高校专区
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：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。
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：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。
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：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：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)
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
Fisher-R1：训练用于可靠假设检验的大语言模型智能体
机构 * Stanford University（斯坦福大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 该研究构建了含425项多领域假设检验任务的P-Bench基准，训练出Fisher-R1智能体，其在P-Bench上较DeepSeek-V4-Pro单试验成功率平均提升21%，证明强化学习可提升LLM的统计推理可靠性。
Muon训练的Transformer中表示-读出接口的后顿悟崩溃
机构 * Data Science Institute, Columbia University（哥伦比亚大学数据科学研究所） ； Columbia University（哥伦比亚大学） ； Stanford University（斯坦福大学） ； CentraleSupélec（中央高等电力学院）
AI总结 该研究发现Muon训练的Transformer在模块化加法等任务中，顿悟后会因表示-读出接口故障丧失泛化性，冻结嵌入/读出可避免，傅里叶滤波能分离故障与掩码，任务对齐族可恢复性能。
Comments 34 pages, 6 figures, 20 tables. Full technical version; a condensed 9-page version is currently under review. Code: https://github.com/Na00s/muon-grokking
DiDPO：用于编码智能体训练的差异内差异策略优化
机构 * University of Science and Technology of China (USTC)（中国科学技术大学） ； Stanford University（斯坦福大学） ； Suzhou Institute for Advanced Research, USTC（中国科学技术大学苏州高等研究院） ； Tongji University（同济大学）
AI总结 针对编码智能体训练的细粒度信用分配难题，提出DiDPO方法，在Qwen2.5-7B-Coder上性能超可比方法10%以上，开源了支持多种RL方法的verl-code代码库。
Comments 16 pages, 6 figures, work in progress
PAST：用于高效扩散模型的提示自适应采样终止
机构 * Peking University（北京大学） ； Nanjing University（南京大学） ； Stanford University（斯坦福大学）
AI总结 PAST是一种提示自适应采样终止方法，通过双自适应协调机制提升扩散模型RL微调的计算效率与偏好优化质量，效率最高提升66.7%，质量最高提升29.5%。
探索还是收敛？面向扩散模型的阶段引导式逐步优化方法
机构 * Peking University（北京大学） ； Nanjing University（南京大学） ； Stanford University（斯坦福大学）
AI总结 针对扩散模型RL偏好对齐的奖励不匹配问题，提出SGPO方法，通过分阶段分配目标，使生成质量提升26.7%、收敛速度提高36.7%。
每瓦智能：衡量本地AI的智能效率
机构 * Stanford University（斯坦福大学） ； Together AI
AI总结 本文研究了本地AI在能源效率和性能上的表现，提出了一种统一的衡量指标IPW，展示了本地推理在重新分配需求方面的能力，并揭示了本地加速器的优化潜力。
可信代理网络：在代理网络中，信任必须被内置，而非事后添加
机构 * University of Southern California（南加州大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Stanford University（斯坦福大学）
AI总结 本文探讨了在代理网络中信任必须被内置而非事后添加的问题，提出了一个综合的概念框架，通过四个设计支柱来建立代理网络中的信任。
Comments Accepted at SIGKDD 2026 Blue Sky Ideas Track
通过轨迹细化提升扩散语言模型的推理时间扩展
机构 * Stanford University（斯坦福大学） ； Red Hat AI Innovation（红帽人工智能创新）
AI总结 本文提出PG-DLM，通过轨迹级细化提升扩散语言模型的推理效率，引入新的缩放轴并实现自适应计算分配，实验显示在奖励引导生成任务中表现更优。
Comments COLM 2026
分辨率无关的神经算子用于多速率稀疏视角CT
机构 * Caltech（加州理工学院） ； IIT Kanpur（印度理工学院坎普尔分校） ； Stanford University（斯坦福大学）
AI总结 CTO提出一种分辨率无关的神经算子框架，通过连续函数空间实现多速率稀疏视角CT重建的泛化，提升重建质量和效率。
携手共进：量化AI辅助招聘的益处
机构 * Stanford University（斯坦福大学） ； University of Southern California（南加州大学）
AI总结 该研究通过两项实地实验发现，AI辅助招聘可提升候选人最终面试通过率，在简历信息不足的初级候选人中效果更显著，但存在75%的候选人未完成面试的问题，其将筛选成本从企业转移至申请人。
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