高校专区
嵌入器的困境：大型语言模型（LLM）性能更优，但代价是什么？
机构 * Harvard University（哈佛大学） ； Stanford University（斯坦福大学）
AI总结 该研究对比LLM与嵌入模型在37项任务的性能与成本，发现二者性能接近但LLM成本高、速度慢，建议嵌入模型用于通用任务，LLM用于推理密集型检索。
Comments Accepted to COLM 2026
面向资源受限农村地区多模态临床筛查的云边协同系统
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）
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)
小型语言模型（SLM）的可信性基准测试：预训练模型与压缩模型的对比
机构 * Institute of Automation, CAS（中国科学院自动化研究所） ； Tsinghua University（清华大学） ； Harvard Medical School（哈佛医学院） ； City University of Hong Kong（香港城市大学）
AI总结 本研究评估SLM的可信性，发现量化压缩预训练模型比剪枝更能保留可信性，且量化压缩可靠大模型得到的SLM比从头训练的小型模型更优，知识蒸馏可进一步提升其可靠性。
Comments Published in IJCNN 2026
UniMod：通过跨模态与模态内对齐增强多模态医学诊断
机构 * University of Central Florida（中佛罗里达大学） ； University of Rochester（罗切斯特大学） ； Harvard Medical School（哈佛医学院） ； University of Virginia（弗吉尼亚大学）
AI总结 UniMod框架通过要求各模态独立预测诊断缓解多模态医学诊断的捷径学习，添加跨模态与模态内对齐，在两个数据集上优于基线方法，还可扩展至多标签5分类诊断。
Comments Accepted to ACM Multimedia 2026 (MM '26). 10 pages, 7 figures, 5 tables. Code: https://github.com/futurespyhi/UniMod
思路搜索：用思路引导树搜索以探索多样化的科学方法
机构 * California Institute of Technology（加州理工学院） ； Google Research（谷歌研究院） ； Harvard University（哈佛大学）
AI总结 该研究针对树搜索在科学方法探索中易陷局部最优的问题，提出Idea Search框架，通过整合动态思路库优化树搜索，在scRNA-seq批次整合任务上提升了性能。
UniMoMo：基于专家合并的大推荐模型混合专家（MoE）加速方法
机构 * Kuaishou Technology（快手科技） ； Hohai University（河海大学） ； Wuhan University（武汉大学） ； ByteDance, Seed（字节跳动 Seed） ； Alibaba, Ant Group（阿里巴巴蚂蚁集团） ； ByteDance, Douyin（字节跳动抖音） ； The University of Hong Kong（香港大学） ； Harvard University（哈佛大学）
AI总结 UniMoMo是一种后训练压缩框架，通过功能相似性合并MoE专家并引入层自适应保护，在Amazon Beauty等三个数据集上实现推荐MoE的高效压缩与加速，且性能损失极小。
Comments Preprint
学习物理交互：触觉与力感知机器人学习综述
机构 * Nanyang Technological University（南洋理工大学） ； Stanford University（斯坦福大学） ； University of California, Berkeley（加利福尼亚大学伯克利分校） ； Massachusetts Institute of Technology（麻省理工学院） ； National University of Singapore（新加坡国立大学） ； Georgia Institute of Technology（佐治亚理工学院） ； The University of Tokyo（东京大学） ； ETH Zurich（苏黎世联邦理工学院） ； Harvard University（哈佛大学） ； Imperial College London（伦敦帝国学院） ； KTH Royal Institute of Technology（瑞典皇家理工学院） ； Technical University of Darmstadt（达姆施塔特工业大学）
AI总结 本综述针对力与触觉感知机器人学习研究的空白，提出TF-ART分类法，整合多模态感知与多阶段系统设计视角，兼具算法与实践意义。
Comments 53 pages, 7 figures
用于动力系统辨识的自适应对称性发现
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、哈佛大学）
AI总结 本研究针对未知对称群等变的动力系统，提出自适应对称性发现方法，可从更短单条轨迹辨识系统，性能与已知对称性方法相当，分析依托群表示论与凯莱图性质。
Comments 38 pages, 1 figure. Published at ICML 2026
Journal ref International Conference on Machine Learning (ICML) 2026
基于rs-fMRI的儿童头痛分类的基础模型方法
机构 * Boston Children’s Hospital（波士顿儿童医院） ； Harvard Medical School（哈佛医学院）
AI总结 本研究采用基础模型NeuroSTORM对rs-fMRI数据编码微调，在189次扫描的儿童数据中，其头痛分类性能优于FC矩阵模型，可区分慢性偏头痛，为儿童头痛预测提供了概念验证。
Comments 22 pages, 6 figures. In Proceedings of Machine Learning Research, Volume 340, 2026 (Machine Learning for Healthcare Conference)
将线性注意力改造融入扩散语言模型
机构 * Apple（苹果公司） ； Google DeepMind（谷歌DeepMind） ； Harvard University（哈佛大学） ； MIT（麻省理工学院）
AI总结 本文提出分块混合注意力，将其融入预训练dLLM LLaDA~2.1得到LLaDA-Hybrid，在保持基准性能的同时提升解码吞吐量与并发请求支持能力。
ARGUS：利用大规模3D视觉模型在视角变化下对齐机器人场景几何结构
机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Harvard University（哈佛大学）
AI总结 本研究提出ARGUS，一种利用大规模3D视觉模型对齐机器人场景几何结构的观测预处理流水线，可提升机器人操纵策略在视角多样化场景下的性能与学习效率。
Comments Project webpage: https://rsathua.github.io/ARGUS/
DelusionEval：评估AI聊天机器人中与妄想相关的行为
机构 * Stanford University（斯坦福大学） ； University of Chicago（芝加哥大学） ； Carnegie Mellon University（卡内基梅隆大学） ； 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 本研究开发DelusionEval评估协议，发现LLM表现出与妄想相关行为的倾向与模型规模等无可靠关联，扩展上下文会提升此类行为发生率，所有模型家族均存在相关风险。
基于肘部法的MoE路由：一种用于专家选择的无需训练的推理时插件
机构 * 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） ； Department of Mathematics, Harvard University（哈佛大学数学系）
AI总结 该研究提出无需训练的肘部法MoE推理时路由插件，动态调整每个token的专家数量，保持专家负载均衡，在六个基准测试中以5.3%的平均延迟降低量维持MoE模型准确率。
大声还是沉默？一种用于多模态临床AI中模态级失败分析的可复用框架
机构 * Massachusetts Institute of Technology（麻省理工学院） ； American International School Vienna（维也纳美国国际学校） ； Neuqua Valley High School（纽夸谷高中） ； North Hollywood High School（北好莱坞高中） ； Hopewell Valley Central High School（霍普韦尔谷中央高中） ； University of California, Berkeley（加州大学伯克利分校） ； Siriraj Hospital（诗里拉吉医院） ； Harvard University（哈佛大学） ； Agency for Science, Technology and Research（新加坡科技研究局） ； Johns Hopkins University（约翰斯·霍普金斯大学） ； University of Geneva（日内瓦大学） ； Poznan University of Technology（波兹南理工大学）
AI总结 该研究提出一种模型无关的多模态临床AI模态级失败分析框架，可复用且仅用部署可观测信号，经植入真实值和MIMIC-IV队列验证，能定位失败模态、区分失败类型，为心脏基础模型部署提供参考。
CurveShift：智能体的进展是标量吗？区分水平与形态
机构 * University of Southern California（南加利福尼亚大学） ； University of Chicago（芝加哥大学） ； University of California, Berkeley（加利福尼亚大学伯克利分校） ； Massachusetts Institute of Technology（麻省理工学院） ； Stanford University（斯坦福大学） ； University of California, Davis（加利福尼亚大学戴维斯分校） ； Pennsylvania State University（宾夕法尼亚州立大学） ； Harvard University（哈佛大学） ； University of Oxford（牛津大学）
AI总结 该研究针对大型语言模型进展的标量总结问题，通过LiveCodeBench基准分离混淆，发现2024年9月后发布的模型在竞赛编程难任务上有超出预期的增益，发布了相关数据集与代码。
Comments 25 pages, 4 figures, 7 tables. Data and code: https://github.com/harvenstar/CurveShift
适用于恰当损失的交换不可知学习的快速收敛速率
机构 * Harvard University（哈佛大学）
AI总结 本文针对恰当损失的交换不可知学习，提出了联合控制预测水平比较的方法，得到了紧的快速收敛速率，优于现有结果，核心是将该学习归约为二阶多校准问题。
现实世界临床护理中的推理：为何大型语言模型（LLM）尚不适合自主临床决策支持
机构 * Atman Labs（阿特曼实验室） ； Oxford University Hospitals（牛津大学医院） ； University of Oxford（牛津大学） ； NIHR Oxford Biomedical Research Centre（英国国立卫生研究院牛津生物医学研究中心） ； Imperial College London（伦敦帝国理工学院） ； Technical University of Munich（慕尼黑工业大学） ； Massachusetts General Hospital（麻省总医院） ； Mass General Brigham（麻省总医院布里格姆医疗系统） ； Harvard Medical School（哈佛医学院） ； Barts Health NHS Trust（巴特保健国民保健信托基金会） ； the University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文指出，尽管LLM在医学考试和部分病例推理上表现出色，但因存在信息收集缺陷等问题，尚不适合用于无医生参与的自主临床分诊。
Comments 3 figures
世界动作规划器：基于动作条件世界模型的通用决策方法
机构 * Harvard University（哈佛大学）
AI总结 本研究提出World Action Planner机器人规划系统，结合VLMs与多任务位姿图像条件世界模型，可迭代优化动作规划，在组合任务、新布局等场景中泛化性能优于VLAs、WAMs等端到端策略模型。
Comments Project page at worldactionplanner.github.io
小训练，大部署：通过几何重归一化实现零样本GNN迁移
机构 * TU Delft（代尔夫特理工大学） ； University of Seville（塞维利亚大学） ； University of Barcelona（巴塞罗那大学） ； Harvard University（哈佛大学） ； ICREA（加泰罗尼亚研究与高级研究院）
AI总结 该研究提出零样本迁移协议，通过几何重归一化缩小图训练GNN，可直接将权重迁移到全分辨率图，保留预测性能并降低训练成本，为尺度等变图架构提供了方向。
CT基础模型的解剖学上下文适配
机构 * Harvard Medical School（哈佛医学院） ； Dana-Farber Cancer Institute（达纳-法伯癌症研究所） ； Massachusetts General Hospital（麻省总医院） ； Brigham and Women’s Hospital（布里格姆妇女医院）
AI总结 本研究提出轻量框架ACA，适配冻结CT基础模型实现解剖学级视觉-语言对齐，在Merlin、CT-RATE数据集上零样本发现分类性能优于基线，训练耗时短且可保留增强全局解剖学上下文。
Comments Accepted to the European Conference on Computer Vision (ECCV) 2026 MedFM-Bench Workshop
从Token到瓦时：现代GPU上大语言模型（LLM）推理的分析式能耗估算
机构 * National Technical University of Athens（雅典国家技术大学） ； Harvard University（哈佛大学） ； TWT GmbH Science & Innovation（TWT有限责任公司科学与创新部） ； NIKI Ltd Digital Engineering（尼基数字工程有限公司） ； University of Ioannina（约阿尼纳大学） ； National and Kapodistrian University of Athens（雅典国立卡波迪斯特里亚大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 该研究提出一种无需直接测量的GPU级LLM推理能耗分析估算方法，适用于模型比较、绿色编码分析及设计时评估。
Comments 20 pages, 3 figures, 6 tables. Accepted for oral presentation at the GREEN-AI Workshop, co-located with ECML-PKDD 2026
弥合计算最优和数据最优预训练之间的差距
机构 * Harvard University（哈佛大学） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
AI总结 研究针对计算增长快于高质量数据可用性的问题，提出计算-数据（CD）缩放定律框架，通过引入令牌有效性函数η拟合数据扩展策略，划分训练操作模式，指出经典计算最优分配在多数实际设置下次优。
物理信息神经网络的变分提升
机构 * Harvard University（哈佛大学）
AI总结 研究针对物理信息神经网络求解微分方程存在的问题，提出变分提升框架，通过构建加法解、训练弱学习者满足局部正交性条件，实现全局非线性细化分离为条件良好子问题，提供几何解释并实现稳定二阶优化。
用于预测一氧化二氮通量的物理信息神经网络
机构 * Harvard University（哈佛大学） ； University of Tennessee（田纳西大学）
AI总结 研究针对一氧化二氮通量预测，利用基于DayCent模型的机理方程构建物理残差，通过在多站点农业数据集上训练基于MLP的PINN，发现PINN性能优于未校准的Cycles模拟，物理约束可提升模型性能及降低变异性，但跨站点泛化存挑战。
Comments 28 pages, 7 figures
基于功能磁共振成像的人类视觉感知实时重建
机构 * Princeton University（普林斯顿大学） ； Dartmouth College（达特茅斯学院） ； Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院） ； Harvard University（哈佛大学） ； University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Medical AI Research Center (MedARC)（医学人工智能研究中心）
AI总结 该研究基于fMRI的实时闭环神经反馈分析方法落后，提出实时兼容的先进管道改编版，利用RT-Cloud平台实时扫描解码视觉感知，通过模拟分析记录性能变化因素，证明实时部署强大解码管道可行，为脑机接口应用铺路。
DAMamba-UNet3D：一种用于3D医学图像分割的参数高效的Mamba状态空间U-Net，采用动态自适应扫描
机构 * Boston Children’s Hospital（波士顿儿童医院） ； Harvard Medical School（哈佛医学院）
AI总结 该研究针对3D医学图像分割，提出DAMamba-UNet3D混合编码器-解码器，在编码器特定阶段集成三平面3D-DAS块，降低参数成本，通过实验对比展示其在分割性能上的优势，表明学习的三平面DAS在混合U-Net中有竞争力。
重新思考视觉基础模型适应中的逐层信息分配
机构 * City College of New York, CUNY（纽约市立大学城市学院） ； University of Alabama at Birmingham（阿拉巴马大学伯明翰分校） ； Tulane University（杜兰大学） ； Northeastern University（东北大学） ； George Washington University（乔治华盛顿大学） ； Capital One（第一资本金融公司） ； Harvard University（哈佛大学）
AI总结 研究视觉基础模型适应中的逐层信息分配问题，提出基于信息瓶颈原理的PIB框架，规范逐层压缩与充分性权衡，促进跨层信息连贯，实验表明该方法在多数据集上表现出色，能解释提示容量缩放行为等。
Comments Accepted by ACM MM 2026
模块各司其职吗？复合语言模型系统中的角色漂移
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Harvard University（哈佛大学）
AI总结 研究复合语言模型系统中模块的角色漂移问题，提出角色锚定正则化方法，通过实验揭示仅准确性无法检测的角色漂移，该方法能以可调成本减轻漂移，且减少与角色漂移方向的对齐，而非简单抑制学习。
二次模型的辩护
机构 * Kempner Institute at Harvard University（哈佛大学坎普纳研究所） ； MIT（麻省理工学院）
AI总结 研究对二次模型进行压力测试，通过泰勒展开预测优化动态，利用兰索斯求积法分析海森矩阵谱和局部稳定性，发现其在语言模型中能准确反映优化情况，或可作为预训练优化动态的理论易处理代理。
用于移动健康部署的扩散模型亚群数字孪生：以HeartSteps干预为例
机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； The Ohio State University（俄亥俄州立大学） ； Harvard University（哈佛大学） ； University of Michigan（密歇根大学）
AI总结 研究针对移动健康干预算法设计问题，提出基于条件时间序列扩散模型开发“JITAI-Twins”数字孪生的方法，经多步更新，在HeartSteps干预部署预阶段验证，能更好再现目标亚群结构，为算法设计决策提供模拟。
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