TLDChoiceNet: Quantitatively Choosing a Transfer Learning Dataset
TLDChoiceNet：定量选择迁移学习数据集
机构 * Stanford University（斯坦福大学）
AI总结 本文设计TLDChoiceNet模型，通过预测微调后测试集准确率选择最优迁移学习数据集，提出分布距离与平均类别相关性指标，相关指标可有效预测迁移学习效果。
高校专区
Stanford University（斯坦福大学）
Protecting patient privacy in clinical foundation models: Technical and legal perspectives
临床基础模型中的患者隐私保护：技术与法律视角
机构 * Massachusetts Institute of Technology (MIT)（麻省理工学院（MIT）） ； The Broad Institute of MIT and Harvard（麻省理工学院与哈佛大学博德研究所） ； Borealis AI ； Stanford University（斯坦福大学） ； Aalto University（阿尔托大学） ； Max Planck Institute for Tax Law and Public Finance（马克斯·普朗克税法与公共财政研究所） ； Stanford Law School（斯坦福法学院） ； Harvard Law School（哈佛法学院） ； Petrie-Flom Center for Health Law Policy, Biotechnology & Bioethics（皮里-弗洛姆健康法律政策、生物技术与生物伦理中心）
AI总结 针对临床基础模型的隐私风险，提出实用评估框架，结合技术与法律措施缓解泄露，在保留模型价值的同时保护患者隐私。
Comments 14 pages, 2 Figures, 2 Tables
Learning Physical Interaction: A Survey of Tactile- and Force-aware Robot Learning
学习物理交互：触觉与力感知机器人学习综述
机构 * Nanyang Technological University（南洋理工大学） ； Stanford University（斯坦福大学） ； University of California, Berkeley（加利福尼亚大学伯克利分校） ； Massachusetts Institute of Technology（麻省理工学院） ； National University of Singapore（新加坡国立大学） ； Georgia Institute of Technology（佐治亚理工学院） ； The University of Tokyo（东京大学） ； ETH Zurich（苏黎世联邦理工学院） ； Harvard University（哈佛大学） ； Imperial College London（伦敦帝国学院） ； KTH Royal Institute of Technology（瑞典皇家理工学院） ； Technical University of Darmstadt（达姆施塔特工业大学）
AI总结 本综述针对力与触觉感知机器人学习研究的空白，提出TF-ART分类法，整合多模态感知与多阶段系统设计视角，兼具算法与实践意义。
Comments 53 pages, 7 figures
bioMoR: Biology-Guided Mixture-of-Recursions for Effective Genomic Learning
bioMoR：面向有效基因组学习的生物学引导递归混合模型
机构 * Iowa State University（爱荷华州立大学） ； Stanford University（斯坦福大学）
AI总结 bioMoR是首个将MoR应用于基因与通路学习的框架，通过整合生物学知识优化MoR，在8个组学基准测试中性能优于基线，且参数量与计算量显著降低，兼具可解释性。
SmartMage: Dynamic Modality Orchestration for 3D Scene Understanding
SmartMage：面向3D场景理解的动态模态编排
机构 * Zhejiang University（浙江大学） ； Stanford University（斯坦福大学）
AI总结 本文针对现有MLLMs采用固定模态组合的缺陷，提出SmartMage模型，通过SMART和MAGE模块动态编排模态，在5个3D场景理解基准上取得最优性能，在RGB视频理解基准上表现具竞争力。
Comments Accepted to ACM MM 2026
Physical AI Governance: From Theory to Practice Across Life Cycle
物理人工智能治理：跨越生命周期从理论到实践
机构 * Case Western Reserve University（凯斯西储大学） ； Shanghai Jiao Tong University（上海交通大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Columbia University（哥伦比亚大学） ； University of California, Riverside（加州大学河滨分校） ； Nanyang Technological University（南洋理工大学） ； New York University（纽约大学） ； Salesforce（Salesforce公司） ； Harvard University（哈佛大学） ； Stanford University（斯坦福大学）
AI总结 本文对物理人工智能治理进行全面综述，综合现有原则形成统一框架，提出五阶段生命周期，通过具体实践展示各阶段治理操作，为构建安全可信且符合社会价值的物理人工智能系统提供参考。
Alignment Collapse Under KV Cache Quantization: Diagnosis and Mitigation
KV缓存量化下的对齐崩溃：诊断与缓解
机构 * Stanford University（斯坦福大学） ； California Institute of Technology（加利福尼亚理工学院）
AI总结 研究发现低比特KV缓存量化会无声破坏大模型的安全对齐，根源在于安全特征位于低维激活子空间，易受量化噪声影响；提出逐通道缩减（PCR）诊断方法，分类三种失效模式并指导缓解，无需训练即可恢复高达97%的对齐损失。
Comments Preprint. 61 pages, 9 figures
Towards Understanding Modality Interaction in Multimodal Language Models via Partial Information Decomposition
通过部分信息分解理解多模态语言模型中的模态交互
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 引入部分信息分解（PID）框架，分离感官和语言输入的独特、冗余和协同贡献，揭示多模态大模型中的模态使用模式，并扩展至三模态系统。
Comments Accepted by ICML 2026
Wasserstein Distributionally Robust Regret Optimization for Reinforcement Learning from Human Feedback
Wasserstein分布鲁棒遗憾优化用于人类反馈的强化学习
机构 * Department of Statistics and Operations Research, University of North Carolina（统计与运筹学系，北卡罗来纳大学） ； Imperial Business School, Imperial College London（帝国理工学院伦敦商学院） ； Department of Management Science and Engineering, Stanford University（管理科学与工程系，斯坦福大学）
AI总结 本文提出Wasserstein分布鲁棒遗憾优化（DRRO）用于强化学习从人类反馈，通过简单分配模型研究提示问题，展示在ℓ1-地面成本Wasserstein模糊集下，内最坏遗憾有精确解，最优策略具有水填充结构，从而实现高效政策梯度算法。
The Cost of Language: Centroid Erasure Exposes and Exploits Modal Competition in Multimodal Language Models
语言的成本：质心擦除揭示并利用多模态语言模型中的模态竞争
机构 * Stanford University（斯坦福大学） ； University of Washington（华盛顿大学） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； USI Lugano（卢加诺大学）
AI总结 研究发现多模态语言模型在视觉任务中表现不佳，通过质心替换方法揭示语言表征优于视觉，通过文本质心对比解码提升准确率，不同训练方法影响结果。
Comments 37 pages, 8 figures, 28 tables
Quokka: Accelerating Program Verification with LLMs via Invariant Synthesis
Quokka：通过不变式合成加速程序验证
机构 * Stanford University（斯坦福大学） ； Shanghai Jiao Tong University（上海交通大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Amherst College（阿默斯特学院） ； Nanjing University（南京大学）
AI总结 Quokka通过利用大语言模型生成有用的循环不变式，提升程序验证效率，其评价导向框架在多个模型家族中表现出色，优于现有基于LLM的验证器。
To Memorize or to Retrieve: Scaling the Interaction Between Pretraining and Retrieval
记忆还是检索：考虑RAG的缩放规律
机构 * Stanford University（斯坦福大学） ； Independent Researcher（独立研究员） ； Patronus AI ； The Ohio State University（俄亥俄州立大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 研究探讨了预训练知识与检索知识的平衡，提出三维缩放框架，揭示在不同模型规模和任务类型下检索的边际效用，为语言模型设计提供数据资源分配指导。
Comments Code available at https://github.com/DegenAI-Labs/RAG-Scaling-Laws
Attn-QAT: 4-Bit Attention With Quantization-Aware Training
Attn-QAT：4位注意力与量化感知训练
机构 * Stanford University（斯坦福大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 Attn-QAT通过稳定4位量化感知训练实现高效的注意力计算，提升模型推理速度并保持性能。
LineGraph2Road: Structural Graph Reasoning on Line Graphs for Road Network Extraction
LineGraph2Road：基于线路图的结构图推理用于道路网络提取
机构 * Stanford University（斯坦福大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 LineGraph2Road通过构建全局稀疏欧几里得图并应用图变换器，提升道路网络提取的连通性预测，解决长距离依赖和复杂拓扑问题，实现高精度道路提取。
TGIF: Text-Guided Layer Fusion Mitigates Hallucination in Multimodal LLMs
基于文本引导的层融合缓解多模态大语言模型中的幻觉
机构 * University of Connecticut（康涅狄格大学） ； NVIDIA（NVIDIA公司） ； Stanford University（斯坦福大学）
AI总结 TGIF通过文本引导的层融合方法，有效缓解多模态大语言模型中的幻觉问题，提升视觉接地能力。
Comments Accepted at COLM 2026
SuperCoder: Assembly Program Superoptimization with Large Language Models
SuperCoder：基于大语言模型的汇编程序超优化
机构 * Stanford University（斯坦福大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Carnegie Mellon University（卡内基梅隆大学） ； Nanjing University（南京大学）
AI总结 SuperCoder利用大语言模型实现汇编程序超优化，通过强化学习微调后，正确性达95%且平均速度提升1.46倍。
iLTM: Integrated Large Tabular Model
iLTM：集成式大规模表格模型
机构 * Stanford University（斯坦福大学） ； University of California, Santa Cruz（加州大学圣克鲁兹分校） ； University of California, Berkeley（加州大学伯克利分校） ； École Polytechnique（巴黎高等理工学院）
AI总结 iLTM通过集成树派生嵌入、维度无关表示和超网络，提供了一个统一的表格学习框架，实现优于传统GBDT和深度表格模型的性能。
Comments Extended version of a paper accepted at KDD '26
Journal ref Proc. 32nd ACM SIGKDD Conf. on Knowledge Discovery and Data Mining, 2, 186-197 (2026)
Ensemble learning of pathology foundation models for precision oncology
面向精准肿瘤学的病理基础模型集成学习
机构 * Department of Radiation Oncology, Stanford University School of Medicine（放射肿瘤科，斯坦福大学医学院） ； Department of Pathology, Stanford University School of Medicine（病理学系，斯坦福大学医学院） ； Department of Medicine (Oncology), Stanford University School of Medicine（医学系（肿瘤学），斯坦福大学医学院） ； Department of Neurosurgery, Stanford University School of Medicine（神经外科，斯坦福大学医学院） ； Stanford Institute for Human-Centered Artificial Intelligence（斯坦福大学人本人工智能研究所）
AI总结 该研究针对现有病理基础模型性能不一致、泛化有限的问题，提出ELF集成学习框架，整合5个预训练病理基础模型，在5万余张WSIs上训练后，在多种肿瘤相关任务中性能优于单模型，为病理应用提供新方案。
Comments In this version, we fixed some issues and updated some results
