高校专区
重新思考推理时缩放：效率极限与语言信号
机构 * Duke University（杜克大学） ； Together AI ； University of Chicago（芝加哥大学） ； Stanford University（斯坦福大学）
AI总结 本研究分析推理时缩放的效率极限，发现非推理模型存在无法突破的推理底线，多数投票优于复杂框架，还识别出正确性的语言信号，为高效推理智能体提供了新路径。
Comments update figures, writings
FlexComposer：支持灵活轨迹控制的从图像到动态素材的统一视频合成框架
机构 * HKUST（香港科技大学） ； ZJU（浙江大学） ； CUHK（香港中文大学） ； Stanford University（斯坦福大学）
AI总结 FlexComposer是支持灵活轨迹控制的统一视频合成框架，通过三项关键设计实现静态图像与动态素材的无缝整合，在视觉质量等指标上优于现有SOTA方法。
Comments 30 pages, 10 figures
超越有限方差的随机梯度下降统计推断
机构 * Management Science and Engineering, Stanford University（斯坦福大学管理科学与工程系）
AI总结 针对随机梯度下降中梯度方差可能无限的问题，提出一种基于联合弱收敛和自正则化统计量的模型无关置信域构建方法，并通过子采样校准实现渐近有效推断。
编译AI：基于LLM的工作流自动化确定性代码生成
机构 * XY.AI Labs, Palo Alto, CA（XY.AI实验室，帕洛阿尔托） ； Stanford University School of Medicine, Stanford, CA（斯坦福大学医学院，斯坦福） ； Cornell University, Department of Computer Science, Ithaca, NY（康奈尔大学计算机科学系，伊萨卡） ； Brigham and Women’s Hospital / Harvard Medical School, Boston, MA（布莱根妇女医院/哈佛医学院，波士顿）
AI总结 本文研究编译AI，一种大语言模型在编译阶段生成可执行代码，随后工作流确定性执行的范式。重点探讨其在高风险企业工作流中的应用，尤其在医疗领域，强调可靠性与可审计性。
Comments 14 pages, 2 figures, 3 tables
AICO：监督学习中的特征重要性检验
机构 * Stanford University, Department of Management Science and Engineering and Institute for Computational and Mathematical Engineering（斯坦福大学管理科学与工程系和计算与数学工程研究所） ； Upstart, Inc.（Upstart公司） ； Stanford University, Institute for Computational and Mathematical Engineering（斯坦福大学计算与数学工程研究所）
AI总结 AICO提出一种高效统计方法，通过屏蔽特征信息来测试特征对预测性能的贡献，为大规模模型提供无分布假设的可解释性工具。
用于反事实解释生成的类别感知强化学习
机构 * Institute of Business Administration Karachi（卡拉奇工商管理学院） ； Commonwealth Bank of Australia（澳大利亚联邦银行） ； Stanford University（斯坦福大学） ； University of New South Wales（新南威尔士大学）
AI总结 本研究提出类别感知强化学习方法，将实例预测类别纳入RL状态表示，经7个不同领域数据集对比实验，该方法收敛更快、奖励优化更好、有效反事实解释更多，凸显类别感知的重要性。
基于行为对齐表征的跨具身迁移
机构 * Stanford University（斯坦福大学） ； Toyota Research Institute（丰田研究所）
AI总结 本研究提出在视觉-语言-动作模型中采用行为对齐表征，开发仿真基准验证其可提升跨具身迁移，使真实机器人任务完成进度提升28%。
Comments Project page: https://ajaysridhar.com/barx/
好的排序器，差的目标：表达性策略搜索下的双线性对比评判器
机构 * Stanford University（斯坦福大学） ； Sesame AI（芝麻AI公司）
AI总结 该研究发现双线性对比评判器的排序能力与其优化安全性不匹配，其存在范数漂移等问题，在多任务中无法可靠排序动作，需结合价值校准标量用于动作选择。
HLE多项选择子集的维度与测量精度
机构 * Stanford University（斯坦福大学）
AI总结 本研究评估29个LLM在HLE多项选择子集上的表现，发现HLE仅测量单一一般推理因素，其领域子分数不具区分能力，且对前沿模型的区分能力有限。
基于动作中心图的推理时缩放与情景记忆的衔接
机构 * Florida International University（佛罗里达国际大学） ； Stanford University（斯坦福大学） ； NEC Laboratories America（美国NEC实验室） ； Singapore Management University（新加坡管理大学）
AI总结 本文提出GAMER框架，通过动作中心图衔接推理缩放与情景记忆，采用双流时间差分学习优化决策，在多基准上较普通基线提升了20.81%的成功率与6.17%的进度率。
面向对撞机物理的轻量级基础模型：多领域适配
机构 * Stanford University（斯坦福大学） ； SLAC National Accelerator Laboratory（SLAC国家加速器实验室）
AI总结 该研究提出轻量级基础模型NEXUS，以300万参数的全连接自编码器为架构，通过对撞机数据预训练实现多领域适配，在下游任务中提升准确率且计算复杂度低于同规模Transformer。
Comments 18 pages, 5 figures, 1 table
成本受限四足硬件上的强化学习
机构 * Stanford University（斯坦福大学） ； Harvard University（哈佛大学） ； Stanford University School of Medicine（斯坦福大学医学院）
AI总结 该研究针对低成本四足硬件的仿真-现实差距，采用生物启发方法，结合延迟前向模型与时间感知神经网络，学习到鲁棒CPG，实现了成本受限硬件上的强化学习控制。
Comments Sim-to-real transfer, locomotion, reinforcement learning, central pattern generator
通信约束下的半分散式多航天器避撞
机构 * Stanford University（斯坦福大学）
AI总结 该研究针对航天器避撞的间歇性通信约束，提出半分散式POMDP框架，采用RS-SDA*算法规划，性能接近集中式且同步事件减少28.5%，优于规则启发式方法。
Comments 21 pages, 2 tables, 10 figures, accepted in 2026 AAS/AIAA Astrodynamics Specialist Conference
扩展规模会改善基于LLM的社会模拟吗？
机构 * Stanford University（斯坦福大学） ； Open Athena（开放雅典娜）
AI总结 研究LLM规模扩展对社会模拟保真度的影响，发现多数任务随规模提升而改善，但存在例外，如纵向预测和低资源领域改进缓慢。
BrainG3N：用于可控3D脑MRI生成的双用途分词器
机构 * Department of Biomedical Data Science, Stanford University School of Medicine（斯坦福大学医学院生物医学数据科学系） ； Department of Mathematical Modelling, Statistics & Bioinformatics, Ghent University（根特大学数学建模、统计与生物信息学系） ； Department of Electrical Engineering, Stanford University（斯坦福大学电气工程系）
AI总结 提出基于3D掩码自编码器的分词器，解耦编码器与解码器，在23项线性探测任务中21项超越SOTA，并支持条件生成和纵向预测。
Transformer Transformer：一种用于运动条件机器人协同设计的统一模型
机构 * Stanford University（斯坦福大学） ； Columbia University（哥伦比亚大学）
AI总结 研究运动条件机器人协同设计问题，提出基于RoboTokens训练的Transformer Transformer统一模型，能跨实体空间和用例，通过动力学自引导优化设计，实验显示其可零样本优化，制造的优化设计大幅降低跟踪误差。
Comments 26 pages, 12 figures, 20 tables. Project page: https://transformer-transformer.github.io
常数深度和对数深度神经网络之间的算法分离
机构 * Princeton University（普林斯顿大学） ； Stanford University（斯坦福大学） ； University of California, Berkeley（加利福尼亚大学伯克利分校）
AI总结 研究常数深度和对数深度神经网络的算法分离，识别出一类布尔函数，对数深度网络能用逐层坐标下降法通过重构谱高效学习，还展示了一个子类，常数深度网络在此子类上有常数\(L^2\)逼近误差。
FIDAC：一种用于从视频中提取和解释人际距离的易用管道
机构 * University of California, Berkeley（加利福尼亚大学伯克利分校） ； University of Florida（佛罗里达大学） ； Stanford University（斯坦福大学）
AI总结 研究如何从视频中提取和解释人际距离，开发开源库FIDAC，合并多模型数据，包含精确跟踪方法，后续计划评估其在不同场景下测量人际距离的有效性并集成新特征。
MusiChat：用于音乐创作的氛围作曲
机构 * Stanford University（斯坦福大学） ； George Mason University（乔治梅森大学） ； IntelliSky（智能天空）
AI总结 研究针对AI音乐创作中迭代难问题，提出MusiChat系统，通过分层可控框架、记忆增强架构及混合意图路由机制，实现人机协作音乐创作，经评估在交互准确率和用户喜好比例上表现良好，支持多轮音乐创作和人机共创。
无需贝尔曼完备性的拟合占用比评估
机构 * Stanford University（斯坦福大学）
AI总结 针对离线强化学习分布偏移下的离策略评估问题，提出拟合占用比评估方法FORE，通过伴随贝尔曼递归估计占用比，仅需占用比可实现性，无需贝尔曼完备性等条件，保障离线策略评估收敛性。
基于评估的科学发现扩展
机构 * Wizard Intelligence Learning Lab, Stanford University（智能巫师学习实验室，斯坦福大学） ； Peking University（北京大学） ； Tsinghua University（清华大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
AI总结 本文提出SimpleTES框架，通过并行探索、反馈驱动精炼和局部选择，提升评估驱动的发现循环效率，解决科学发现扩展问题，展示在21个科学问题上超越基线模型的性能。
无智慧的知识：衡量大语言模型与预期影响之间的不一致
机构 * Stanford University（斯坦福大学）
AI总结 研究探讨了大语言模型在基准测试和下游任务中的对齐问题，发现模型行为与专家人类行为存在较大偏差，且常见预训练方法导致了显著的不一致。
我能编辑什么？开放式策略发现与情感可编辑性景观
机构 * School of Artificial Intelligence, Shenzhen Technology University（深圳技术大学人工智能学院） ； School of Innovation Design, Shenzhen Technology University（深圳技术大学创新设计学院） ； Stanford University（斯坦福大学）
AI总结 研究情感图像编辑，EmoScope多智能体框架将任务转变为‘能编辑什么’，先发现可编辑空间，再平衡内容与情感，通过情感条件作用的可供性推理选择策略，在大规模评估中受青睐，还指出相关指标盲点及优势变化情况。
有效参数、真实行为：机器人技术的重整化——从无限电子质量到模拟与现实差距
机构 * University of Maryland, College Park（马里兰大学帕克分校） ； Stanford University（斯坦福大学） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 研究机器人技术中弥合模拟与现实差距的问题，提出基于重整化的方法，通过有效参数吸收模拟器遗漏细节以重现真实行为，经分析论证及实例展示该方法，并给出实用程序，为跨越模拟与现实差距提供补充路径。
寻找随机凸问题的一个驻点
机构 * Stanford University（斯坦福大学）
AI总结 研究随机凸优化问题中寻找驻点，提出以目标函数次微分含小元素为更强概念，借助维度理论分解次微分图像，让随机采样保留其“片段”，实现类似近端点方法的有效应用。
FARM: 使用关系空间记忆找到任何物体
机构 * UC Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 提出FARM系统，通过实时构建包含几何、视觉语言描述和视角证据的开放词汇物体级记忆，并利用VLM解析查询和显式空间约束，在44k语言查询中Recall@5和Recall@10分别提升164%和224%，Accuracy@1提升35%。
CollabSkill: 评估真实世界任务中的人机协作
机构 * Stanford University（斯坦福大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Rochester（罗切斯特大学） ； Individual Researcher（独立研究者）
AI总结 提出CollabSkill框架，通过配对真实工人与AI代理执行职业任务，利用贝叶斯技能评级系统量化人机贡献，揭示Claude Code排名第一且实践经验是协作技能的主要驱动力。
Comments 10 pages of main paper, COLM 2026
大语言模型的晶格表示假说
机构 * Stanford University（斯坦福大学）
AI总结 本文提出大语言模型的晶格表示假说，通过嵌入几何将概念层次和逻辑运算统一到线性表示中，实验表明LLM嵌入编码概念晶格及其逻辑结构。
Comments Published at ICLR 2026
无需训练适应新一代语言模型使用遗留临床模型
机构 * Stanford University（斯坦福大学） ； MemorialCare（纪念医疗中心）
AI总结 本文提出CAPT方法，通过模型融合实现无需训练的临床模型与通用领域模型适应，提升临床任务性能，适用于计算资源有限的医疗机构。
Journal ref Proceedings of the 7th Conference on Health, Inference, and Learning, PMLR 333:354-388, 2026
J-CoT：J空间中的思维链
机构 * University of Oxford（牛津大学） ； Stanford University（斯坦福大学）
AI总结 研究针对语言模型推理中仅依赖自然语言受限的问题，提出基于J空间的J-CoT循环推理框架，通过词汇索引系数传递中间状态，在多任务中表现出色，J-CoT-Zero匹配或超基线，J-CoT-Train获高分。
Comments work in progress
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