Stanford University（斯坦福大学）

Reconstruction: A Blind Benchmark for Recovering Research Ideas from Pre-Publication Bibliographies

重构：从预发表参考文献中恢复研究思路的盲基准

Shaolong Chen, Yanlin Fei, Nazhou Liu, Xinmiao Yu, Lei Li, Rahul Thapa, Madalina Ciobanu, Qingqing Mao, Ritankar Das

机构 * Stanford University（斯坦福大学） ； Titan Holdings（泰坦控股公司） ； Prentis AI（普伦蒂斯人工智能公司） 纠错

AI总结 该研究提出Reconstruction盲基准，测试语言模型从预发表参考文献恢复论文思路的能力，发现多智能体流水线可将匹配率提升约2.4倍。

One Residual with Three Reuses: A Wristband Front End for Gesture Sensing

一次残差的三次复用：用于手势感知的腕带前端

Sam Rifaki

机构 * Stanford University（斯坦福大学） 纠错

AI总结 本文设计了一款复用残差生成器的腕带前端，结合MEMS IMU与60 GHz FMCW雷达，在公开数据集上实现了手势检测、功耗降低及姿态跟踪精度提升。

Comments 3 pages, 3 figures, 1 table. Design study: results are from four public corpora; measured silicon power and on-body capture are out of scope and deferred to follow-on hardware work

Advancing Open and Reproducible Relational Learning: RelArena-$α$, TabPFN-Rel and RPI

推进开放且可复现的关系学习：RelArena-$α$、TabPFN-Rel与RPI

Adrian Hayler, Klemens Flöge, Alan Arazi, Rishabh Ranjan, Jure Leskovec, Felix Birkel, Brendan Roof, Anurag Garg, Kristina Collins, Lydia Sidhoum, Jonas Kübler, Siyuan Guo, Oscar Key, Jan Hendrik Metzen, Rylee Grace, David Salinas, Arthur Cahu, Simon Bing, Benjamin Jäger, Tuana Çelik, Mihir Manium, Vitor Monteiro, Jake Robertson, Jerry Chen, Eliott Kalfon, Tomás Pereda, Lilly Wehrhahn, Dominik Safaric, Tobias Schroeder, Georg Grab, Diana Kriuchkova, Clara Cornu, Philipp Singer, Nick Erickson, Vahid Balazadeh, Marie Salmon, Simone Alessi, Kürşat Kaya, Philipp Jund, Léo Grinsztajn, Yann LeCun, Bernhard Schölkopf, Madelon Hulsebos, Lennart Purucker, Sauraj Gambhir, Frank Hutter, Noah Hollmann

机构 * Prior Labs ； Stanford University（斯坦福大学） ； NVIDIA（英伟达） ； University of Freiburg（弗赖堡大学） ； ELLIS Institute Tübingen（图宾根ELLIS研究所） 纠错

AI总结 Prior Labs开源RelArena-$α$、TabPFN-Rel与RPI三款关系学习工具，解决领域内方法比较不可靠问题，TabPFN-Rel在RelArena-$α$暂居第一，为关系学习提供开放可复现的研究基础。

Learn What's Left, Not What's Mastered: Saturation Aware Advantage Reweighting for Multi-Reward Policy Optimization

学习剩余内容，而非已掌握内容：面向多奖励策略优化的饱和感知优势重加权方法

Yixuan Wang, Yifei Chen, Haichao Zhang, Haozheng Luo, Xander Wu, Jie Ni, Yun Fu, Nuno Vasconcelos, Yijiang Li

机构 * University of Florida（佛罗里达大学） ； UC San Diego（加州大学圣迭戈分校） ； Northeastern University（东北大学） ； Northwestern University（西北大学） ； Stanford University（斯坦福大学） ； Universität Innsbruck（因斯布鲁克大学） 纠错

AI总结 针对多奖励策略优化中现有方法的缺陷，提出SA-MRPO方法，动态分配优化资源，在数学推理、自适应推理、编码任务中均实现性能提升。

Comments 14 pages, 2 figures

Pre-training Visual Dexterity in Simulation

在仿真环境中预训练视觉灵巧性

Sarthak Kamat, Adam Rashid, Satvik Sharma, Aseem Doriwala, Chelsea Finn, Phillip Isola, C. Karen Liu

机构 * Stanford University（斯坦福大学） ； MIT（麻省理工学院） ； Scale AI（Scale AI公司） 纠错

AI总结 该研究提出SPD仿真预训练框架，采集75小时多任务灵巧操作数据预训练因果Transformer，经微调后在真实任务中优于从头训练的行为克隆策略，为真实世界灵巧操作提供可行预训练来源。

Comments Project page: this https URL (https://spd.bot)

Do Language Models Consistently Encode the Current Year?

语言模型是否一致地编码了当前年份？

Suze van Adrichem, Aditi Bhaskar, Diyi Yang, Christopher Potts, Jing Huang

机构 * Stanford University（斯坦福大学） 纠错

AI总结 该研究探究语言模型对当前年份的编码一致性，设计两项不同任务，发现关联与声明年份的编码机制不同，现有修改方法无法同时调整两者，表明当前年份未被一致编码。

Comments Accepted at the Conference on Language Modeling (COLM) 2026

Language models suffer from a curse of ambiguity

语言模型受困于歧义诅咒

Nicolas Zucchet, Hyun Dong Lee, Scott Linderman

机构 * Stanford University（斯坦福大学） 纠错

AI总结 本研究识别出大型语言模型等生成离散概率分布的神经网络存在歧义诅咒，即下一个词元分布歧义性越高越难准确学习，经理论分析与实验验证，为理解模型统计能力及信任其输出分布提供了新视角与实用框架。

What to Forget in Unlearning? Forget Set Curation for Language Models

模型遗忘中该遗忘什么？面向语言模型的遗忘集筛选

Animesh Jha, Arpandeep Khatua, Youssef Allouah, Sanmi Koyejo

机构 * Stanford University（斯坦福大学） 纠错

AI总结 针对语言模型遗忘中遗忘集筛选缺失的问题，提出CleanSlate基准，发现不同遗忘集筛选器存在抑制效果弱或附带损伤的缺陷，表明遗忘集选择会影响遗忘效果与附带损伤。

Comments Presented at MemFM @ ICML 2026 and FoGen @ ICML 2026

MISTac: A Vision-Based Tactile Sensor for Minimally Invasive Surgery

MISTac：一种用于微创手术的基于视觉的触觉传感器

Robin Koch, Annabella Mascot, Rayan Younis, Martin Wagner, Stefanie Speidel, Mark Cutkosky, Ingo Sieber, Roberto Calandra

机构 * TUD Dresden University of Technology（德累斯顿工业大学） ； Stanford University（斯坦福大学） ； University Hospital Carl Gustav Carus（卡尔·古斯塔夫·卡鲁斯大学医院） ； Centre for Tactile Internet with Human-in-the-Loop (CeTI)（以人为中心的触觉互联网中心） ； National Center for Tumor Diseases (NCT)（国家肿瘤疾病中心） ； DKFZ（德国癌症研究中心） ； Helmholtz-Zentrum Dresden-Rossendorf (HZDR)（德累斯顿-罗森多夫亥姆霍兹中心） ； Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院） 纠错

AI总结 针对微创手术中触觉反馈缺失问题，研发了专为触诊设计的基于视觉的高分辨率触觉传感器MISTac，经体内研究验证其可用性，训练的机器学习模型在组织分类任务中留一法交叉验证准确率约84%，并开源该传感器。

Comments This work has been submitted to the IEEE for possible publication