Stanford University（斯坦福大学）

StagedWorkspace: A Versioned Workspace for Knowledge-Work Agents

StagedWorkspace：面向知识工作智能体的版本化工作空间

Yining Hua, Hongbin Na, Yifan Zhou, Akshay Kalose, Cyrus Ayubcha, Levi Lian

机构 * Harvard University（哈佛大学） ； Raycaster AI（雷caster人工智能公司） ； University of Technology Sydney（悉尼科技大学） ； University of Washington（华盛顿大学） ； Stanford University（斯坦福大学） 纠错

AI总结 该研究针对知识工作智能体的版本化工作空间问题，提出StagedWorkspace方案，通过绑定解析记录与原生文件内容哈希提升性能，在OfficeQA Pro等数据集上取得显著优于基准的效果，为相关基准构建提供了新方向。

Comments Under Review

MANIGUARD: A Benchmark and Data Suite for Specification-Grounded Safety Evaluation and Improvement of Robotic Manipulation

MANIGUARD：用于基于规范的机器人操作安全评估与改进的基准及数据集套件

Yiyan Peng, Philip Wang, Simon Sinong Zhan, Yiqi Lyu, Zhenyang Ni, Jixin Yan, Fiorelli Wong, Ruochen Jiao, Hang Yin, Xinyu Cao, Huajie Shao, Manling Li, Ruohan Zhang, Qi Zhu

机构 * Northwestern University（西北大学） ； Stanford University（斯坦福大学） ； William & Mary（威廉玛丽学院） 纠错

AI总结 本研究提出ManiGuard基准与数据集套件，针对机器人操作基础模型策略，通过含23000余次滚动的实验证实安全需独立于任务成功评估，微调可提升安全表现但仍存差距。

PTXBench: Benchmark and Adapt LLMs for GPU Kernel Optimization with Architecture-specific PTX

PTXBench：用于结合架构特定PTX优化GPU内核的大型语言模型基准测试与适配

Genghan Zhang, Yixin Dong, Chengze Fan, Zhichen Zeng, Yueming Yuan, Shaowei Zhu, Kunle Olukotun

机构 * Carnegie Mellon University（卡内基梅隆大学） ； RadixArk ； Stanford University（斯坦福大学） 纠错

AI总结 研究提出PTXBench基准测试，评估LLM结合架构特定PTX优化GPU内核的能力，发现现有模型能力不均衡，经微调Qwen3.6-27B可改善部分任务但泛化仍不均，该基准为相关研究提供可审计测试平台。

Q-Learning With World Models

结合世界模型的Q学习

Perry Dong, Yueru Jia, Chelsea Finn, Dorsa Sadigh

机构 * Stanford University（斯坦福大学） ； Peking University（北京大学） 纠错

AI总结 本研究提出QWM框架，将世界模型与标准Q学习结合，在真实环境训练中避免复合模型偏差，在Robomimic和LIBERO基准上的样本效率与性能均优于现有SOTA方法。

AQuA: Recursively Self-Improving Quantitative Trading Research Agents

AQuA：递归自我改进的量化交易研究智能体

Jiacheng Guo, Suozhi Huang, Yunlong Gao, Zihao Li, Jason Ge, Xu Kuang, Mengdi Wang

机构 * Princeton University（普林斯顿大学） ； Ant Group（蚂蚁集团） ； Stanford University（斯坦福大学） 纠错

AI总结 本研究提出AQuA系统，包含符号因子发现与可训练模型开发两个独立研究智能体，实现研究层面的递归自我改进，其构建的量化策略在美股等市场表现优异且连续五年收益为正。

EXPO-FT: Sample-Efficient Reinforcement Learning Finetuning for Vision-Language-Action Models

EXPO-FT：面向视觉-语言-动作模型的样本高效强化学习微调

Perry Dong, Kuo-Han Hung, Tian Gao, Dorsa Sadigh, Chelsea Finn

机构 * Stanford University（斯坦福大学） 纠错

AI总结 提出EXPO-FT系统，通过样本高效的强化学习微调预训练的VLA策略，在多种高精度操作任务中实现完美性能（30/30成功率），平均仅需19.1分钟在线机器人数据。

The Optimal Sample Complexity of Multiclass and List Learning

多类和列表学习的最优样本复杂性

Chirag Pabbaraju

机构 * Stanford University（斯坦福大学） 纠错

AI总结 研究确定多类和列表学习的最优样本复杂性依赖于DS维度，证明了DS维度上限与最大超图密度的关系，解决了长期存在的猜想。

Comments tight bounds for agnostic list learning

DataSTORM: Deep Research on Large-Scale Databases using Exploratory Data Analysis and Data Storytelling

DataSTORM：利用探索性数据分析和数据叙事进行大规模数据库的深度研究

Shicheng Liu, Yucheng Jiang, Sajid Farook, Camila Nicollier Sanchez, David Fernando Castro Pena, Monica S. Lam

机构 * Computer Science Department, Stanford University（斯坦福大学计算机科学系） 纠错

AI总结 DataSTORM通过探索性数据分析和数据叙事，实现对大规模结构化数据库的深度研究，提出基于论点的分析流程，并在InsightBench上取得新的最佳成绩。

Comments COLM 2026

SCRIBES: Web-Scale Script-Based Semi-Structured Data Extraction with Reinforcement Learning

SCRIBES：基于脚本的网页级半结构化数据强化学习提取框架

Shicheng Liu, Kai Sun, Lisheng Fu, Xilun Chen, Xinyuan Zhang, Zhaojiang Lin, Rulin Shao, Yue Liu, Anuj Kumar, Wen-tau Yih, Xin Luna Dong

机构 * Stanford University（斯坦福大学） ； Meta Reality Labs（Meta现实实验室） ； FAIR at Meta（Meta的FAIR） ； University of Washington（华盛顿大学） 纠错

AI总结 SCRIBES是一种新型强化学习框架，利用同一网站内网页布局相似性生成可复用提取脚本，在脚本质量和下游问答准确率上均优于基线，实现高效网页级半结构化数据提取。

SimulRAG: Simulator-based RAG for Grounding LLMs in Long-form Scientific QA

SimulRAG：基于模拟器的检索增强生成（RAG）框架，用于将大型语言模型（LLMs）落地到长篇科学问答任务中

Haozhou Xu, Dongxia Wu, Matteo Chinazzi, Ruijia Niu, Rose Yu, Yi-An Ma

机构 * University of California San Diego（加州大学圣迭戈分校） ； Stanford University（斯坦福大学） ； Northeastern University（东北大学） 纠错

AI总结 针对LLMs在长篇科学问答中易幻觉的问题，本文提出SimulRAG框架，引入UE+SBA机制，发布相关基准，实验表明其信息量与事实性较基线分别提升30.4%、16.3%

Comments Haozhou Xu and Dongxia Wu are co-first authors