高校专区
价值轴：语言模型编码它们是否在正确的轨道上
机构 * Stanford University（斯坦福大学） ； Anthropic
AI总结 通过构建Qwen3-8B的“价值轴”，发现语言模型内部追踪当前轨迹的成功概率，并影响自信、自我纠正和探索行为。
Comments Code repository: https://github.com/nickjiang2378/value-axis
ExpRL: 用于LLM中期训练的探索性强化学习
机构 * Stanford University（斯坦福大学） ； Carnegie Mellon University（卡内基梅隆大学） ； OpenAI ； Rogo
AI总结 提出ExpRL方法，利用人类编写的问答数据作为奖励支架，通过密集奖励强化推理过程中的部分进展和有用行为，在数学推理任务上优于SFT、稀疏奖励GRPO和自蒸馏，并为后续稀疏奖励RL提供更好的初始化。
自适应表示的函数梯度下降
机构 * FGV EMAp ； IMPA ； Stanford University（斯坦福大学）
AI总结 提出一种自适应表示的函数梯度下降算法，通过将近似误差纳入分析，在平滑损失下收敛到驻点，在PL条件下收敛到全局最小值，在回归、PDE求解和计算机视觉中优于固定近似FGD和神经网络基线。
奇妙预训练优化器及其发现之处 II：超球优化
机构 * Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学） ； Tsinghua University（清华大学）
AI总结 针对Muon等优化器在大模型预训练中增益随规模增大而减弱的问题，提出Hyperball包装器，固定权重矩阵及其更新的Frobenius范数，在1.2B参数模型上实现20-30%的token等效加速，并改善学习率迁移。
Comments Corresponding blog post: https://psychedelic-sunstone-851.notion.site/Fantastic-Pretraining-Optimizers-and-Where-to-Find-Them-2-1-Hyperball-Optimization-2e924306e6f280e7a5ffee00eb40a0dd
理解环境感知的信息检索行为
机构 * Fudan University（复旦大学） ； Alibaba DAMO Academy（阿里巴巴达摩院） ； Chinese University of Hong Kong（香港中文大学） ； Stanford University（斯坦福大学） ； Shanghai University of Finance and Economics（上海财经大学）
AI总结 通过强化学习使LLM适应不同检索器的查询策略，发现不同检索器偏好不同查询风格，并提出分支式滚动技术提升训练稳定性。
Comments ACL 2026 Main
集成优势：面向中小企业的受控代理型人工智能
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 本文提出代理型AI对中小企业的近期价值在于受控部分自主性，而非完全自主或减员，并给出集成框架以提升生产力。
Comments 10 pages, 15 tables
AI系统在说服力上超越人类专家
机构 * University of Oxford（牛津大学） ； UK AI Security Institute（英国人工智能安全研究所） ； Stanford University（斯坦福大学） ； London School of Economics and Political Science（伦敦政治经济学院）
AI总结 通过四项预注册实验（n=18,978次对话），发现AI系统在说服力上可靠地超越人类专家，包括专业拉票者和世界辩论冠军，其优势源于快速部署大量信息，并扩展到现实世界筹款行为。
Comments 16 pages, 4 figures
ACCORD: 面向语言智能体的动作条件上下文接地
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Stanford University（斯坦福大学）
AI总结 针对用户指令常因隐含环境假设而欠指定，导致LLM智能体执行失败的问题，提出ACCORD框架，在每次动作前主动探测缺失信息并整合轨迹上下文，无需额外训练，在AppWorld和AlfWorld上显著提升任务完成率。
架构智慧：AI系统中优化治理的框架
机构 * Stanford University（斯坦福大学）
AI总结 提出一种可修正的目标治理层，通过时间跨度、关系边界和不可逆性三个结构承诺，解决AI系统优化目标不当导致的失败问题。
Comments 17 pages, 2 tables, 2 figures
FlowMPC：利用世界模型改进流匹配策略
机构 * Stanford University（斯坦福大学）
AI总结 提出FlowMPC框架，结合流匹配模仿策略与学习的世界模型，通过MPPI规划提升测试时性能，在ManiSkill操作任务中显著提高成功率。
面向长时任务的视觉运动策略短期记忆扩展
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； Toyota Research Institute（丰田研究院）
AI总结 提出PRISM架构，通过门控注意力与层次化压缩扩展视觉运动策略的短期记忆至两分钟，在ReMemBench基准上超越现有方法5%-12%。
Comments 14 pages, 9 Figures, 8 Tables
弥合无模拟潜在随机微分方程中的近似差距
机构 * Stanford University（斯坦福大学）
AI总结 针对现有无模拟变分推断算法因参数化限制导致后验推断和参数学习性能下降的问题，提出Helmholtz-SDE算法，通过优化与指定边际分布兼容的路径律来弥合近似差距，在保持高效的同时恢复更准确的动力学。
自回归蛋白质语言模型中的电路追踪
机构 * Stanford University（斯坦福大学）
AI总结 提出ProGenMech框架，通过跨层稀疏编码器忠实恢复ProGen3的生成计算，并零样本发现与蛋白质生成和适应性预测相关的稀疏电路，揭示生物意义基序。
Comments Accepted into the Mechanistic Interpretability Workshop at ICML 2026. 24 pages, 14 figures
学习纵向胸部X光分析的方向性语义转变
机构 * Rensselaer Polytechnic Institute（伦斯勒理工学院） ； Stanford University（斯坦福大学） ； Massachusetts General Hospital, Harvard Medical School（麻省总医院，哈佛医学院）
AI总结 提出ProTrans框架，将疾病进展建模为配对CXR研究间的方向性语义转变，利用放射学报告和可学习进展特征图显式编码语义变化，通过反向时间建模和双向重建一致性实现方向感知，在纵向下游任务中优于现有方法。
Comments MICCAI 2026
DeepRoot: 一个基于知识图谱协调的多智能体系统，用于历史医学文本的治疗推理
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； University of Cambridge（剑桥大学） ； University of Toronto（多伦多大学）
AI总结 提出DeepRoot多智能体系统，通过联合构建和利用验证知识图谱，将接地与推理分离并组合，从历史医学文本中恢复药物-疾病治疗关系，显著优于基线LLM和工具调用LLM。
Journal ref ICML 2026 GenBio; ACM CAIS 2026 Workshop AI Agents for Discovery in the Wild
面向 FHIR 问卷术语绑定的迁移学习
机构 * Department of Computer Science, Stanford University（斯坦福大学计算机科学系）
AI总结 将 FHIR 问卷项与 LOINC 代码的绑定视为检索问题，比较六种方法，发现 BioLORD 在 top-1 准确率上最优，而对比微调在 top-5 和 top-10 上表现更好，并分析了分布偏移和错误类型。
超越分类：呼吸声学基础模型的咳嗽回归基准
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 提出多模型多目标咳嗽回归基准，评估五个基础模型在六个目标上的表现，发现MLP-small优于线性探测，揭示数据集大小与头部容量的权衡，并展示跨数据集迁移的不对称性。
Comments Accepted at the ICML 2026 Workshop on Structured Data for Health
神经网络能否实现最优计算-统计权衡？基于单指标模型的分析
机构 * Department of Statistics and Data Science, Yale University（耶鲁大学统计与数据科学系） ； Department of Statistics, University of Chicago（芝加哥大学统计系） ； Department of Management Science and Engineering, Stanford University（斯坦福大学管理科学与工程系） ； Toyota Technological Institute at Chicago（芝加哥丰田技术研究所）
AI总结 提出统一梯度算法训练两层神经网络，在多项式时间内学习高斯单指标模型，样本复杂度匹配SQ下界，并扩展到稀疏情形。
Comments 96 pages, 4 figures
Spokes: 优化多样化预训练数据选择
机构 * DSO National Laboratories（DSO国家实验室） ； Stanford University（斯坦福大学） ； University of Washington（华盛顿大学）
AI总结 提出基于G-Vendi分数的概率多样化框架，通过指数梯度下降直接优化数据多样性，在FineWeb和DCLM上提升下游性能1.5和1.4个点。
Comments 9 pages, 4 figures
Metric Match：一种评估LLM评判可靠性的子集选择方法
机构 * Stanford University（斯坦福大学）
AI总结 提出Metric Match方法，通过选择少量样本进行人工标注，以子集匹配总体可靠性指标，从而高效估计LLM评判的可靠性，实验表明在15个数据集上平均估计误差降低18.7%，标注需求减少32.5%。
ReGenHuman: 重新生成人体外观以实现逼真的全身视频匿名化
机构 * Stanford University（斯坦福大学）
AI总结 提出ReGenHuman，首个同时实现逼真、时间一致且天生匿名的全身视频匿名化流水线，采用“重新生成而非编辑”范式，利用结构条件微调视频扩散模型合成人体区域。
MVEB：大规模视频嵌入基准
机构 * Harvard University（哈佛大学） ； SaluteDevices ； MIRAI ； Zendesk ； Shanghai University of Finance and Economics（上海财经大学） ； Google LLC ； Salesforce ； Cornell University（康奈尔大学） ； Astera Institute（Astera研究院） ； Independent Contributor（独立贡献者） ； Indian Institute of Technology, Kharagpur（印度理工学院，克拉格浦分校） ； Barclays（巴克莱银行） ； Aarhus University（奥胡斯大学） ； Stanford University（斯坦福大学）
AI总结 提出MVEB基准，包含23个任务评估33种视频嵌入模型，发现无单一模型占优，音频贡献取决于标注来源，并集成到MTEB生态。
基于模拟的科学预训练：喷注基础模型训练目标研究
机构 * Department of Physics, University of Toronto and Vector Institute（物理系，多伦多大学和向量研究所） ； NERSC, Lawrence Berkeley National Laboratory（NERSC，伯克利国家实验室） ； Institut für Experimentalphysik, Universität Hamburg（实验物理研究所，汉堡大学） ； Nagoya University, Kobayashi-Maskawa Institute（名古屋大学，小林昭夫研究所） ； Department of Particle Physics and Astrophysics, Stanford University（粒子物理与天体物理系，斯坦福大学） ； Fundamental Physics Directorate, SLAC National Accelerator Laboratory（基础物理局，SLAC国家加速器实验室）
AI总结 本文系统比较了高能物理中基础模型的预训练方法，发现纯分类预训练在标签充足时最优，结合自监督掩码粒子建模在低标签场景下表现突出，而流匹配生成预训练对下游分类无益，但必须包含在预训练目标中才能提升生成任务。
纹理证据在 SAM 中存在于何处？特征、提议掩码与纹理分割
机构 * Tel Aviv University（特拉维夫大学） ； Stanford University（斯坦福大学） ； Technion（以色列理工学院）
AI总结 研究冻结的 Segment Anything Model (SAM) 中纹理相关证据的存在性，通过最小聚类读取和提议银行监督读取分析多尺度特征与自动提议掩码，发现 SAM 并非纹理盲，但默认失败源于读取不匹配和承诺失败。
Comments 26 pages, 13 figures, 20 tables. Code available at https://github.com/Scientific-Computing-Lab/ArchiTexture
子语义图像分割
机构 * Tel Aviv University（特拉维夫大学） ； Stanford University（斯坦福大学） ； Technion（以色列理工学院）
AI总结 提出子语义图像分割，通过耦合视觉-语言模型与SAM，并引入DETECTURE解决语言泄漏、提示竞争和语义失真问题，在自建数据集TextureADE上取得最优性能。
Comments 23 pages. Code: https://github.com/Scientific-Computing-Lab/TextureDetecture
大型语言模型有情感吗？
机构 * Harvard Business School（哈佛商学院） ； Department of Psychology, Harvard University（哈佛大学心理学系） ； Harvard University, Digital, Data and Design Institute（哈佛大学数字、数据与设计研究所） ； Department of Psychology, Stanford University（斯坦福大学心理学系）
AI总结 本文评估Anthropic声称Claude Sonnet 4.5具有“功能性情感”的说法，从生物情感功能角度分析，指出其部分支持情境解释功能，但缺乏动态重组能力。
M*: 一个模块化、可扩展的多模态模型服务系统
机构 * Stanford University（斯坦福大学） ； University of Washington（华盛顿大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出M*系统，通过将模型表示为数据流图并引入Walk Graph抽象，支持多模态复合模型的高效服务，在多个任务上降低延迟并提升吞吐量。
Comments The codebase is available at https://github.com/mstar-project/mstar
自适应序列数据生成的扩散模型
机构 * Department of Applied Mathematics and Statistics, Data Science and AI Institute, and Mathematical Institute for Data Science, Johns Hopkins University（应用数学与统计学系、数据科学与人工智能研究所、数据科学数学研究所，约翰霍普金斯大学） ； Department of Industrial Engineering and Management Sciences, Northwestern University（工业工程与管理科学系，西北大学） ； Department Management Science and Engineering, Stanford University（管理科学与工程系，斯坦福大学）
AI总结 提出一种顺序前向后向扩散框架，通过沿序列逐步注入和去除噪声并基于历史生成条件确保自适应性，用于生成自适应时间序列数据，并引入新的分数匹配目标实现高效并行训练，在合成数据和均值-方差最优投资组合构建中验证有效性。
Comments 38 pages
Fast-dLLM++: 用于更快扩散LLM推理的Fréchet轮廓解码
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 针对扩散大语言模型推理中并行令牌生成的瓶颈，提出Fréchet轮廓解码方法，通过利用异构置信度轮廓选择并行提交集，在保持模型和缓存不变的情况下提升吞吐量。
Comments Initial version accepted at Workshop on Structured Probabilistic Inference & Generative Modeling, ICML 2026. Project Page: https://ringo-star.github.io/projectpage_frechet/
使用混合量子-经典有限基架构加速全波形反演的物理信息神经网络
机构 * Department of Geophysics, Colorado School of Mines（地质学系，科罗拉多矿业学院） ； Department of Energy Science and Engineering, Stanford University（能源科学与工程系，斯坦福大学） ； Department of Petroleum Engineering, Colorado School of Mines（石油工程系，科罗拉多矿业学院）
AI总结 提出一种混合量子-经典FBPINN用于声波全波形反演，通过参数化量子电路实现波场和速度网络，在约8倍少的训练迭代次数下达到比经典基线更低的L1速度误差，并泛化至其他波反演问题。
Comments 20 pages
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