Johns Hopkins University（约翰斯·霍普金斯大学）

CALM: Interpretable Cross-Modal Alignment for Biomarker Discovery from Unpaired Data

CALM: 可解释的跨模态对齐用于从非配对数据中发现生物标志物

Jueqi Wang, Zachary Jacokes, John Darrell Van Horn, Kevin A. Pelphrey, Michael C. Schatz, Archana Venkataraman

机构 * Department of Electrical and Computer Engineering, Boston University（波士顿大学电气与计算机工程系） ； School of Data Science, University of Virginia（弗吉尼亚大学数据科学学院） ； Department of Psychology, University of Virginia（弗吉尼亚大学心理学系） ； Department of Neurology, University of Virginia（弗吉尼亚大学神经病学系） ； Departments of Computer Science and Biology, Johns Hopkins University（约翰霍普金斯大学计算机科学与生物学系） 纠错

AI总结 提出CALM框架，通过线性投影对齐脑区和遗传通路的潜在分布，从完全不相交的人群中学习可解释的跨模态关联，在自闭症谱系障碍数据上优于现有方法。

Comments Accepted to MICCAI 2026

FaceMoE: Mixture of Experts for Low-Resolution Face Recognition

FaceMoE：用于低分辨率人脸识别的专家混合模型

Kartik Narayan, Vishal M. Patel

机构 * Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 针对低分辨率人脸识别中特征提取困难和域差距问题，提出FaceMoE，采用专家混合Transformer架构，通过多个FFN专家和top-k路由器实现分辨率感知特征提取，在十一个数据集上超越现有方法。

Comments ECCV 2026, Project Page: https://kartik-3004.github.io/FaceMoE/

Cross-Space Distillation: Teaching One-Step Students with Modern Diffusion Teachers

跨空间蒸馏：用现代扩散教师训练一步学生模型

Anh Nguyen, Ngan Nguyen, Duc Vu, Trung Dao, Viet Nguyen, Quan Dao, Kien Nguyen, Chi Tran, Phong Nguyen, Khoi Nguyen, Cuong Pham, Dimitris Metaxas, Vishal M. Patel, Anh Tran

机构 * Qualcomm AI Research（高通AI研究院） ； 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） ； Rutgers University（罗格斯大学） 纠错

AI总结 提出跨空间蒸馏框架，通过轻量级潜在接口Bridge解决教师与学生模型潜在空间不匹配问题，实现异构教师蒸馏到紧凑学生模型，显著提升性能。

Comments ECCV 2026

Geometry-Preserving Orthonormal Initialization for Low-Rank Adaptation in RLVR

保持几何的正交初始化用于RLVR中的低秩适应

Ruijia Zhang, Jiacheng Zhu, Hanqing Zhu, Laixi Shi

机构 * Johns Hopkins University（约翰霍普金斯大学） ； Meta Superintelligence Labs（Meta超级智能实验室） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 针对RLVR中LoRA初始化问题，提出保持几何的正交初始化方法（RLPO和RLMO），理论证明其最小化与全微调差距，实验表明稳定训练且优于标准LoRA。

Comments 30 pages, accepted to ICML 2026

STEB: Style Text Embedding Benchmark

STEB: 风格文本嵌入基准

Rafael Rivera Soto, Anna Wegmann, Cristina Aggazzotti

机构 * Johns Hopkins University（约翰霍普金斯大学） ； Utrecht University（乌得勒支大学） 纠错

AI总结 提出STEB基准，包含7种语言96个数据集，用于标准化风格嵌入评估，发现语义嵌入在风格任务中表现不佳，且无通用最优风格嵌入。

AC3S: Adaptive Conditioning for 3D-Aware Synthetic Data Generation

AC3S: 面向3D感知合成数据生成的自适应条件控制

Eric Ji, Qiran Hu, Wufei Ma, Sarthak Jain, Yingying Li, Minh N. Do, Yaoyao Liu

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Johns Hopkins University（约翰霍普金斯大学） ； College of Engineering and Computer Science, VinUniversity（VinUniversity工程与计算机科学学院） 纠错

AI总结 提出AC3S框架，通过自适应条件控制模块调节ControlNet强度，结合多智能体视觉语言模型生成3D感知提示，实现高质量、结构对齐的合成图像生成。

Comments Accepted by ECCV 2026. Project page: https://ac3s.cvmlgroup.web.illinois.edu/

Reference-Based Prosody and Rhythm Evaluation for Spoken Dialogue Systems

基于参考的口语对话系统韵律与节奏评估

Ashish Hallur, Thomas Thebaud, Georgi Tinchev, Venkatesh Ravichandran, Laureano Moro-Velazquez

机构 * Department of Electrical and Computer Engineering, Johns Hopkins University（约翰霍普金斯大学电气与计算机工程系） ； Amazon Inc.（亚马逊公司） 纠错

AI总结 针对语音到语音AI代理缺乏可解释的韵律与节奏评估指标，提出基于匹配参考的百分位评估协议，利用4000+小时对话数据构建参考层，有效减少误报并提高可解释性。

Dense Structural Priors for Sparse Functional Landmark Localization in Surgical Videos

手术视频中稀疏功能标志点定位的密集结构先验

Chenyan Jing, Hao Ding, Lalithkumar Seenivasan, Jacob M. Delgado López, Mathias Unberath

机构 * Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 提出利用SAM 3作为结构先验，通过零样本点提示掩码和轻量级精炼框架，在无像素级标注下实现手术视频中功能标志点定位，F1达72.4%（尖端）和58.0%（锚点）。

ALM2Vec: Learning Audio Embeddings for Universal Audio Retrieval with Large Audio-Language Models

ALM2Vec: 利用大型音频语言模型学习通用音频检索的音频嵌入

Fengjie Lu, Chenang Jiang, Jiarui Hai, Helin Wang, Aaron Yee

机构 * Zhejiang University（浙江大学） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 提出ALM2Vec框架，利用预训练大型音频语言模型学习统一嵌入空间，实现跨域、任务感知的音频检索，支持指令感知检索，在标准基准上表现优异。

Comments 7 pages, 3 figures

PerceptionRubrics: Calibrating Multimodal Evaluation to Human Perception

PerceptionRubrics：将多模态评估校准至人类感知

Yana Wei, Hongbo Peng, Yanlin Lai, Liang Zhao, Kangheng Lin, En Yu, Keyu Lv, Han Zhou, Yin Tang, Haodong Li, Mitt Huang, Hangyu Guo, Jianjian Sun, Zheng Ge, Xiangyu Zhang, Daxin Jiang, Vishal M. Patel

机构 * Johns Hopkins University（约翰霍普金斯大学） ； StepFun ； Tsinghua University（清华大学） ； Independent Researcher（独立研究者） 纠错

AI总结 提出基于准则的评估框架PerceptionRubrics，通过双流准则和门控评分机制，解决基准分数饱和而实际脆弱性问题，揭示可靠性差距、开源与闭源感知差异，并实现与人类感知的高度对齐。

Comments ICML 2026. Project page: https://weiyana.github.io/PerceptionRubrics

Mitigating LLM-based p-Hacking by Preregistering for the Next LLM

通过预注册下一个LLM来缓解基于LLM的p-hacking

Maria Thomas, Kristina Gligoric, Nihar B. Shah

机构 * Johns Hopkins University（约翰霍普金斯大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 提出一种协议，通过预注册实验和合格模型，并在预注册后发布的第一个合格LLM上运行，以缓解LLM研究中的p-hacking问题。实验表明该协议能有效阻止73.9%和72.7%的p-hack转移。

Overview of ESDD2: Environment-Aware Speech and Sound Deepfake Detection Challenge

ESDD2概述：环境感知语音与声音深度伪造检测挑战赛

Xueping Zhang, Han Yin, Yang Xiao, Lin Zhang, Ting Dang, Rohan Kumar Das, Ming Li

机构 * Duke Kunshan University（昆山杜克大学） ； Korea Advanced Institute of Science and Technology（韩国科学技术院） ； The University of Melbourne（墨尔本大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Fortemedia Singapore（Fortemedia新加坡） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） 纠错

AI总结 介绍ESDD2挑战赛，评估语音和环境声音独立或联合操纵的检测系统，最佳系统Macro-F1达0.8775，模块化分解、跨域自监督编码器、数据增强和选择性集成是关键。

Comments Accepted to 2026 ICME workshop. arXiv admin note: text overlap with arXiv:2601.07303

Syntactic Belief Update as the Driver of Garden Path Processing Difficulty

句法信念更新作为花园路径句处理难度的驱动因素

Alan Zhou, Miloš Stanojević, John T. Hale

机构 * Johns Hopkins University（约翰霍普金斯大学） ； University College London（伦敦大学学院） 纠错

AI总结 针对词汇惊异度无法预测花园路径句处理难度的问题，提出基于广义Rényi散度的句法信念更新度量，在关键单词处衡量信念更新幅度，更好地拟合人类阅读时间数据。

ForceBand: Learning Forceful Manipulation with sEMG

ForceBand: 利用表面肌电信号学习有力操作

Botao He, Zhi Wang, Linna Kuang, Ishaan Ghosh, Jitendra Malik, Cornelia Fermuller, Tingfan Wu, Jiayuan Mao, Ruoshi Liu, Haozhi Qi, Yiannis Aloimonos

机构 * Amazon FAR（亚马逊 FAR） ； University of Maryland（马里兰大学） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 提出ForceBand，一种低成本腕戴式sEMG系统，通过预测手指力来增强人类演示数据，用于机器人有力操作策略学习，在多种物体上实现87%的成功率。

AI Coaching for Accelerating Human Skill Development with Reinforcement Learning

AI教练：利用强化学习加速人类技能发展

Wei Wang, Enlin Gu, Antonio Loquercio, Haimin Hu, Rahul Mangharam

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 本文提出一种基于非合作动态博弈和强化学习的AI教练框架，通过自适应共享控制和因果影响模型加速人类运动技能发展，在无人机竞速用户研究中显著提升学习效果。

Physics Question Scene Graph: Fine-grained Evaluation of Physical Plausibility in Text-to-Video Generation

物理问题场景图：文本到视频生成中物理合理性的细粒度评估

Atin Pothiraj, Jaemin Cho, Yue Zhang, Elias Stengel-Eskin, Mohit Bansal

机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； AI2（艾伦人工智能研究所） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 提出物理问题场景图（PQSG），一种基于层次化问题的评估流程，通过图结构问题检查视频在对象、动作和物理规律上的忠实度，实现细粒度评估。

Comments ECCV 2026. Code and data: https://github.com/atinpothiraj/pqsg

MRI2Rep: Autoregressive Structured Report Generation for 3D Liver MRI

MRI2Rep：3D肝脏MRI的自回归结构化报告生成

Xinran Li, Junlin Yang, Annabella Shewarega, Zongwei Zhou, Julius Chapiro, James S. Duncan, Lawrence H. Staib

机构 * Department of Biomedical Engineering（生物医学工程系） ； Department of Radiology & Biomedical Imaging（放射学与生物医学影像系） ； Department of Electrical Engineering（电气工程系） ； Yale University（耶鲁大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Johns Hopkins Medicine（约翰霍普金斯医学） 纠错

AI总结 提出MRI2Rep自回归框架，通过报告到标签规范化模块将自由文本转换为结构化诊断序列，实现3D肝脏MRI的端到端结构化报告生成，在真实数据集上优于基线方法。

Comments MICCAI 2026

AgentOdyssey: Open-Ended Long-Horizon Text Game Generation for Test-Time Continual Learning Agents

AgentOdyssey：面向测试时持续学习智能体的开放式长程文本游戏生成

Zheyuan Zhang, Zehao Wen, Alvin Zhang, Andrew Wang, Jianwen Xie, Daniel Khashabi, Tianmin Shu

机构 * Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 提出AgentOdyssey框架，通过程序化生成开放式文本游戏，评估智能体在测试时持续学习的关键能力，包括探索、知识获取、记忆和长程规划。

Comments Project page: https://agentodyssey.github.io/

The Degeneracy Distillery

退化蒸馏器

T. Lucas Makinen, Deaglan J. Bartlett, Niall Jeffrey, Benjamin D. Wandelt

机构 * Department of Applied Mathematics and Theoretical Physics, University of Cambridge（剑桥大学应用数学与理论物理系） ； Imperial Centre for Inference and Cosmology (ICIC), Imperial College London（伦敦帝国理工学院帝国推理与宇宙学中心） ； Astrophysics, University of Oxford（牛津大学天体物理学系） ； CNRS & Sorbonne Université, Institut d’Astrophysique de Paris (IAP)（法国国家科学研究中心与索邦大学巴黎天体物理研究所） ； Department of Physics and Astronomy, University College London（伦敦大学学院物理与天文学系） ； Department of Physics & King’s Institute for Artificial Intelligence, King’s College London（伦敦国王学院物理系与国王人工智能研究所） ； Department of Physics and Astronomy, Johns Hopkins University（约翰霍普金斯大学物理与天文学系） ； Department of Applied Mathematics and Statistics, Johns Hopkins University（约翰霍普金斯大学应用数学与统计学系） 纠错

AI总结 提出退化蒸馏器方法，通过估计和展平Fisher信息矩阵，自动符号化检测并解决物理模型中的退化参数组合，降低神经后验估计所需的模拟预算。

Comments 30 pages, 10 figures. Supporting code found at https://github.com/tlmakinen/degeneracy_distillery

BenchX: Benchmarking AI Models for Cancer Detection and Localization with Demographic and Protocol Biases

BenchX: 基于人口统计和协议偏差的癌症检测与定位AI模型基准测试

Qi Chen, Wenxuan Li, Pedro R. A. S. Bassi, Xinze Zhou, Jakob Wasserthal, Ibrahim Ethem Hamamci, Sezgin Er, Ashwin Kumar, Yiwen Ye, Yuhan Wang, Yuyin Zhou, Akshay S. Chaudhari, Curtis Langlotz, Kang Wang, Yang Yang, Alan L. Yuille, Zongwei Zhou

机构 * Johns Hopkins University（约翰霍普金斯大学） ； German Cancer Research Center（德国癌症研究中心） ； University Hospital Basel（巴塞尔大学医院） ； University of Zurich（苏黎世大学） ； ETH AI Center（苏黎世联邦理工学院AI中心） ； Istanbul Medipol University（伊斯坦布尔梅迪波尔大学） ； Stanford University（斯坦福大学） ； École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院） ； Nanyang Technological University（南洋理工大学） ； University of California, Santa Cruz（加州大学圣克鲁兹分校） ； University of California, San Francisco（加州大学旧金山分校） ； Johns Hopkins Medicine（约翰霍普金斯医学） 纠错

AI总结 提出BenchX基准，通过85,355次CT扫描系统评估12个肿瘤检测AI模型在肿瘤大小、位置、患者亚组和成像协议上的表现，揭示模型在罕见亚组中性能不佳。

2D Versus 3D Diffusion for In Silico Training of Interventional X-ray AI Models

二维与三维扩散在介入X射线AI模型模拟训练中的比较

Sampath Rapuri, Jeremy Ko, Benjamin D. Killeen, Russell H. Taylor, Mathias Unberath

机构 * Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 本文比较了基于3D条件潜在扩散模型生成CT体数据用于DRR合成与基于视图条件的2D扩散模型直接生成合成X射线两种方法，发现2D扩散生成的合成X射线可用于训练解剖标志检测模型，性能接近真实数据训练模型。

MAS-PromptBench: When Does Prompt Optimization Improve Multi-Agent LLM Systems?

MAS-PromptBench：提示优化何时能提升多智能体LLM系统？

Juyang Bai, Laixi Shi

机构 * Johns Hopkins University（约翰霍普金斯大学） ； Department of Electrical and Computer Engineering, Johns Hopkins University（约翰霍普金斯大学电气与计算机工程系） 纠错

AI总结 系统研究提示优化在多智能体LLM系统中的效果，发现其能显著提升性能，但收益依赖于任务、工作流和团队规模等配置。

Comments Project page: https://juyangbai.github.io/MAS-PromptBench/ ; Code: https://github.com/juyangbai/MAS-PromptBench

DynamicMem: A Long-Horizon Memory Benchmark in Real-World Settings

DynamicMem：真实世界场景下的长时记忆基准测试

Wenya Xie, Shengming Zhou, Zelin Li, Pouya Parsa, Shuang Zhou, Xinheng Ding, Chinmay Arvind, Guanchu Wang, Vladimir Braverman, Ali Payani, Yantao Zheng, Zirui Liu

机构 * University of Minnesota（明尼苏达大学） ； University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校） ； Johns Hopkins University（约翰霍普金斯大学） ； Cisco（思科） ； Adobe 纠错

AI总结 提出DynamicMem基准，通过合成15个月的多应用用户活动数据，评估LLM代理在异构、动态变化且隐含的用户画像记忆能力，发现记忆检索是主要瓶颈。

AgentLens: Interpretable Safety Steering via Mechanistic Subspaces for Multi-Turn Coding Agent

AgentLens: 通过机制子空间实现多轮编码代理的可解释安全引导

Weidi Luo, Qiming Zhang, Yihao Quan, Mingyu Jin, Jie Cai, Chaowei Xiao, Jingcheng Niu, Zhen Xiang

机构 * University of Georgia（佐治亚大学） ； University of South Florida（南佛罗里达大学） ； Rutgers University（罗格斯大学） ； University of Southern California（南加州大学） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 提出AgentLens框架，从内部表示层检测和缓解多轮编码代理的安全风险，通过单层10维子空间干预实现运行时安全控制，并在MAS基准上验证有效性。

ARIA: A Causal-Aware Framework for Rescuing LLM Reasoning in Trustworthy Materials Discovery

ARIA: 一种用于在可信材料发现中拯救LLM推理的因果感知框架

Yi Cao, Liaoyaqi Wang, Jieneng Chen, Benjamin Van Durme, Alan Yuille, Paulette Clancy

机构 * Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 提出ARIA框架，通过因果感知的三级级联（直接因果推理、物理类比迁移、参数回退）解决LLM在材料发现中的上下文隧道问题，提升物理可信性。

Comments Accepted to the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2026)

Journal ref Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining V.2 (KDD '26), August 09--13, 2026, Jeju Island, Republic of Korea

Learning at the Right Pace: Adaptive Data Scheduling Improves LLM Reinforcement Learning

以合适的速度学习：自适应数据调度改进大语言模型强化学习

Zicheng Xu, Ruixuan Zhang, Yu-Neng Chuang, Xiuyi Lou, Hoang Anh Duy Le, Oren Gal, Alexander S. Szalay, Zhaozhuo Xu, Guanchu Wang, Vladimir Braverman

机构 * Johns Hopkins University（约翰霍普金斯大学） ； Rice University（莱斯大学） ； University of Haifa（海法大学） ； Workato ； University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校） 纠错

AI总结 针对LLM强化学习后训练中均匀采样忽视数据语义和策略变化的问题，提出自适应数据调度框架ADS，通过语义聚类和策略边界样本选择实现双层级调度，在三个LLM和七个推理基准上平均准确率提升5.2%。

Can Reasoning Models Detect Changes to their Chains of Thought?

推理模型能否检测其思维链的变化？

Sathvik Napa, Utkarsh Singh, Chengyuan Xue, Miriam Wanner, William Walden

机构 * Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 研究推理模型在多种条件下检测自身思维链干预的能力，发现模型检测准确率很低，且难以识别修改方式。

AI-Mediated Negotiation: Design Reflections and Lessons

AI中介谈判：设计反思与经验教训

Veda Duddu, Jash Rajesh Parekh, Andy Mao, Hanyi Min, Ziang Xiao, Vedant Das Swain, Koustuv Saha

机构 * University of Illinois Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Johns Hopkins University（约翰霍普金斯大学） ； New York University（纽约大学） 纠错

AI总结 通过构建理论驱动的教练系统Trucey并进行实验，发现对话AI在谈判准备中施加线性执行模型，而任务本质是递归的，静态手册反而优于AI条件，提出“先映射后路径，先路径后模拟”的序列原则。

Journal ref CSCW Companion '26: Companion Publication of the 2026 Conference on Computer-Supported Cooperative Work and Social Computing

BIT-Nav: Brain-Inspired Trajectory Memory for Embodied Navigation

BIT-Nav: 具身导航的脑启发轨迹记忆

Rithvik Jonna, Aakash Gurram, Man Namgung, Wyatt Mackey, Tinoosh Mohsenin

机构 * Johns Hopkins University（约翰霍普金斯大学） ； DEVCOM Army Research Laboratory（DEVCOM陆军研究实验室） 纠错

AI总结 提出BIT-Nav框架，通过轻量级学习轨迹记忆增强冻结的视觉-语言模型导航，解决长序列中帧采样稀疏问题，以恒定token成本编码结构化运动历史。

Comments Accepted to CVPR 2026: 2nd Workshop on 3D-LLM/VLA: Bridging Language, Vision and Action in 3D Environments

Recency/Frequency Adaptive KV Caching for Large Language Model Serving

面向大语言模型服务的近期/频率自适应KV缓存

Yang Shen, Meghana Madhyastha, Robert Underwood, Bogdan Nicolae, Randal Burns

机构 * Department of Computer Science, Johns Hopkins University, Baltimore, USA（约翰霍普金斯大学计算机科学系） ； Argonne National Laboratory, Lemont, USA（阿贡国家实验室） ； Parasail, Inc., San Mateo, USA（Parasail公司） 纠错

AI总结 针对LRU策略在多工作负载下缓存失效问题，提出自适应KV缓存，动态分配近期与高频KV块的空间，在合成文档问答中缓存命中率提升10.8%，首令牌时间降低12.6%。

Comments Accepted at the ICML 2026 Workshop on Resource-Adaptive Foundation Model Inference (AdaptFM)