高校专区
LLM Review: 通过盲审同行反馈增强创造性写作
机构 * Harvard University（哈佛大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Stanford University（斯坦福大学）
AI总结 LLM Review通过盲审同行反馈机制提升创造性写作，实验显示其优于多智能体基线，并使小模型超越大模型。
PathoSyn: 通过解耦偏差扩散实现影像-病理MRI合成
机构 * Department of Radiology, Boston Children’s Hospital, Harvard Medical School（放射科，波士顿儿童医院，哈佛医学院） ； College of Science, Northeastern University（科学学院，东北大学） ； School of Medicine, Yale University（医学院，耶鲁大学） ； Department of Cardiac Surgery, The Second Affiliated Hospital of Jiangxi Medical College, Nanchang University（心脏外科科，江西医学院第二附属医院，南昌大学） ； College of Computing and Data Science, Nanyang Technological University（计算与数据科学学院，南洋理工大学）
AI总结 PathoSyn通过解耦偏差扩散模型生成高保真MRI合成数据，提升低数据环境下诊断算法的鲁棒性。
全球对流层云和热带气旋的三维重建
机构 * University of Oxford（牛津大学） ； Universitat de València（瓦伦西亚大学） ； National Observatory of Athens（雅典国家天文台） ； National Technical University of Athens（雅典技术大学） ； Harvard Medical School（哈佛医学院） ； Massachusetts General Hospital（麻省总医院） ； European Space Agency（欧洲航天局） ； Environment and Climate Change Canada（加拿大环境与气候变化部）
AI总结 本文提出一种基于预训练-微调的框架，利用多颗卫星数据实现全球范围内热带气旋的三维云重建，首次实现对强风暴的高精度三维结构重建。
DeKeyNLU：通过任务分解和关键词提取增强自然语言到SQL生成
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； HSBC（汇丰银行） ； South China University of Technology（华南理工大学） ； Harvard University（哈佛大学） ； Chicago University（芝加哥大学）
AI总结 DeKeyNLU通过任务分解和关键词提取提升NL2SQL生成精度，提出DeKeySQL流程并验证其在BIRD和Spider数据集上的有效性。
ClimateIQA: 一种新的数据集和基准，以推进气象异常分析中的视觉-语言模型
机构 * Thrust of Artificial Intelligence, The Hong Kong University of Science and Technology (Guangzhou)（人工智能研究所，香港科学与技术大学（广州）） ； Thrust of Data Science and Analytics, The Hong Kong University of Science and Technology (Guangzhou)（数据科学与分析研究所，香港科学与技术大学（广州）） ； Harvard University（哈佛大学） ； Peking University（北京大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
AI总结 ClimateIQA通过引入SPOT算法和新型数据集，提升视觉-语言模型在气象异常分析中的准确性和表现。
在系统日志严重性分类上评估小型语言模型和小型推理语言模型
机构 * George Mason University（乔治·马歇尔大学） ； Harvard University（哈佛大学）
AI总结 本研究评估了小型语言模型和小型推理语言模型在系统日志严重性分类上的性能，发现架构设计、训练目标和上下文整合能力共同影响模型表现。
Comments 28 pages, 5 figures, 7 tables
证明时间：评估科学思想判断的基准
机构 * Harvard University（哈佛大学） ； Mass General Brigham（麻省总医院） ； Boston Children’s Hospital（波士顿儿童医院） ； Brandeis University（布兰迪大学） ； Yale University（耶鲁大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 PoT通过半可验证的基准框架评估科学思想判断，利用时间分区和未来可验证的目标，结合离线沙盒实现可扩展的评估。
Comments under review
快速多栈切片到体积重建 via 多尺度展开优化
机构 * MIT（麻省理工学院） ； Harvard Medical School（哈佛医学院）
AI总结 本文提出了一种快速多栈切片到体积重建框架，通过多尺度展开优化实现高效3D结构恢复与切片对齐，适用于胎儿脑部MRI等医学影像重建任务。
USFetal: 用于胎儿脑超声成像的复合工具
机构 * A. I. Virtanen Institute for Molecular Sciences, Faculty of Health Sciences, University of Eastern Finland（A.I.维塔内恩分子科学研究所，健康科学学院，东芬兰大学） ； Munich Center for Machine Learning (MCML) at the Technical University of Munich（慕尼黑技术大学机器学习中心（MCML）） ； Department of Radiology, Massachusetts General Hospital（麻省总医院放射科） ； Harvard Medical School and Boston Children’s Hospital（哈佛医学院和波士顿儿童医院）
AI总结 USFetal提出用于胎儿脑超声复合的系统分类和方法，涵盖经典与现代技术，并引入自监督和无监督深度学习方法，提供工具箱支持研究与评估。
是否会合并？关于模型合并性的原因
机构 * Technion - Israel Institute of Technology（技术ion-以色列理工学院） ； IBM Research AI（IBM人工智能研究部） ； MIT（麻省理工学院） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室） ； Hebrew University of Jerusalem（耶路撒冷希伯来大学） ； Kempner Institute, Harvard University（哈弗大学凯普纳研究所）
AI总结 本文研究了模型合并性的原因，提出了一种可测量的定义，并提出了一种加权合并技术以保留基础模型的知识。
离线大语言模型如何通过链式推理解析质谱中的分子结构？
机构 * Stony Brook University（石溪大学） ； Stanford University（斯坦福大学） ； Harvard Medical School（哈佛医学院）
AI总结 本研究评估了离线大语言模型通过链式推理解析质谱数据的能力，发现其在化学准确性上存在局限。
让我思考！一个长的推理链可能比许多短的链多出指数倍
机构 * UC San Diego（UC圣地亚哥大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Harvard University（哈佛大学）
AI总结 本文探讨了推理链扩展策略，证明在特定图连通性问题中顺序扩展比并行扩展更有效。
Comments Published at NeurIPS 2025
mHC-lite: 你不需要20次Sinkhorn-Knopp迭代
机构 * CSE, University of Michigan, Ann Arbor, USA（计算机科学与工程系，密歇根大学，安娜堡，美国） ； CCDS, Nanyang Technological University, Singapore（计算机科学与数据科学系，南洋理工大学，新加坡） ； CBS-NTT Physics of Intelligence Program, Harvard University, Cambridge, USA（哈佛大学剑桥分校人工智能物理计划） ； Physics of Artificial Intelligence Group, NTT Research Inc, USA（人工智能物理研究组，NTT研究公司，美国）
AI总结 mHC-lite通过构造双随机矩阵消除残差不稳定性，实现更高训练吞吐量。
用于视觉变换器的双正交因子分解
机构 * Dept. of Psychology, Harvard University（哈佛大学心理学系） ； Kempner Institute, Harvard University（哈佛大学凯普纳研究所）
AI总结 本文提出双正交因子分解方法，揭示视觉变换器中令牌交互的机制，发现注意力主要通过内容进行，DINOv2在内容-位置耦合上表现更优。
神经算法推理用于近似k-着色的递归预热启动
机构 * Stanford University（斯坦福大学） ； Harvard University（哈佛大学）
AI总结 本文提出利用图神经网络和递归预热启动方法改进近似k-着色，通过优化算法和局部搜索算法提升着色效率。
Comments 33 pages, 10 figures
计算自组织的Minary原始形式
机构 * Department of Mathematics, Harvard University, Cambridge, MA 02138, USA（哈佛大学数学系）
AI总结 Minary是一种计算框架，通过线性叠加处理随机事件，证明其收敛于唯一平稳分布，并揭示共识依赖于能力结构而非原始输入信号。
Comments 21 pages, 2 figures
量子计算辅助药物发现
机构 * Rensselaer Polytechnic Institute（拉特格斯理工大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Pittsburgh（匹兹堡大学） ； University of Chicago（芝加哥大学） ； Novo Nordisk A/S（诺和制药） ； Harvard University（哈佛大学）
AI总结 本文提出利用量子计算加速药物发现过程，通过分子模拟、药物-靶点相互作用预测和优化临床试验来提升效率和降低成本。
Comments 23 pages, 4 figures
Journal ref NPJ Drug Discov. 3, 1 (2026)
评分尺度对LLM作为裁判的影响：人类与LLM的对齐在0-5评分尺度上最高
机构 * Harvard University（哈佛大学） ； CMU（卡内基梅隆大学） ； Stanford University（斯坦福大学） ； UC San Diego（圣地亚哥大学）
AI总结 本文研究了评分尺度对LLM作为裁判一致性的影响，发现0-5评分尺度在人类与LLM之间产生最强的一致性。
Learn2Reg 2024：新基准数据集推动新挑战的进步
机构 * EchoScout GmbH ； Institute of Medical Informatics（医学信息学研究所） ； Institute of Applied Medical Informatics（应用医学信息学研究所） ； Institute of Computational Neuroscience（计算神经科学研究所） ； School of Artificial Intelligence and Robotics（人工智能与机器人学院） ； Cornell University（康奈尔大学） ； University of Electronic Science and Technology of China（电子科技大学） ； Mechanical Engineering Department（机械工程系） ； Harvard Medical School（哈佛医学院） ； Technical University of Munich（慕尼黑技术大学） ； Aalto University（阿德莱德大学） ； Canon Medical Systems (China) Co., Ltd.（佳能医疗系统（中国）有限公司） ； Smart Medical Imaging, Learning and Engineering (SMLE) Lab（智能医学影像、学习和工程实验室） ； School of Information Science and Engineering（信息科学与工程学院） ； Department of Imaging Physics（影像物理系） ； Clinical Computational Medical Imaging Research（临床计算医学成像研究） ； TUM Klinikum Rechts der Isar（慕尼黑工业大学医院） ； University of California（加州大学） ； AGH University of Krakow（克拉科夫应用科学大学）
AI总结 Learn2Reg 2024通过引入新任务和数据集，推动医学图像配准领域在模态多样性和任务复杂性方面的进展。
Comments Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org/2025:034
Journal ref Machine.Learning.for.Biomedical.Imaging. 3 (2025)
拓扑无关的加权平均在异构去中心化学习中对抗标签污染攻击的鲁棒性
机构 * School of Computer Science and Engineering, Sun Yat-Sen University（中山大学计算机科学与工程学院） ； School of Engineering and Applied Science, Harvard University（哈佛大学工程与应用科学学院） ； Department of Electrical and Electronic Engineering, Imperial College London（伦敦帝国理工学院电子与电气工程系）
AI总结 本文研究了在异构去中心化学习中，加权平均聚合器在标签污染攻击下的鲁棒性，发现其在特定网络拓扑条件下可优于鲁棒聚合器。
通过神经流形噪声相关性进行信用分配
机构 * Howard Hughes Medical Institute（霍华德·休斯医学研究所） ； Department of Neurobiology, Harvard Medical School（哈佛医学院神经生物学系） ； 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所在）
AI总结 本研究提出神经流形噪声相关性方法，通过限制扰动到神经流形上提升信用分配性能，改进了传统噪声相关性在卷积网络和递归网络中的表现，并揭示了生物视觉系统更接近NMNC的表示特性。
面向心血管图像分割的不确定性感知泛化框架
机构 * University at Albany, State University of New York（纽约州立大学阿尔巴尼分校） ； Purdue University（普渡大学） ； Harvard Medical School（哈佛医学院） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 本文提出UU-Mamba模型，通过引入Sharpness-Aware Minimization和不确定性感知损失函数，提升心血管图像分割的泛化能力和鲁棒性。
LABOR-LLM：基于语言的职业表示与大语言模型
机构 * Institute for Computational and Mathematical Engineering（计算与数学工程研究所） ； Stanford University（斯坦福大学） ； Graduate School of Business（商学院） ； Harvard Data Science Initiative（哈佛大学数据科学倡议） ； Harvard University（哈佛大学）
AI总结 LABOR-LLM通过大语言模型微调，利用职业历史预测下一个职业，展现优于传统模型的预测性能。
评估可回收性中的情境智能：图像推理系统的全面研究
机构 * Harvard College（哈佛学院） ； Stanford University（斯坦福大学） ； Department of Biomedical Informatics（生物医学信息学系） ； Harvard Medical School（哈佛医学院）
AI总结 本研究利用先进视觉-语言模型评估物品可回收性，探讨其在不同场景下的表现，揭示模型在情境理解上的进展与不足。
Comments x
AnomalyCLIP：面向零样本异常检测的对象无关提示学习
机构 * Zhejiang University（浙江大学） ； Singapore Management University（新加坡管理学院） ； Harvard University（哈佛大学）
AI总结 AnomalyCLIP通过学习对象无关的文本提示，实现跨不同领域的零样本异常检测，提升异常识别的泛化能力。
Comments Accepted by ICLR 2024
基于运动学的微血管吻合手术动作评估
机构 * Children’s National Hospital（儿童医院） ； Brigham and Women’s Hospital（布莱尔妇女医院） ； Harvard Medical School（哈佛医学院）
AI总结 本文提出了一种基于AI的自动化框架，用于评估微血管吻合术中的动作分割和性能，通过边缘计算平台实现高效、客观的手术技能评估。
在噪声下子模函数最大化的一种统一方法
机构 * Google Mountain View, CA（谷歌山景城） ； Yale University（耶鲁大学） ； Harvard University（哈佛大学）
AI总结 本文提出了一种统一方法，在噪声环境下实现子模函数最大化，通过 meta 算法将稳健算法转换为噪声环境下的算法，获得不同约束下的近似结果。
Comments Accepted by NeurIPS 2025
最大熵强化学习与流匹配及LQR问题的案例研究
机构 * School of Engineering and Applied Sciences, Harvard University（哈佛大学工程与应用科学学院） ； Harvard University（哈佛大学） ； College of Computing, Georgia Institute of Technology（佐治亚理工学院计算机学院）
AI总结 本文提出了一种基于流模型的SAC变体，通过重要性采样流匹配技术提升策略更新效率，并在LQR问题中验证了其学习最优动作分布的能力。
三维形状生成中的记忆现象：一项实证研究
机构 * Princeton University（普林斯顿大学） ； Harvard University（哈佛大学）
AI总结 本文通过实证研究探讨了3D生成模型中记忆现象的影响因素，并提出减少记忆的策略以提升生成多样性。
痕迹推理：通过压缩信标实现的内存高效推理
机构 * Cornell University（康奈尔大学） ； Harvard University（哈佛大学）
AI总结 本研究提出通过压缩信标实现内存高效推理，利用联合蒸馏和强化学习框架优化缓存压缩，提升大语言模型在长上下文推理中的内存与准确性平衡。
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