Stanford University（斯坦福大学）

2608.16645 2026-08-20 cs.AI cs.CL cs.MA 版本更新

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）

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。

2606.14870 2026-08-20 hep-ph cs.LG 版本更新

Pre-Training for Simulation-Based Science: A Study on Jet Foundation Model Training Objectives

基于模拟的科学预训练：喷注基础模型训练目标研究

Ibrahim Elsharkawy, Joschka Birk, Vinicius Mikuni, Wahid Bhimji, Gregor Kasieczka, Benjamin Nachman

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。