高校专区
贝克曼运输模型：从自主流到一步映射
机构 * Harvard University（哈佛大学） ； Capital Fund Management (CFM)（凯鹏华盈资产管理公司） ； University of Oxford（牛津大学） ； New York University（纽约大学）
AI总结 该研究提出基于自主流的流匹配实例，构建统一框架实现分布间精确映射，修正现有方法不一致性，在ImageNet 256×256上验证了自主流与一步映射的有效性。
基于原型学习的渐进式偏移校正重新思考医学地标定位
机构 * Shenzhen University（深圳大学） ； Centre for Artificial Intelligence and Robotics, Hong Kong Institute of Science & Innovation, Chinese Academy of Sciences（中国科学院香港创新研究院人工智能与机器人中心） ； Boston Children’s Hospital（波士顿儿童医院） ； Harvard Medical School（哈佛医学院） ； School of Artificial Intelligence, Shenzhen University（深圳大学人工智能学院） ； School of Biomedical Engineering and Informatics, Nanjing Medical University（南京医科大学生物医学工程与信息学院） ； National Engineering Laboratory for Big Data System Computing Technology, Shenzhen University（深圳大学大数据系统计算技术国家工程实验室）
AI总结 本研究提出参数经济的PPOC-LL模型，通过多尺度动态感知、相似性驱动原型学习、误差感知可靠性正则化，在多模态医学地标定位中实现了精度与复杂度的良好平衡。
Comments 10 pages, 4 figures, 3 tables. Accepted by MICCAI MLMI 2026
RankByGene: 通过跨模态排序一致性实现基因引导的组织病理学表示学习
机构 * Stony Brook University（石英溪大学） ； Athinoula A. Martinos Center for Biomedical Imaging, Massachusetts General Hospital and Harvard Medical School（阿提诺拉A.马丁努斯生物医学影像中心，麻省总医院和哈佛医学院） ； Department of Biomedical Data Science, Stanford University（生物医学数据科学系，斯坦福大学） ； Department of Pathology and Cell Biology, Columbia University（病理学与细胞生物学系，哥伦比亚大学）
AI总结 提出基于排序对齐损失的框架，利用教师-学生网络自监督知识蒸馏，解决空间转录组学与组织学图像的对齐问题，在基因表达预测、切片分类和生存分析任务中表现优异。
Comments 12 pages, 8 figures, accepted by TMI'26
跨商业学科的前沿人工智能性能：基于案例的知识工作和分析推理基准
机构 * The Wharton School, University of Pennsylvania（宾夕法尼亚大学沃顿商学院） ； Carnegie Mellon University（卡内基梅隆大学） ； Harvard Business School, Harvard University（哈佛大学哈佛商学院）
AI总结 研究针对人工智能在白领分析性知识工作衡量上的差距，利用顶尖商学院案例教学法构建BusinessCaseBench基准，发现前沿AI模型在此基准上得分高且能力提升快，为商学院及相关职业角色带来启示。
多玩家纳什偏好优化
机构 * Stanford University（斯坦福大学） ； Georgia Institute of Technology（佐治亚理工学院） ； The University of Tokyo（东京大学） ； RIKEN AIP（日本理化学研究所智能系统研究中心） ； Pennsylvania State University（宾夕法尼亚州立大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Harvard University（哈佛大学） ； UNC–Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 本文提出多玩家纳什偏好优化框架，扩展了传统的两玩家纳什对齐方法，通过引入多玩家博弈机制，提升对复杂非传递性人类偏好的对齐能力，并在多个基准测试中表现更优。
Journal ref ICLR 2026 Oral
从不完整电子健康记录数据中学习表示的双掩码自编码
机构 * Massachusetts Institute of Technology（麻省理工学院） ； EPFL（苏黎世联邦理工学院） ； Harvard University（哈佛大学） ； Beth Israel Deaconess Medical Center（贝塞斯达医院）
AI总结 AID-MAE通过双掩码技术直接从不完整EHR时间序列中学习表示，有效提升临床任务性能并实现患者群体的自然分层。
Comments MLHC 2026 camera-ready. Spotlight at NeurIPS TS4H 2025
广义线性马尔可夫决策过程
机构 * Division of Biostatistics and Health Data Science, University of Minnesota, USA（明尼苏达大学生物统计与健康数据科学系） ； School of Mathematical Sciences, Zhejiang University, China（浙江大学数学科学学院） ； Department of Statistics, Harvard University, USA（哈佛大学统计系） ； Department of Biostatistics, Harvard T.H. Chan School of Public Health, USA（哈佛T.H. Chan公共卫生学院生物统计学系） ； Department of Statistics and Data Science, National University of Singapore, Singapore（新加坡国立大学统计与数据科学系）
AI总结 针对离线强化学习在纵向研究中面临的奖励与转移观测问题，提出GRASP-MDP框架，通过奖励-转移分离的贝尔曼分解，利用仅转移观测提升估计性能，在模拟和真实电子健康数据中验证了有效性。
Comments 111 pages
从接口到推理：从任意阶模型中引出任意阶推理
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Harvard University（哈佛大学）
AI总结 该研究针对离散推理任务的任意阶推理需求，提出两种掩码扩散改进方法，训练对应模型验证了方法可诱导任意阶推理行为并提升下游性能。
物理人工智能治理：跨越生命周期从理论到实践
机构 * Case Western Reserve University（凯斯西储大学） ； Shanghai Jiao Tong University（上海交通大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Columbia University（哥伦比亚大学） ； University of California, Riverside（加州大学河滨分校） ； Nanyang Technological University（南洋理工大学） ； New York University（纽约大学） ； Salesforce（Salesforce公司） ； Harvard University（哈佛大学） ； Stanford University（斯坦福大学）
AI总结 本文对物理人工智能治理进行全面综述，综合现有原则形成统一框架，提出五阶段生命周期，通过具体实践展示各阶段治理操作，为构建安全可信且符合社会价值的物理人工智能系统提供参考。
EHR-MPC：利用生成式患者数字孪生进行脓毒症治疗的推理时间控制
机构 * Broad Institute of MIT and Harvard（MIT和哈佛大学Broad研究所） ； Harvard University（哈佛大学） ； Brigham and Women’s Hospital（布莱根妇女医院） ； Technion–Israel Institute of Technology（技术学院-以色列理工学院）
AI总结 针对脓毒症治疗策略有争议且现有强化学习方法适应性不足的问题，提出EHR-MPC框架，通过训练生成式电子健康记录模型形式的患者数字孪生解耦学习与治疗优化，经模拟评估性能优于强化学习基线，建立了决策通用框架。
散度即不确定性：流匹配的闭式后验协方差
机构 * Yale University（耶鲁大学） ； Shanxi University（山西大学） ； Harvard Medical School（哈佛医学院）
AI总结 本文通过扩展Tweedie公式到流匹配插值，推导出生成轨迹上每一点后验协方差的精确闭式表达式，该表达式仅依赖于学习速度场的散度，可在预训练模型上事后计算，无需重新训练或修改架构。
Comments 9 Pages, 5 figures
匹配精度，不同几何：进化策略与GRPO在LLM后训练中的比较
机构 * University of Miami（迈阿密大学） ； Kempner Institute, Harvard University（哈佛大学肯普纳研究所） ； Harvard University（哈佛大学）
AI总结 本文比较了进化策略（ES）与组相对策略优化（GRPO）在单任务和连续学习设置中的表现，发现ES在单任务精度上可与GRPO匹配，但两者在参数空间更新上存在显著差异，且ES在弱信息方向上能积累较大偏移，同时保持任务性能。
Comments Accepted to Conference on Language Modeling (COLM) 2026
ToolUniverse：一个让AI科学家开发民主化的开放平台
机构 * Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系） ； Harvard College, Harvard University（哈佛大学哈佛学院） ； Massachusetts Institute of Technology（麻省理工学院） ； MIT Lincoln Laboratory（MIT林肯实验室） ； 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） ； Broad Institute of MIT and Harvard（MIT与哈佛联合广谱研究所） ； Harvard Data Science Initiative（哈佛数据科学计划）
AI总结 ToolUniverse是支持从各类模型构建AI科学家的开放平台，通过AI-工具交互标准规范工具调用，已应用于大量科学工具，案例中可完成多领域端到端分析。
Comments https://aiscientist.tools
λSplit: 用于荧光显微镜的自监督内容感知光谱解混
机构 * Fondazione Human Technopole（人类技术极地基金会） ； Harvard Medical School（哈佛医学院） ； Università Campus Bio-Medico（生物医学大学校园）
AI总结 提出λSplit，一种基于物理信息的深度生成模型，通过分层变分自编码器学习浓度图的条件分布，结合可微分光谱混合器实现最先进的光谱解混和隐式噪声去除。
Comments 14 pages, 25 pages supplement, 16 figures total, 14 tables total. Accepted at ECCV 2026
混沌系统的科学机器学习发现神经群体的支配方程
机构 * Department of Biomedical Engineering and Laufer Center for Physical and Quantitative Biology, State University of New York at Stony Brook, NY, USA（生物医学工程系和物理与定量生物学拉夫中心，石溪大学纽约州立大学 Stony Brook 分校） ； Athinoula A. Martinos Center for Biomedical Imaging, Massachusetts General Hospital and Harvard Medical School, MA, USA（Athinoula A. Martinos 生物医学成像中心，麻省总医院和哈佛医学院） ； Computer Science and Artificial Intelligence Lab, Massachusetts Institute of Technology, MA, USA（计算机科学与人工智能实验室，麻省理工学院） ； Picower Institute for Learning and Memory, Massachusetts Institute of Technology, MA, USA（记忆学习研究所，麻省理工学院） ； Psychological and Brain Sciences, Dartmouth College, NH, USA（心理学与脑科学系，达特茅斯学院） ； Santa Fe Institute, NM, USA（圣菲研究所）
AI总结 该研究提出PEM-UDE方法，通过科学机器学习从混沌系统中发现可解释的支配方程，成功恢复噪声污染数据中的动态，并在神经群体中推导出符合生物约束的新方程。
Comments 54 pages, 10 figures
重新审视不同难度层级间的泛化：这并不容易
机构 * Brown University（布朗大学） ； Harvard University（哈佛大学）
AI总结 本文研究了LLMs在不同任务难度间泛化的能力，发现训练数据的难度对泛化效果影响有限，强调在训练和评估中需涵盖多种难度以避免风险。
Comments Proceedings of the 19th Conference of the European Chapter of the Association for Computational Linguistics (Volume 1: Long Papers)
生成式人工智能驱动的推断
机构 * Harvard University（哈佛大学） ； John F. Kennedy School of Government（约翰·F·肯尼迪政府学院）
AI总结 研究人员提出GPI统计框架，利用开源GenAI模型提取非结构化数据的低维表示，无需微调生成模型，通过三个应用验证其可用于因果与预测推断，开源软件包可实现该框架。
DriftWorld：通过漂移实现快速世界建模
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Harvard University（哈佛大学）
AI总结 研究针对预测性世界模型生成展开慢的问题，提出基于漂移生成模型的DriftWorld，训练时学习动作条件漂移以快速生成未来帧，在机器人操作基准测试中实现快速准确决策，还能作离线模拟器，性能优于基于扩散的基线。
Comments Website at https://susie-lu.github.io/driftworld/
GEM-4D：用于机器人操作的几何增强视频世界模型
机构 * Harvard AI and Robotics Lab（哈佛人工智能与机器人实验室） ； Harvard University（哈佛大学） ； Media Lab and EECS（媒体实验室和电子工程与计算机科学系） ； MIT（麻省理工学院） ； Princeton University（普林斯顿大学） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室）
AI总结 提出GEM-4D，通过注入从预训练几何基础模型蒸馏的密集4D对应监督，增强视频世界模型的几何一致性，并引入逆动力学模块将视频滚动转换为可执行机器人轨迹，提升操作成功率。
Comments Robotic World Model, Video Generative Model
Stream3D: 基于证据记忆的序列多视角3D生成
机构 * World Mind Lab, HKUST（世界心智实验室，香港科技大学） ； Media Lab and EECS, MIT（媒体实验室和电子工程与计算机科学系，麻省理工学院） ； Kempner Institute, Harvard University（凯普纳研究所，哈佛大学）
AI总结 提出Stream3D，一种无需训练的流式机制，通过维护紧凑的证据记忆缓存关键历史帧，将冻结的视角条件3D生成器转换为流式生成器，解决单目视频流中3D生成的时间不一致问题。
Comments Multi-view 3D Generation, Streaming 3D Generation
MIMIC-MJX：动物行为的神经机械模拟
机构 * Department of Organismic and Evolutionary Biology（有机与进化生物学系） ； Harvard University（哈佛大学） ； Computational Neurobiology Laboratory（计算神经生物学实验室） ； Salk Institute for Biological Studies（生物研究 institute） ； Neurosciences Graduate Program（神经科学研究生项目） ； University of California San Diego（加州大学圣地亚哥分校） ； Mila ； School of Computer Science（计算机科学学院） ； McGill University（麦吉尔大学） ； University of Washington（华盛顿大学） ； eScience Institute（eScience 院） ； Computational Neuroscience Center（计算神经科学中心） ； Department of Brain and Cognitive Sciences（脑与认知科学系） ； Massachusetts Institute of Technology（麻省理工学院） ； Picower Institute for Learning and Memory（记忆学习研究所） ； Molecular Neurobiology Laboratory（分子神经生物学实验室） ； Department of Bioengineering（生物工程系） ； Imperial College London（帝国理工学院） ； Howard Hughes Medical Institute（霍华德·休斯医学研究所）
AI总结 MIMIC-MJX通过学习生物合理的神经控制策略，实现了对动物行为的神经机械模拟，具有高准确性和广泛适用性。
Comments Project page available at https://mimic-mjx.talmolab.org
CARE：通过科学实验中的可审计证据审查控制LLM生成的策略
机构 * University of Macau（澳门大学） ； University of Toronto（多伦多大学） ； UCLA（加州大学洛杉矶分校） ； Harvard University（哈佛大学） ； XtalPi（晶泰科技） ； McGill University（麦吉尔大学）
AI总结 提出CARE框架，通过可审计的干预门控机制，在保留非LLM优化器作为默认路径的同时，利用LLM修正挑战者排序策略，显著提升高通量实验优化性能。
Comments 27 pages, 5 figures. Code: https://github.com/SHITIANYU-hue/care
记忆何时应保持沉默：衡量记忆增强型对话代理的记忆使用边界
机构 * Hefei University of Technology（合肥工业大学） ； Harvard Medical School（哈佛医学院）
AI总结 提出RBI-Eval框架，通过探针集比较模型在有/无敏感记忆时的行为差异，发现当前检索增强生成系统无法避免敏感记忆的不当整合，需在检索和生成阶段同时进行记忆感知决策。
对齐伪造的行为分析
机构 * University of Cambridge（剑桥大学） ； Harvard University（哈佛大学） ； ERA ； UK AISI（英国人工智能学会）
AI总结 通过可控最小设置研究对齐伪造，发现其驱动因素包括价值观、目标保护和谄媚，且比先前报告更普遍，可从情境线索和模型倾向预测。
Comments preprint
OptimusKG：统一生物医学知识的现代多模态图
机构 * Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Edison Scientific Inc.（Edison科学公司） ； Oxford Suzhou Centre for Advanced Research, University of Oxford（牛津大学苏格兰研究中心） ； Broad Institute of MIT and Harvard（MIT与哈佛大学Broad研究所） ； 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） ； Harvard Data Science Initiative（哈佛大学数据科学计划）
AI总结 OptimusKG通过整合结构化和半结构化资源，构建了多模态生物医学标记属性图，统一了分子、解剖、临床和环境领域的知识，验证了其在生物医学领域的有效性。
在大脑中寻找量子效应：用于自动编码器中非经典潜在表示的贝尔型测试
机构 * School of Science, Zhejiang University of Science and Technology（浙江大学科学技术学院） ； Department of Physics and Institute of Theoretical and Computational Physics, University of Crete（希腊克里特大学物理系和理论与计算物理研究所） ； College of Life and Environmental Sciences, Hangzhou Normal University（杭州师范大学生命与环境科学学院） ； School of Automation and Electrical Engineering, Zhejiang University of Science and Technology（浙江大学科学技术学院自动化与电气工程学院） ； 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）
AI总结 本文提出了一种基于自动编码器的贝尔型测试，用于探测神经表示中的非经典性特征，探索神经信息处理可能涉及的量子效应。
Comments 11 pages, 4 figures
Journal ref New J. Phys. 28, 074511 (2026)
TRACE：通过可触觉重建和几何对齐的上下文视频遮罩实现高保真的3D场景编辑
机构 * ReLER Lab, CCAI, Zhejiang University（浙江大学计算机辅助设计与图形学全国重点实验室（CCAI）ReLER实验室） ； DBMI, HMS, Harvard University（哈佛大学医学院生物医学信息学系（DBMI））
AI总结 TRACE通过可触觉重建和几何对齐的上下文视频遮罩，实现高保真的3D场景编辑，解决了现有方法在局部姿态调整和组件替换时结构完整性不足的问题。
Comments 9 pages, 9 figures
AREA3D: 带有统一前馈3D感知和视觉-语言引导的主动重建代理
机构 * Southern University of Science and Technology（南方科技大学） ； Harvard University（哈佛大学） ； California Institute of Technology（加州理工学院） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 AREA3D通过统一前馈3D感知与视觉-语言引导，实现高效主动3D重建，尤其在稀疏视角下提升重建精度。
Journal ref Tianling Xu, Shengzhe Gan, Leslie Gu, Yuelei Li, Fangneng Zhan, Hanspeter Pfister. The IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) (The IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)), 2026
成本受限四足硬件上的强化学习
机构 * Stanford University（斯坦福大学） ； Harvard University（哈佛大学） ； Stanford University School of Medicine（斯坦福大学医学院）
AI总结 该研究针对低成本四足硬件的仿真-现实差距，采用生物启发方法，结合延迟前向模型与时间感知神经网络，学习到鲁棒CPG，实现了成本受限硬件上的强化学习控制。
Comments Sim-to-real transfer, locomotion, reinforcement learning, central pattern generator
多智能体老虎机中的程序公平性
机构 * University of Waterloo（滑铁卢大学） ； Harvard University（哈佛大学）
AI总结 本文提出程序公平性作为多智能体老虎机中的公平性目标，强调平等决策权和结果比例性，证明不同公平性观念优先不同价值观，主张加强程序公平性研究。
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