高校专区
XYZFlow：用于高效生成建模的多维捷径流缩放方法
机构 * CUHK（香港中文大学） ； Westlake University（西湖大学） ； Johns Hopkins University（约翰斯·霍普金斯大学）
AI总结 XYZFlow框架通过流匹配的多维缩放实现高效图像生成，兼具7.2-8.5倍的教师模型速度提升与竞争力FID，其下一捷径预测可实现更优的质量-延迟权衡。
Comments ICML 2026 (16 pages, 5 figures)
信息丰度悖论：长上下文训练会破坏参数化知识
机构 * Johns Hopkins University（约翰斯·霍普金斯大学）
AI总结 该研究提出信息丰度悖论，发现长上下文训练会使模型减少参数化知识编码、增加对上下文的依赖，预训练和微调中均存在性能先升后降或鲁棒性降低的现象，表明近无穷大上下文缩放并非仅靠更多数据。
GenFAR：基于49246例多队列MRI通过深度学习得到的脑结构通用表征
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Melbourne（墨尔本大学） ； University of Wisconsin School of Medicine and Public Health（威斯康星大学医学与公共卫生学院） ； CSIRO Health and Biosecurity（联邦科学与工业研究组织健康与生物安全部） ； CSIRO（联邦科学与工业研究组织） ； University of California, San Francisco（加利福尼亚大学旧金山分校） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； University of Washington（华盛顿大学） ； Wake Forest School of Medicine（维克森林医学院） ； Johns Hopkins University School of Medicine（约翰霍普金斯大学医学院） ； Indiana University（印第安纳大学） ； University of Southern California（南加利福尼亚大学）
AI总结 GenFAR是基于49246例多队列MRI的模块化深度学习框架，通过17类任务训练得到通用脑表征，可提升二级预测器的样本效率与准确性
用于多模态IPMN风险分层的堆叠集成的高斯元空间增强
机构 * Northwestern University（西北大学） ； Johns Hopkins University（约翰斯·霍普金斯大学） ； Istanbul University（伊斯坦布尔大学） ； Mayo Clinic Florida（佛罗里达州梅奥诊所）
AI总结 该研究针对IPMN风险分层问题，提出cUPMI方法并结合多模态信息融合，构建RF堆叠模型，在多中心分析中取得优于基线的性能。
Comments Accepted at the International Workshop on Machine Learning in Medical Imaging (MLMI 2026), held in conjunction with MICCAI 2026. This is the authors' accepted manuscript; the final version will appear in Springer Lecture Notes in Computer Science (LNCS). 11 pages, 3 figures
更好、更快、更强：程序化技能学习最能降低智能体成本
机构 * Johns Hopkins University（约翰斯·霍普金斯大学）
AI总结 该研究提出程序化技能学习的SpeedRunner编码智能体，通过分析轨迹重构技能，在三个具身环境中实现最优学习与成本降低，且对分布偏移和环境随机性能保持鲁棒性。
用于学习多输入多输出算子的核方法
机构 * University of California Los Angeles（加州大学洛杉矶分校） ； University of Arkansas（阿肯色大学） ； Johns Hopkins University（约翰斯·霍普金斯大学）
AI总结 针对科学机器学习中无限维对象映射学习难题，提出基于核的编码器-解码器框架，开发KernelMO核方法，在五类参数化偏微分方程上实现高精度且高效的算子学习，性能优于相关深度学习模型。
BiomedSQL: 文本到SQL用于生物医学知识库上的科学推理
机构 * Center for Alzheimer’s and Related Dementias, NIA, NIH（阿尔茨海默病及相关痴呆症研究中心，国家老龄化研究所，国立卫生研究院） ； DataTecnica LLC（DataTecnica公司） ； Johns Hopkins University（约翰霍普金斯大学） ； Laboratory of Neurogenetics, NIA, NIH（神经遗传学实验室，国家老龄化研究所，国立卫生研究院）
AI总结 BiomedSQL通过评估文本到SQL生成中的科学推理能力，针对生物医学知识库设计了首个基准测试，展示了不同模型在复杂查询任务中的性能差异。
Comments Published as a conference paper at COLM 2026
机构 * Center for Language and Speech Processing（语言与语音处理中心） ； Johns Hopkins University（约翰霍普金斯大学）
Comments Added generalizability experiment and examples on non-medical free-form answer. Added ablation study for MedCorp verification corpus and MedScore decomposition prompt
Journal ref Findings of the Association for Computational Linguistics: ACL 2026, pages 14149-14180, San Diego, California, United States. Association for Computational Linguistics
CASE框架：用于管控企业智能体AI的多学科控制架构
机构 * Cornell University（康奈尔大学） ； Johns Hopkins University（约翰斯·霍普金斯大学） ； AI71
AI总结 针对企业智能体AI管控的“涌现缺口”问题，提出含四层架构的CASE框架，经实证验证可提升治理有效性，满足欧盟AI法案要求。
Comments 34 pages in total, 4 figures, 2 tables, code at https://github.com/srinivastelukunta/case_framework_arxiv_codes
基于N最佳教师轨迹选择的在线策略蒸馏
机构 * Johns Hopkins University（约翰霍普金斯大学） ； TikTok ； University of California, San Diego（加州大学圣地亚哥分校） ； Fudan University（复旦大学）
AI总结 本文提出BRTS框架，通过选择更准确且与学生行为一致的教师轨迹提升在线策略蒸馏效果，在AIME和AMC基准测试中取得显著改进。
Comments 10 pages, 5 figures
双温度的故事：从扩散语言模型中实现简单、高效且多样的采样
机构 * Massachusetts Institute of Technology（麻省理工学院） ； UvA-Bosch Delta Lab, University of Amsterdam（阿姆斯特丹大学UvA-Bosch Delta实验室） ； Johns Hopkins University（约翰霍普金斯大学） ； University of California, Irvine（加州大学尔湾分校）
AI总结 本文提出通过温和的温度化方法提升扩散语言模型采样多样性，实现高效且多样化的样本生成，优于现有方法。
Comments V2: accepted as a full conference paper at COLM
从相关性到执行效用：面向基于技能的大语言模型智能体的奖励感知动态执行门控
机构 * Tongji University（同济大学） ； The University of Sydney（悉尼大学） ； University of Science and Technology of China（中国科学技术大学） ； Nankai University（南开大学） ； Johns Hopkins University（约翰斯·霍普金斯大学） ； City University of Hong Kong（香港城市大学） ； University of Surrey（萨里大学）
AI总结 针对基于技能的LLM智能体执行决策难题，提出RADEG轻量型决策层，通过学习代理模型预测执行效用，在288个rollout的评估中减少不必要执行并优于基线方法
ChronoState：用于冻结骨干语言模型中时间-状态动作选择的隐式流逝时间条件
机构 * Johns Hopkins University（约翰斯·霍普金斯大学）
AI总结 该研究提出 ChronoState 基准，证实冻结骨干语言模型可在直接监督下将隐式流逝时间与符号状态组合，但其泛化性有限，且性能不及提示注入时间戳基线。
Comments Submitted to SPIE Defense and Commercial Sensing 2027
全带宽Transformer
机构 * Johns Hopkins University（约翰斯·霍普金斯大学） ； Princeton University（普林斯顿大学） ； Microsoft（微软公司）
AI总结 该研究提出全带宽Transformer，通过潜在反馈拓宽解码步骤间的垂直反馈通道，经训练验证其在多项任务上性能提升，且解码开销可忽略。
ROM：通过流式检测和干预实时抑制过度思考
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 ROM通过流式检测和干预框架减少大推理模型的过度思考，提升准确率并缩短响应长度，在多个数据集上均取得显著效果。
Comments Code is available at https://github.com/SaFo-Lab/ROM
校准大语言模型推理的置信度边际过程监督
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出RLCM框架，通过增强的边际过程奖励优化正确性和置信度可靠性，提升模型校准性能并保持准确性，同时实现更高效的置信度加权聚合。
SciTaRC：基于科学表格数据的问答基准测试，需语言推理与复杂计算
机构 * Center for Language and Speech Processing（语言与语音处理中心） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 SciTaRC是一个针对科学表格数据的问答基准测试，揭示了现有AI模型在语言推理和复杂计算任务上的不足。
Comments COLM 2026 (Conference on Language Modeling). Camera-ready version
在大型音频-语言模型中发现并因果验证情绪敏感神经元
机构 * Center for Language and Speech Processing (CLSP)（语言与语音处理中心） ； Johns Hopkins University（约翰霍普金斯大学） ； Group on Language, Audio & Music (GLAM)（语言、音频与音乐小组） ； Imperial College London（伦敦帝国学院）
AI总结 本研究通过神经元层面的干预验证了大型音频-语言模型中情绪敏感神经元的存在，并揭示了情绪识别的因果机制。
Comments Accepted to ACL 2026
基于正确示范的多尺度奖励对冲
机构 * Johns Hopkins University（约翰斯·霍普金斯大学）
AI总结 该研究针对从正确示范学习的问题，提出多尺度奖励对冲方法，获首个无时间范围的多项式有限界，在上下文推荐等任务中取得良好效果，且计算效率在特定场景下可优化。
狄利克雷逐次学习器缩小多类别U校准的差距
机构 * Johns Hopkins University（约翰斯·霍普金斯大学）
AI总结 本研究提出狄利克雷逐次学习器算法，解决了多类别U校准中预测器的悔策率差距问题，得到的算法对有界和光滑真损失均达到最优悔策率。
自主分析智能体的创新残差审计：定位、检测限、误差控制与可识别性
机构 * Johns Hopkins University（约翰斯·霍普金斯大学）
AI总结 本文针对自主分析智能体的创新残差审计，分析了错误定位、分数选择、误差控制及审计极限，指出表示维度是关键约束。
强化目标语言特征：基于SAE的多语言推理引导
机构 * Johns Hopkins University（约翰斯·霍普金斯大学）
AI总结 本研究针对多语言大模型性能跨语言差异问题，提出基于SAE的推理时引导方法，通过注入目标语言特征提升模型在XCOPA、XNLI、MGSM等基准上的准确率。
Comments Corrected an author name. No changes to the paper content
基于大语言模型（LLM）从全国在线评论中映射患者感知的医生特质
机构 * Johns Hopkins School of Medicine（约翰霍普金斯医学院） ； Johns Hopkins University（约翰霍普金斯大学） ； Carey Business School, Johns Hopkins University（约翰霍普金斯大学Carey商学院） ； Center for Digital Health Artificial Intelligence (CDHAI)（数字健康人工智能中心（CDHAI））
AI总结 本研究提出基于LLM的流程从美国百万级医生的410万条在线评论中提取10项患者感知的医生特质，揭示了全国性特质分布模式与医生原型，为相关公平性、偏见研究提供了基础。
Comments Accepted in npj Digital Medicine
能力门控规划：目标成本发现与近视实验选择的局限性
机构 * Johns Hopkins University（约翰斯·霍普金斯大学）
AI总结 该研究指出近视实验选择方法无法评估构建认知能力的价值，引入能力门控规划器 CG-Plan 解决此问题，证明近视规划器存在无界近似比且无法到达目标。
学习诊断和纠正错误：大型语言模型中的道德敏感性获取
机构 * University of Mississippi（密西根州立大学） ； Nanyang Technological University（南洋理工大学） ； Northeastern University（东北大学） ； AWS AI Labs（AWS AI实验室） ； Johns Hopkins University（约翰霍普金斯大学） ； Qualcomm（高通） ； Michigan State University（密西根州立大学） ； Indiana University Indianapolis（印第安纳大学印第安纳波利斯分校）
AI总结 提出一种实用推理方法，通过让大型语言模型诊断和纠正道德错误来获取道德敏感性，并在多个任务上验证了其有效性。
变换器在动力系统中的机理分析
机构 * ETH Zürich（苏黎世联邦理工学院） ； Johns Hopkins University（约翰霍普金斯大学） ； Singapore-ETH Centre（新加坡-苏黎世中心）
AI总结 本文从动力系统视角分析单层变换器在动态数据中的表示能力和限制，揭示其在不同动态系统中的表现机制。
PSI3D: 无需编程的3D随机推断与切片式潜在扩散先验
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 PSI3D通过切片式潜在扩散先验和总变分正则化，提升大规模3D随机推断在OCT超分辨率中的重建质量。
Comments 10 pages, 3 figures
单纯形乘积空间上函数的光滑重参数化：在概率张量分解与函数数据配准中的应用
机构 * Johns Hopkins University（约翰斯·霍普金斯大学） ； University of Virginia（弗吉尼亚大学） ； UCLouvain（鲁汶大学（法语））
AI总结 针对单纯形乘积空间上的优化问题，提出用光滑重参数化替换单纯形乘积，得到性能优于投影梯度下降的黎曼梯度下降算法，可用于概率张量分解与函数数据配准。
Comments submitted to Journal of Optimization Theory and Applications (JOTA)
大语言模型中无训练与基于训练的意图分类：准确性、鲁棒性与失败模式
机构 * Johns Hopkins University（约翰斯·霍普金斯大学）
AI总结 本研究系统对比LLMs中无训练与基于训练的意图分类方法，发现两类方法在简单基准上性能饱和，基于训练的方法在难分类任务占优，无训练方法对混合与对抗性提示更鲁棒。
Comments Accepted at the Conference on Language Modeling (COLM 2026)
面向全身遥操作移动操作的全景感知VLA学习
机构 * Beihang University（北京航空航天大学） ； Shandong University（山东大学） ； Johns Hopkins University（约翰斯·霍普金斯大学） ； Delta Intelligence（delta智能公司）
AI总结 针对移动操作VLA策略的局部视野与全身演示数据收集难题，开发全身遥操作系统与PanoVLA全景感知VLA策略，基于5.5小时多模态数据集，在四项真实任务中平均阶段完成率91.3%、端到端成功率73.4%，性能优于局部视角基线。
Comments 8 pages, 4 figures
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