高校专区
对前沿大语言模型中过早闭合进行量化与缓解
机构 * Department of Medicine, Stanford University（斯坦福大学医学系） ； Department of Biomedical Data Science, Stanford University（斯坦福大学生物医学数据科学系）
AI总结 本文研究了大语言模型在医疗任务中过早闭合的问题，通过评估五个前沿模型发现其在不确定情况下仍频繁给出答案，安全提示虽能减少错误，但仍有残留问题，需进一步验证医疗LLM是否能判断何时不应回答。
Comments 14 pages, 3 figures, 1 table
从儿童视角表征物体的可视化分析
机构 * Department of Psychology, University of California San Diego（加州大学圣地亚哥分校心理学系） ； Department of Psychology, Stanford University（斯坦福大学心理学系） ； Department of Computer Science, Stanford University（斯坦福大学计算机科学系）
AI总结 研究分析了儿童日常经验中物体类别表征的视觉输入，发现常见物体如杯子、椅子占据主导地位，而多数类别出现频率低。尽管物体视角多样，但检测到的类别在上位类别中表现出更强的聚类特征。
Comments 19 pages, 6 figures
AuralSAM2：通过金字塔音频视觉特征提示实现SAM2的听觉能力
机构 * Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Australian Institute for Machine Learning, Adelaide University（阿德莱德大学人工智能研究所） ； Stanford University（斯坦福大学） ； University of Central Florida（佛罗里达中央大学） ； University of Surrey（萨里大学）
AI总结 AuralSAM2通过金字塔音频视觉特征提示整合音频，保持SAM2的可提示分割能力，引入AuralFuser融合音频和视觉特征，并通过音频引导对比损失对齐模态，提升分割精度。
Comments Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Findings, 2026
我们真的需要外部工具来缓解幻觉吗？SIRA：共享前缀内部重构归因
机构 * Tsinghua University（清华大学） ； The University of Sydney（悉尼大学） ； Stanford University（斯坦福大学） ； Baichuan AI（百川AI）
AI总结 SIRA通过内部构建对比参考减少视觉语言模型的幻觉，无需外部工具或额外计算，保持描述覆盖并降低开销。
FrontierSmith: 批量合成开放性编程问题
机构 * University of Washington（华盛顿大学） ； Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Bespoke Labs（Bespoke实验室）
AI总结 本文提出FrontierSmith系统，通过迭代演化现有封闭性编程任务生成开放性问题，提升LLM编程能力，在两个基准测试中显著提升模型性能。
生成式深度学习用于未注册数字病理图像的计算脱色和复染
机构 * Department of Computer Science University of California Irvine, CA, USA（计算机科学系 加州大学 伊藤市 加州 USA） ； Department of Pathology Stanford University Stanford, CA, USA（病理学系 斯坦福大学 斯坦福市 加州 USA）
AI总结 本文提出基于cGAN的生成式深度学习方法，用于未注册数字病理图像的计算脱色和复染，通过预处理流程提升模型性能，验证了在跨机构数据集上的可行性。
动作条件化风险门控用于部分可观测下的安全关键控制
机构 * University of Virginia（弗吉尼亚大学） ； Google（谷歌） ； University of Maryland, College Park（马里兰大学 College Park 分校） ； Stanford University（斯坦福大学） ； Louisiana State University（路易斯安那州立大学） ； College of William and Mary（威廉与玛丽学院）
AI总结 本文提出一种轻量级风险门控强化学习方法，用于部分可观测环境下风险敏感控制。通过构建紧凑的有限历史代理状态并学习动作条件化的短期安全违规预测，实现风险惩罚与决策时的保守评估，提升安全关键任务的性能与效率。
PreFT：仅前缀微调用于高效的推理
机构 * Stanford University（斯坦福大学） ； Tilde Research（Tilde研究）
AI总结 本文提出PreFT，通过仅在前缀阶段应用适配器以提高多适配器服务的吞吐量，实验显示其在不同任务中均优于传统PEFT。
ToolMol：多目标药物发现的进化代理框架
机构 * Department of Computer Science（计算机科学系） ； Skaggs School of Pharmacy（斯卡格斯药学院） ； Department of Computer Science, Stanford University（斯坦福大学计算机科学系）
AI总结 ToolMol结合多目标遗传算法与代理LLM操作符，通过迭代更新配体群体，实现多目标属性优化，发现具有更强预测结合亲和力的药物候选物。
Comments 9 pages, 5 figures
因果推理基准：用于解耦评估因果识别和估计的现实世界基准
机构 * Stanford University（斯坦福大学）
AI总结 本文提出CausalReasoningBenchmark，通过173个查询和132个现实数据集评估因果识别与估计，揭示模型在研究设计细节上的瓶颈。
跨物种神经基础模型用于端到端语音解码
机构 * Columbia University（哥伦比亚大学） ； Stanford University（斯坦福大学） ； Microsoft（微软公司） ； University of Washington（华盛顿大学）
AI总结 本文提出端到端BraIn-to-Text框架，通过单个可微神经网络将神经活动转化为连贯句子，利用跨任务、跨物种预训练神经编码器提升语音解码性能，降低词错误率至10.22%。
扩大学习范围：嵌套子空间中的自适应贝叶斯优化
机构 * Lund University（吕勒欧大学） ； Stanford University（斯坦福大学） ； DBtune ； Amazon（亚马逊）
AI总结 本文提出BAxUS方法，通过嵌套随机子空间自适应优化空间，提升高维贝叶斯优化性能，理论保证其鲁棒性并在多种应用中表现更优。
Comments 28 pages, 8 figures. Accepted to NeurIPS 2022. This is the revised version and includes the appendix
Journal ref Advances in Neural Information Processing Systems 35 (NeurIPS 2022), pp. 11586-11601
不稳定的度量标准与AI模型构建者的基准文化
机构 * Independent Researcher（独立研究者） ； Stanford University（斯坦福大学）
AI总结 研究探讨了AI模型构建者如何通过选择和突出特定基准来定义技术现状，揭示了基准选择的碎片化和跨模型比较的局限性，提出统一的分类框架以解决术语冲突。
意识作为罕见的自我知识：一种协同信息框架
机构 * Stanford University（斯坦福大学）
AI总结 本文提出罕见自我知识作为意识的标准，通过协同信息框架区分意识与元认知，解决IIT等理论的反例，并提供可操作的实证预测。
Comments Conceptual and formal paper on consciousness as uncommon self-knowledge, 8 pages, 2 tables
基于不确定性的AI驱动优化用于矿物加工操作
机构 * Materials Science & Engineering, Stanford University（材料科学与工程系，斯坦福大学） ； Earth & Planetary Sciences, Stanford University（地球与行星科学系，斯坦福大学） ； Aeronautics & Astronautics, Stanford University（航空与宇航科学系，斯坦福大学）
AI总结 本文提出一种AI驱动方法，将矿物加工建模为部分可观测马尔可夫决策过程，以应对原料和过程动态的不确定性，提升净现值等目标的优化性能。
Comments 13 pages, 15 figures, published in Sustainable Earth Resources Communications (SERC)
Journal ref Sustain. Earth Resour. Commun. 2025, 1(2): 100-112
双上升扩散用于逆问题
机构 * Stanford University（斯坦福大学）
AI总结 本文提出双上升优化框架解决逆问题，提升图像质量与鲁棒性，改进扩散模型先验的MAP求解方法。
Comments Project page: https://soniaminseokim.github.io/ddiff/
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