高校专区
过重采样优化：大语言模型推理的测试时自校正
机构 * University of Oklahoma（俄克拉荷马大学） ； Stanford University（斯坦福大学） ； Universitat Pompeu Fabra（庞培法布拉大学） ； Air University（空军大学）
AI总结 本文提出无验证器的广度-深度优化框架，通过迭代自我批判与校正优化采样的 LLM 推理轨迹，在多个数学推理数据集及多款开放权重模型上，较基线方法实现了推理准确率的显著提升。
Comments Submitted to EMNLP 2026
Align-RAG：TSFM上下文学习的全部需求在于对齐
机构 * Stanford University（斯坦福大学） ； Amazon（亚马逊公司）
AI总结 提出无需训练的Align-RAG方法，通过闭式对齐检索窗口，在冻结TSFM上提升检索增强预测性能，证明冻结TSFM可动态整合检索结果，闭式对齐可作为默认基线。
面向胸部X射线报告生成的正例-无标签偏好优化
机构 * Columbia University（哥伦比亚大学） ； Stanford University（斯坦福大学） ； Emory University（埃默里大学）
AI总结 该研究针对放射报告生成VLM的遗漏噪声问题，提出PU-DPO框架，将未提及项视为无标签，通过对比对优化，提升病理检测率与隐藏正例恢复能力，增强对遗漏噪声的鲁棒性。
四足运动的快速身体适配
机构 * UC San Diego（加州大学圣迭戈分校） ； Stanford University（斯坦福大学） ； TU Darmstadt（达姆施塔特工业大学） ； Sudo AI GmbH（Sudo AI 有限公司） ； German Research Center for AI (DFKI)（德国人工智能研究中心） ； Robotics Institute Germany（德国机器人研究所）
AI总结 本研究提出在线身体适配框架，结合通用策略与轻量级适配模块，可快速推断四足机器人硬件状态，在仿真与真实Unitree Go2机器人上均实现了对关节、负载变化的稳定适配。
AISPA：面向大语言模型应用的以用户为中心的系统提示审计框架
机构 * Stanford University（斯坦福大学） ； CMU（卡内基梅隆大学） ； UT Austin（德克萨斯大学奥斯汀分校） ； University of Toronto（多伦多大学） ； UCSB（加利福尼亚大学圣巴巴拉分校） ； WashU（华盛顿大学） ； OSU（俄亥俄州立大学） ； UCSC（加利福尼亚大学圣克鲁兹分校） ； Northwestern University（西北大学） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； KAUST（阿卜杜拉国王科技大学） ； MIT（麻省理工学院） ； University of Oxford（牛津大学） ； Institute for Decentralized AI（去中心化人工智能研究所）
AI总结 本文提出以用户为中心的AISPA框架，审计88款商业AI产品的3249条系统提示指令，发现其设计差异大、保护指令范围浅、长度增长但仍存问题指令，凸显系统提示需更高透明度与监督。
TRW: TRACE-RealWorld——作为物化视图的世界模型的可审计一致性契约
机构 * Stanford University（斯坦福大学）
AI总结 TRACE-RealWorld解决在变化物理世界中维护物化视图的问题，提出承诺级有效性抽象等数据管理方法，通过端到端评估测量多方面指标，贡献是为部署世界表示提供一致性、恢复和问责契约。
Comments v2 propagates declared point and extended hazards through the composition theorem and separates point-event from interval-risk budgets. It aligns Flood-SAR adjudication with each hazard class, sharpens calibration-slack and drift claims, adds bootstrap Monte Carlo error and joint-coverage requirements, revises terminology, and expands related-work context
SP-Mind: 用于空间蛋白质组学分析的自主推理智能体
机构 * Department of Computer Science, Stanford University, Stanford, USA（计算机科学系，斯坦福大学，斯坦福，美国） ； Department of Radiation Oncology, Stanford University, Stanford, USA（放射肿瘤学系，斯坦福大学，斯坦福，美国）
AI总结 提出首个自主AI智能体SP-Mind，统一空间蛋白质组学分析流程，通过自然语言查询实现端到端分析，在SP-Bench基准上达到最优性能。
Comments 24 pages, 6 figures. Accepted to ICML 2026. Equal contribution by Yucheng Yuan and Yuanfeng Ji
VISA: VLM引导的实例语义审计用于3D占据世界模型
机构 * University of Maryland College Park（马里兰大学帕克分校） ； Nanjing University of Posts and Telecommunications（南京邮电大学） ； Stanford University（斯坦福大学） ； Motional AD Inc.（Motional AD公司）
AI总结 提出VISA方法，利用离线VLM对每个物理对象实例进行结构化语义审计，并通过可靠性加权损失蒸馏到3D占据模型中，无需VLM推理即可提升封闭集占据mIoU。
缩小生成-验证差距的弱验证器
机构 * Stanford University（斯坦福大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Together AI
AI总结 Weaver通过结合多个弱验证器，有效缩小生成-验证差距，提升验证性能至接近理想验证器水平。
Comments Annual Conference on Neural Information Processing Systems (NeurIPS) 2025
nnMIL：一种可泛化的计算病理学多实例学习框架
机构 * Department of Radiation Oncology, Stanford University School of Medicine, Stanford, CA, USA（放射肿瘤科，斯坦福大学医学院，斯坦福，CA，USA） ； Stanford Institute for Human-Centered Artificial Intelligence, Stanford, CA, USA（斯坦福大学人本人工智能研究所，斯坦福，CA，USA）
AI总结 nnMIL是一种可泛化的计算病理学多实例学习框架，通过斑块与特征级随机采样等技术，在4万张全切片图像的35项临床任务中优于现有方法，实现了病理学基础模型向临床预测的转化。
Comments In this version, we fixed some issues and updated some results
机构 * Boston University（波士顿大学） ； Stanford University（斯坦福大学） ； Boston University Medical Campus（波士顿大学医学校区） ； University of Pittsburgh（匹兹堡大学）
Comments ACL 2025. Code: https://github.com/batmanlab/Ladder
Journal ref Findings of the Association for Computational Linguistics: ACL 2025, pages 22935-22970
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