高校专区
说谎还是不说谎？研究LLMs在全球谎言传播中的偏见
机构 * Fatima Fellowship（法蒂玛奖学金） ； Stanford University（斯坦福大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 研究LLMs在多语言多地区传播虚假信息的行为，揭示低资源语言和低HDI国家中谎言传播的系统性差异，提出GlobalLies数据集以支持减少全球虚假信息传播的策略。
Comments Accepted at ACL 2026 Main Conference
MedConclusion：一个用于从结构化摘要中生成生物医学结论的基准数据集
机构 * Harvard AI and Robotics Lab, Harvard Medical School（哈佛大学医学院哈佛人工智能与机器人实验室） ； University of Southern California（南加州大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Stanford University（斯坦福大学） ； Kempner Institute for the Study of Natural and Artificial Intelligence, Harvard University（哈佛大学肯普纳自然与人工智能研究所）
AI总结 本文提出MedConclusion数据集，包含570万篇PubMed结构化摘要，用于生物医学结论生成。通过配对摘要非结论部分与原始结论，提供证据到结论推理的自然监督。数据集还包含期刊级元数据，支持跨生物医学领域的子组分析。
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
机构 * Computer Science Department, Stanford University（斯坦福大学计算机科学系）
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。
迈向图结构数据的通用基础模型
机构 * Stanford University（斯坦福大学）
AI总结 本文提出一种通用图基础模型，通过学习可迁移的结构表示，提升跨领域图数据分析能力，在生物医学领域表现优异。
Comments 19 pages, 5 figures, 12 supplementary figures
RAGEN-2：代理强化学习中的推理崩溃
机构 * Northwestern University（西北大学） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； Independent（独立研究者） ； Imperial College London（伦敦帝国学院） ； Oxford University（牛津大学） ； University of Washington（华盛顿大学） ； Microsoft（微软） ； Stanford University（斯坦福大学）
AI总结 研究发现代理强化学习中推理稳定性受模板崩溃影响，通过引入互信息代理提升推理质量与任务表现。
$S^3$：分层缩放搜索用于扩散语言模型的测试时间
机构 * University of Oklahoma（俄克拉荷马大学） ； Stanford University（斯坦福大学） ； University of Göttingen（哥廷根大学） ； Zoox ； Meta
AI总结 本文提出$S^3$方法，通过在去噪过程中重新分配计算资源提升生成质量，实验证明其在数学推理任务中表现最佳。
Comments Submitted to COLM 2026
FLeX：基于傅里叶的低秩扩展用于多语言迁移
机构 * Stanford University（斯坦福大学）
AI总结 本文研究了通过低秩适应和优化器改进提升Python到Java等语言的跨语言迁移效果，发现低秩适应和傅里叶正则化能显著提升迁移性能。
Comments 19 pages, 25 figures, Stanford CS224N Custom Project
机构 * Stanford University（斯坦福大学） ； University of Oxford（牛津大学）
Comments Accepted at the ICLR 2026 GRaM Workshop. 9 pages, 9 figures, 16 tables; 30 pages of supplementary material
诊断和缓解大语言模型因果判断中的阿谀和怀疑
机构 * Stanford University（斯坦福大学）
AI总结 本文提出CAUSALT3基准测试，通过三个轴评估分解性能，识别并缓解因果判断中的阿谀和怀疑陷阱，通过Regulated Causal Anchoring方法改进推理控制。
Comments 19 pages, 3 figures, 15 tables
MAE-SAM2：基于掩码自编码器的SAM2用于临床视网膜血管渗漏分割
机构 * University of Nebraska Omaha（内布拉斯加大学奥马哈分校） ； Columbia University Irving Medical Center（哥伦比亚大学欧文医学中心） ； Stanford University（斯坦福大学）
AI总结 本文提出MAE-SAM2，一种用于荧光素血管造影图像视网膜血管渗漏分割的新基础模型。通过结合自监督学习与SAM2，该方法在实验中优于现有模型，实现更高的Dice分数和IoU，性能提升5%。
AugLift：基于深度的输入重参数化提升2D到3D姿态提升的领域泛化
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Rutgers University（罗格斯大学） ； Amazon（亚马逊） ； Stanford University（斯坦福大学）
AI总结 AugLift通过将姿态提升的表示从2D坐标转换为6D几何描述，改进了领域泛化。在检测任务中，它减少了跨数据集MPJPE并提高了分布内准确性，展示了基础模型深度在补充显式3D增强方面的有效性。
Comments Preprint. Under review
双时间尺度随机逼近中的非膨胀映射：有限时间分析
机构 * Stanford University（斯坦福大学）
AI总结 本文研究双时间尺度随机逼近算法中慢时间尺度的非膨胀映射，证明其迭代误差衰减率为O(1/k^{1/4-ε})，并展示其在极小化优化、线性随机逼近和拉格朗日优化中的应用。
Comments Accepted for publication to SIAM Journal on Control and Optimization
去噪扩散中的计算瓶颈
机构 * Department of Statistics and Department of Mathematics, Stanford University（斯坦福大学统计系与数学系） ； Department of Statistics, Stanford University（斯坦福大学统计系）
AI总结 研究探讨了是否所有可采样的分布都能通过扩散过程采样，发现某些分布虽易采样但扩散过程的漂移项难以计算。
Comments 51 pages; 2 figures
压力，何为压力？通过奖励分解实现语言模型中的奉承解缠
机构 * Stanford University（斯坦福大学） ； University of Oklahoma（俄克拉荷马大学）
AI总结 本文提出通过奖励分解方法减少语言模型的奉承行为，引入多组件组相对策略优化（GRPO）奖励，分解训练信号为五个维度，有效降低奉承倾向。
Comments Submitted to COLM 2026
用于摄像头视角选择的覆盖优化
机构 * Stanford University（斯坦福大学）
AI总结 本文提出了一种基于覆盖的摄像头视角选择方法，通过最小化鱼信息增益的近似值来选择信息丰富的视角，从而提高三维重建质量。
多模态脑MRI的模态感知与解剖矢量量化自编码
机构 * Stanford University（斯坦福大学）
AI总结 本文提出NeuroQuant，一种基于模态感知和解剖学的3D矢量量化自编码器，用于多模态脑MRI重建，通过共享潜在表示和双流编码提升重建精度。
Comments CVPR Fingdings track
离线强化学习在先决授权政策适应性检索中的应用
机构 * Stanford University（斯坦福大学）
AI总结 本文提出了一种基于离线强化学习的适应性政策检索方法，通过将检索过程建模为马尔可夫决策过程，提升了检索效率和准确性。
Comments 9 pages, 7 figures, 6 tables
GLANCE：一种用于音乐引导非线性视频编辑的全局-局部协调多智能体框架
机构 * Fudan University（复旦大学） ； Stanford University（斯坦福大学） ； University of Rochester（罗切斯特大学） ； Meta AI
AI总结 GLANCE提出一种全局-局部协调多智能体框架，通过双环架构实现视频编辑任务的长期规划与分段处理，引入新的协调机制和评估框架，实验表明其在视频生成质量上优于现有方法。
Comments 14 pages, 4 figures, under review
TeamPath: 构建多模态病理专家的推理AI助手
机构 * Interdepartmental Program in Computational Biology and Biomedical Informatics, Yale University（耶鲁大学计算生物学与生物医学信息学跨学科项目） ； Department of Biostatistics, Yale University（耶鲁大学生物统计学系） ； Broad Institute of MIT and Harvard（博德研究所） ； Department of Complexity Science and Engineering, The University of Tokyo（东京大学复杂科学与工程系） ； Center for Advanced Intelligence Project, RIKEN（理化学研究所先进智能项目中心） ； Department of Pathology, Yale University（耶鲁大学病理学系） ； Department of Anatomical Pathology, Singapore General Hospital（新加坡中央医院解剖病理学系） ； Center for Biomedical Data Science, Duke–NUS Medical School, Singapore, Singapore（杜克-新加坡国立大学医学院生物医学数据科学中心） ； Department of Computer Science, Yale University（耶鲁大学计算机科学系） ； Department of Computer Science, Stanford University（斯坦福大学计算机科学系）
AI总结 TeamPath通过强化学习和路由增强方案，整合多模态数据提升病理诊断与跨模态生成能力，为临床提供可靠的信息交流系统。
Comments 45 pages, 6 figures
引导查询细化：多模态混合检索与测试时优化
机构 * Stanford University（斯坦福大学） ； IBM Research（IBM研究院） ； The Hebrew University of Jerusalem（耶路撒冷希伯来大学）
AI总结 本文提出引导查询细化方法，通过测试时优化提升多模态检索性能，使视觉中心模型在效率和性能上达到更优平衡。
Comments ICLR 2026
DeepSearch: 通过蒙特卡洛树搜索克服强化学习中的瓶颈问题
机构 * Stanford University（斯坦福大学） ； University of Tokyo（东京大学） ； RIKEN AIP（日本理化学研究所革新智能研究中心） ； UC Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学） ； Amazon AWS（亚马逊云科技）
AI总结 DeepSearch通过将蒙特卡洛树搜索整合到强化学习中，解决探索不足的问题，提升数学推理能力，实验显示其在推理任务中达到62.95%的准确率，且效率显著高于传统方法。
通过专家参与学习推进AI研究助手
机构 * Yale University（耶鲁大学） ； Broad Institute of MIT and Harvard（麻省理工学院-哈佛大学博德研究所） ； Google DeepMind（谷歌DeepMind） ； Stanford University（斯坦福大学） ； Genentech（基因泰克） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Cornell University（康奈尔大学） ； Harvard University（哈佛大学）
AI总结 本文提出ARIEL框架，通过专家验证任务评估大语言模型和多模态模型在生物医学领域的表现，发现提示工程和轻量级微调能提升文本覆盖，计算扩展策略增强视觉问答能力，构建了集成文本和视觉线索的AI助手，提出可检验的机理假设。
Comments 43 pages, 7 figures
DeepSpeak 数据集
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 本文提出DeepSpeak数据集，包含超过100小时的真实和深度伪造音频视频内容，旨在解决复杂的说话人头像场景。通过提供高质量的真实数据和生成的深度伪造数据，以及基于嵌入的身份匹配方法，提升深度伪造检测的鲁棒性。
Comments https://github.com/hfaridlab/deepspeak
Journal ref Published in CVPR 2026 Findings
解毒经验提升LLM代理的测试时间推理
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Stanford University（斯坦福大学） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
AI总结 本文研究通过解毒经验提升LLM代理测试时间推理性能，探讨如何通过经验构建有效上下文以优化复杂推理任务。
生成AI错误对用户依赖性的影响：任务难度跨维度研究
机构 * Stanford University（斯坦福大学） ； University of Chicago（芝加哥大学） ； Microsoft Research（微软研究院）
AI总结 本文通过生成图示任务实验，探讨生成AI错误对用户依赖性的影响，发现任务难度差异影响用户对AI错误的反应，揭示用户对不规则错误的容忍度。
Comments Published in CHI EA 2026
Combee：用于自我改进语言模型代理的提示学习扩展
机构 * UC Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； Tensormesh ； Gradient Network
AI总结 Combee通过并行扫描和增强洗牌机制，提升提示学习效率，实现多代理并行训练，同时保持学习质量。
ACT：代理分类树
机构 * AXA AI Research（AXA人工智能研究） ； Stanford University（斯坦福大学） ； EPFL, Lausanne, Switzerland（瑞士洛桑联邦理工学院） ； Polish Academy of Sciences, IBS PAN, Warsaw, Poland（波兰科学院计算机科学研究所）
AI总结 ACT通过将决策树扩展到非结构化输入，利用自然语言问题和LLM反馈提升透明度和可解释性，实验证明其在文本基准上优于基于提示的方法。
Comments 25 pages, 8 figures
PIMMUR 原则：确保 LLM 社会集体行为的有效性
机构 * Chinese University of Hong Kong（香港中文大学） ； Johns Hopkins University（约翰斯·霍普金斯大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Fudan University（复旦大学） ； Stanford University（斯坦福大学） ； Renmin University of China（中国人民大学）
AI总结 本文通过审计39项研究，识别出六个普遍缺陷，指出89.7%的研究违反至少一个原则，导致模拟有效性受损。通过复现实验发现，当遵循PIMMUR原则时，报告的集体现象往往消失或反转，表明许多'涌现'行为可能是方法学伪影而非真实社会动态。
Comments 13 pages, 9 figures, 3 tables; add more papers in our systematic audit (39 in total)
量化信任：为可信AI代理的金融风险管理
机构 * Microsoft Research（微软研究院） ； Columbia University（哥伦比亚大学） ； Google DeepMind（谷歌DeepMind） ； Stanford University（斯坦福大学） ； t54.ai ； Virtuals ACP ； University of California, Santa Barbara（加州大学圣塔芭芭拉分校）
AI总结 本文提出基于金融风险管理的Agentic Risk Standard框架，通过整合风险评估与补偿机制，将信任从隐含期望转为可衡量的产品保证，提升AI代理在开放环境中的可靠性。
Comments 30 pages, 9 figures
对齐你的结构：利用结构预训练生成分子动力学轨迹
机构 * Stanford University（斯坦福大学） ； Lambda, Inc（Lambda公司）
AI总结 本文提出利用结构预训练生成分子动力学轨迹的方法，通过扩散模型生成结构并结合插值模块保证时间一致性，有效解决分子动力学数据稀缺问题。
Comments Published at ICLR 2026. 38 pages, 17 figures, 17 tables
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