErvasive Technologies Related to Assistive Environments (PETRA 2026). The final published version is available through the ACM Digital Library
Tractography-Driven Synthetic Data Generation for Fiber Bundle Segmentation in Tracer Histology
基于纤维束成像的示踪组织学纤维束分割合成数据生成
机构 * Athinoula A. Martinos Center for Biomedical Imaging, Massachusetts General Hospital and Harvard Medical School（马萨诸塞总医院和哈佛医学院 Athinoula A. Martinos 生物医学影像中心） ； Krea University（Krea 大学） ； Department of Experimental Psychology, University College London（伦敦大学学院实验心理学系） ； Universidad Nacional Mayor de San Marcos（国立圣马科斯大学） ； Department of Pharmacology and Physiology, University of Rochester School of Medicine（罗切斯特大学医学院药理学与生理学系） ； McLean Hospital（麦克莱恩医院）
AI总结 提出利用离体dMRI纤维束成像作为生成先验合成2D图像块，结合真实背景和域随机化训练U-Net，实现猕猴示踪组织学中纤维束的自动分割，在减少3倍标注数据下达到与现有方法相当的性能。
Comments MICCAI 2026
MPC-Injection: Biasing Off-Policy Locomotion RL Toward Controller-Induced Behavior Basins
MPC-Injection: 将离线运动学RL偏向控制器诱导的行为盆地
机构 * Dartmouth College（达特茅斯学院） ； Harvard University（哈佛大学）
AI总结 提出MPC-Injection方法，通过将模型预测控制器的轨迹注入回放缓冲区，引导强化学习策略学习期望步态，无需奖励塑形或对抗模仿学习，在仿真和真实机器人上验证有效性。
Comments 22 pages, 10 figures
Thinking Like a Scientist? A Structural Study of LLM-Generated Research Methods
像科学家一样思考？LLM生成研究方法的结构性研究
机构 * Data Analytics Lab, Vrije Universiteit Brussel（布鲁塞尔自由大学数据分析实验室） ； imec-SMIT, Vrije Universiteit Brussel（布鲁塞尔自由大学imec-SMIT） ； School of Engineering and Applied Sciences, Harvard University（哈佛大学工程与应用科学学院）
AI总结 通过对比LLM在最小提示下生成的方法建议与论文实际方法，发现LLM在模型选择上存在显著偏差，且方法多样性大幅缩减。
Comments 46 pages, 13 figures, 18 tables
MetaboNet-Bench: A Multi-modal Benchmark for Glucose Forecasting in Type 1 Diabetes
MetaboNet-Bench：1型糖尿病血糖预测的多模态基准
机构 * Department of Genetics, Stanford University School of Medicine（斯坦福大学医学院遗传学系） ； Replica Health ； Boston Children’s Hospital, Harvard Medical School（哈佛医学院波士顿儿童医院） ； Diabetes Research Institute, Mills-Peninsula Medical Center（米尔斯半岛医学中心糖尿病研究所）
AI总结 针对1型糖尿病血糖预测算法缺乏标准化评估基准的问题，提出MetaboNet-Bench多模态基准，集成血糖、胰岛素和碳水化合物数据，通过多个模型对比验证多模态数据对模型性能的影响。
Comments main content in 10 pages with 5 figures; supplementary section with 11 more pages and 5 more figures. v2: fix figure 4 and 5's misordering
Structuring Sparsity: Block-Sparse Featurizers Capture Visual Concept Manifolds
结构化稀疏：块稀疏特征化器捕获视觉概念流形
机构 * Goodfire ； Harvard University（哈佛大学） ； Stanford University（斯坦福大学） ； Brown University（布朗大学）
AI总结 提出块稀疏特征化器（BSF）来建模视觉概念流形，通过最小描述长度分析证明其比方向基特征化器更紧凑，并应用于解释曲线检测、发现新流形及控制图像生成。
Natural Ungrokking: Asymmetric Control of Which Rules Survive Pretraining
自然去突现：不对称控制哪些规则在预训练中幸存
机构 * Harvard University（哈佛大学）
AI总结 发现语言模型在预训练中学习规则后会自动遗忘，规则存亡由训练数据中支持频率决定，且遗忘不可逆。
Comments Foundations of Deep Generative Models (FoGen) Workshop at ICML 2026. 23 pages (5-page main text plus appendices), 5 figures. Code: https://github.com/lijuliana/Natural-Ungrokking
OpenThoughts-Agent: Data Recipes for Agentic Models
OpenThoughts-Agent: 智能体模型的数据配方
机构 * UC Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； JSC（于利希超级计算中心） ； LAION ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Bespoke Labs ； Laude Institute ； UCLA（加州大学洛杉矶分校） ； Harvard University & Harvard Medical School（哈佛大学与哈佛医学院） ； TU Munich & Munich Center for Machine Learning（慕尼黑工业大学与慕尼黑机器学习中心） ； New York University（纽约大学） ； Medical University of South Carolina（南卡罗来纳医科大学） ； The LLM Data Company ； BenchFlow ； Independent Researcher（独立研究员） ； Northeastern University（东北大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of Washington（华盛顿大学） ； TU Darmstadt（达姆施塔特工业大学） ； University of Southern California（南加州大学） ； UC San Diego（加州大学圣地亚哥分校） ； Amazon（亚马逊） ； Microsoft（微软） ； Korea University（高丽大学） ； Cornell Tech（康奈尔科技） ； University of Michigan（密歇根大学）
AI总结 提出全开放数据筛选流水线，通过100多次消融实验研究任务来源与多样性，构建10万样本训练集，在7个智能体基准上平均44.8%准确率，较最强开源模型提升3.9个百分点。
Data Augmentation: A Fourier Analysis Perspective
数据增强：傅里叶分析视角
机构 * Harvard John A. Paulson School of Engineering and Applied Sciences, Harvard University（哈佛大学约翰·A·保尔森工程与应用科学学院） ； Technical University of Munich (CIT, MCML, MDSI) and MIT Computer Science and Artificial Intelligence Laboratory (CSAIL)（慕尼黑工业大学（CIT、MCML、MDSI）和麻省理工学院计算机科学与人工智能实验室（CSAIL））
AI总结 通过傅里叶分析和有限群表示论，研究部分数据增强能否达到与完全增强相同的统计收益，证明在广泛学习问题中部分增强可达到极小极大最优率，并给出精确不变性需要全群平均的不可行性结果。
Comments 42 pages, 1 figure. Published at COLT 2026
Journal ref Conference on Learning Theory (COLT) 2026
Predicting Poets' Origins from Verse: A Computational Analysis of Regional Linguistic Fingerprints in the Complete Tang Poems
从诗句预测诗人籍贯：全唐诗中地域语言指纹的计算分析
机构 * Harvard University（哈佛大学） ； University of Washington（华盛顿大学）
AI总结 通过全唐诗和CBDB数据，使用字符n-gram TF-IDF和领域特征，以多类分类预测诗人籍贯，发现语言距离随地理距离衰减、南北可分性随时间变化等历史意义。
Closing the Loop: Formally Verified Law as a Reward Signal for Self-Improving Legal AI
闭环：形式化验证的法律作为自我改进法律AI的奖励信号
机构 * Harvard University（哈佛大学） ； Columbia University（哥伦比亚大学）
AI总结 提出一种架构，通过LLM驱动的形式化转换和验证内核，为法律AI提供可验证的奖励信号，实现闭环强化学习，并在多个法律领域展示其优势。
Comments 14 pages, no figures
Scaling up fine-grained intracranial vessel annotations in computed tomography angiography
在计算机断层扫描血管造影中扩展精细颅内血管标注
机构 * Brigham and Women’s Hospital Harvard Medical School（哈佛医学院布莱尔妇女医院） ； Khoury College of Computer Sciences Northeastern University（东北大学计算机科学学院） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； Dana-Farber Cancer Institute Harvard Medical School（哈佛医学院丹娜-法伯癌症研究院）
AI总结 提出SemanticVessel数据集，利用4D-CTA动态扫描生成动静脉分割，通过强度引导区域生长标注20种动脉类别，并复用标签扩展数据集，训练模型提升精细分割性能。
Comments 24 pages, 8 figures
Position: Correct Answer, Wrong Mechanism -- When AI Scientists Defend General Claims Their Own Data Contradicts
立场：正确答案，错误机制——当AI科学家用自身数据反驳其通用主张时
机构 * Department of Physics and Laboratory for Particle Physics and Cosmology (LPPC), Harvard University（哈佛大学物理系与粒子物理与宇宙学实验室（LPPC））
AI总结 本文通过编码代理在Geant4模拟中重新发现已知粒子识别可观测量的实验，指出仅以最终结果评估AI科学家系统不足，提出需分别衡量任务结果、机制保真度和认知诚实性，并发现正确答案但错误机制（CAWM）现象。
Comments 8 pages body plus 12 pages references and appendix, non-archival upload for ICML 2026 AI for Science workshop, selected as spotlight paper
GRAIN: Group Aggregation via Min-Norm Objective
GRAIN: 通过最小范数目标进行组聚合
机构 * New Jersey Institute of Technology（新泽西理工学院） ； Boston Children’s Hospital（波士顿儿童医院） ； Harvard Medical School（哈佛医学院）
AI总结 提出GRAIN算法，用组梯度的最小范数凸组合替代均值聚合，解决梯度冲突，保证收敛并降低方差，在大型预训练模型上提升性能。
