高校专区
mR3：多语言无评分标准奖励推理模型
机构 * Stanford University（斯坦福大学） ； University of Toronto（多伦多大学） ； Boston University（波士顿大学） ； Ontario Tech University（安大略技术大学） ； Monash University Indonesia（墨尔本大学印尼分校） ； Capital One（Capital One公司）
AI总结 mR3是一种多语言无评分标准奖励推理模型，通过72种语言训练实现广泛语言覆盖，超越更大模型并验证其在多语言奖励模型基准上的最佳性能。
Comments Accepted to ICLR 2026
SAGES关键安全视角挑战：人工智能辅助手术质量评估的全球基准
机构 * University of Strasbourg（斯特拉斯堡大学） ； CNRS（法国国家科学研究中心） ； INSERM（法国国家医学研究院） ； ICube（ICube研究中心） ； UMR7357（法国国家科研机构（UMR7357）） ； Massachusetts General Hospital（麻省总医院） ； Harvard Medical School（哈佛医学院） ； University Hospital Cologne（科隆大学医院） ； Global College（全球学院） ； Shanghai Jiao Tong University（上海交通大学） ； Chang Gung Memorial Hospital（长庚纪念医院） ； A. Costa Hospital（A. Costa医院） ； Maggiore Hospital - AUSL Bologna（马吉奥医院 - 玛格丽特医院） ； Institute for Research against Digestive Cancer (IRCAD)（消化道癌症研究机构（IRCAD）） ； Lenox Hill Hospital（Lenox Hill医院） ； Northwell Health（Northwell健康系统） ； Albany Medical Center（阿尔巴尼医疗中心） ； German Cancer Research Center (DKFZ)（德国癌症研究中心（DKFZ）） ； Stanford University（斯坦福大学） ； MultiModal Learning Lab（多模态学习实验室） ； NAAMII ； University of Aberdeen（阿伯丁大学） ； Eindhoven University of Technology（埃因霍温理工大学） ； UCL Hawkes Institute（UCL Hawkes研究所） ； Dept of Computer Science, University College London（计算机科学系，伦敦大学学院） ； University Health Network（大学健康网络） ； Institute for Biomedical Informatics（生物医学信息研究所） ； Rovira i Virgili University（罗维拉-维吉里大学） ； Huazhong University of Science（华中科技大学） ； Hefei University of Technology（合肥工业大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Duke University（杜克大学）
AI总结 SAGES关键安全视角挑战通过全球协作和AI技术，提升手术质量评估的性能和鲁棒性，推动临床应用。
Comments 21 pages, 10 figures
CTC-DRO：减少语音识别中语言差异的鲁棒优化
机构 * Department of Computer Science, Stanford University（计算机科学系，斯坦福大学） ； Toyota Technological Institute at Chicago（芝加哥丰田技术研究所）
AI总结 CTC-DRO通过平滑群体权重更新和输入长度匹配分组，有效减少语音识别中语言差异，提升多语言ASR性能。
代理计划缓存：用于快速且低成本LLM代理的测试时间内存
机构 * Stanford University（斯坦福大学）
AI总结 Agentic Plan Caching通过测试时间内存提取并重用结构化计划模板，降低LLM代理服务成本和延迟，提升效率。
Comments NeurIPS 2025. 27 pages
通过fMRI基础模型进行全脑分析解码视觉体验并映射语义
机构 * Department of Psychiatry and Behavioral Sciences, Stanford University（精神病学与行为科学系，斯坦福大学） ； Department of Computer Science, Stanford University（计算机科学系，斯坦福大学） ； Department of Neurobiology, University of Chicago（神经生物学系，芝加哥大学） ； Google DeepMind（谷歌DeepMind）
AI总结 本文提出基于fMRI基础模型的全脑分析方法，通过解码视觉体验提升对视觉处理的理解，实现超越传统视觉皮层的解码能力。
Have ASkotch: 一种大规模核岭回归的高效解决方案
机构 * Stanford University（斯坦福大学） ； Granica ； University of Michigan, Ann Arbor（密歇根大学安阿伯分校）
AI总结 ASkotch是一种高效的完整核岭回归求解器，通过线性收敛性提升大规模KRR的求解效率，优于现有方法。
Comments 63 pages (including appendices), 17 figures, 6 tables
DeFM：从深度学习基础表示以供机器人应用
机构 * Robotic Systems Lab (RSL), ETH Zurich, Switzerland（苏黎世联邦理工学院机器人系统实验室） ； Stanford University（斯坦福大学） ； UC Berkeley（加州大学伯克利分校） ； NVIDIA（NVIDIA公司）
AI总结 DeFM通过自监督学习从深度图像中学习基础表示，为机器人应用提供强大的泛化能力和仿真到现实的迁移性能。
Comments Under review, 19 pages, 15 Figures, 9 Tables
PaperSearchQA: 基于强化学习与验证奖励的学习科学论文搜索与推理
机构 * Stanford University（斯坦福大学） ； Chan Zuckerberg Biohub Network（查纳·泽克拜尔生物枢纽网络） ； KTH Royal Institute of Technology（皇家理工学院）
AI总结 PaperSearchQA通过训练搜索代理在科学论文中进行搜索与推理，提升技术问答能力，为未来的人工智能科学家系统奠定基础。
Comments EACL 2026
AI数据透明政策的局限性：三大披露谬误
机构 * Stanford University（斯坦福大学）
AI总结 本文从制度视角分析了AI数据透明政策的三大局限性，指出透明政策在目标、执行和影响方面的差距，并提出有效的透明路径。
CooperBench：为何编码代理还不能成为你的队友
机构 * Stanford University（斯坦福大学） ； SAP Labs US（SAP美国实验室）
AI总结 CooperBench通过大规模协作编码任务测试，发现AI代理在团队协作中表现不佳，揭示了沟通障碍、承诺偏离和期望错误等关键问题，呼吁发展社交智能。
Comments https://cooperbench.com First two authors contribute equally. The 3th - 6th authors contribute equally
在大规模下的大语言模型根本限制
机构 * Stanford University（斯坦福大学） ； The University of Oklahoma（俄克拉荷马大学） ； Emory University（埃默里大学） ； Purdue University（普渡大学） ； UC Riverside（加州大学河滨分校） ； UC Berkeley（加州大学伯克利分校） ； Khyber Medical University（克希伯医学大学） ； Universtat Pompeu Fabra（庞培法华大学） ； Zoox（Zoox公司） ； Meta ； Google DeepMind（谷歌DeepMind） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Glasgow（格拉斯哥大学）
AI总结 本文探讨了大规模大语言模型的根本限制，提出统一框架分析计算、信息和学习的基础限制，并提供缓解方法。
Comments Submitted to TMLR 2025
FuseFlow：一种面向稀疏深度学习的流数据流编译框架
机构 * Stanford University（斯坦福大学） ； SambaNova Systems, Inc.（SambaNova系统公司） ； Barcelona Supercomputing Center（巴塞罗那超级计算中心） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 FuseFlow是一种用于稀疏深度学习的编译框架，通过融合稀疏操作提升模型效率，展示了融合粒度对模型性能的影响。
Saliency-Bench: 一个全面的评估视觉解释的基准测试
机构 * Emory University（埃默里大学） ； Stanford University（斯坦福大学） ； University of Michigan（密歇根大学）
AI总结 Saliency-Bench是一个全面的视觉解释评估基准测试，通过多个数据集和标准流程评估显著性方法的解释质量。
SQL-Trail: 多轮强化学习与交错反馈用于文本到SQL
机构 * Stanford University（斯坦福大学） ； Amazon Web Services（亚马逊网络服务）
AI总结 SQL-Trail通过多轮强化学习与交错反馈提升文本到SQL的生成能力，实现更高效率和准确性。
用ConLLM揭示真相以检测多模态深度伪造
机构 * Macquarie University（麦考瑞大学） ； Bharati Vidyapeeth’s College Of Engineering（巴里蒂大学工程学院） ； Vivekananda Institute of Professional Studies (VIPS)（维维kananda专业研究学院） ； DSEU-Okhla ； Center for SDGC（SDGC研究中心） ； Stanford University（斯坦福大学） ； Cornell University（康奈尔大学）
AI总结 ConLLM通过对比学习和大语言模型推理，有效提升多模态深度伪造检测的准确率和泛化能力。
Comments Accepted at EACL Findings 2026
在人工智能时代重建统计学：关于文化、基础设施和培训的圆桌讨论
机构 * Department of Statistics, Stanford University（斯坦福大学统计学系） ； Department of Biostatistics, University of Michigan, Ann Arbor（密歇根大学安娜堡分校生物统计学系） ； Harvard T.H. Chan School of Public Health（哈佛大学T.H. Chan公共卫生学院） ； Department of Statistics, Harvard University（哈佛大学统计学系） ； Broad Institute（Broad研究所） ； Yale School of Public Health（耶鲁大学公共卫生学院） ； Department of Statistics and Data Science, Yale University（耶鲁大学统计学与数据科学系） ； Department of Statistics, Iowa State University（爱荷华州立大学统计学系） ； Department of Statistics and Data Science, Carnegie Mellon University（卡内基梅隆大学统计学与数据科学系） ； Baskin School of Engineering, University of California, Santa Cruz（加州大学圣克鲁兹分校Baskin工程学院） ； Mohamed bin Zayed University of Artificial Intelligence（Mohamed bin Zayed人工智能大学） ； School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机科学学院） ； Department of Statistics, Columbia University（哥伦比亚大学统计学系） ； Department of Biostatistics, University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校生物统计学系）
AI总结 本文记录了2024年JSM圆桌讨论，探讨统计学在人工智能时代的发展，聚焦文化、基础设施和培训等关键问题。
Comments 35 pages, 3 figures,
EveNet：粒子碰撞数据分析的基础模型
机构 * Department of Physics, National Taiwan University, Taipei, Taiwan（国立台湾大学物理系） ； Tsung-Dao Lee Institute, Shanghai Jiao Tong University, Shanghai, China（李政道研究所） ； Fundamental Physics Directorate, SLAC National Accelerator Laboratory, Menlo Park, USA（SLAC国家加速器实验室基础物理主任） ； Department of Physics, University of Washington, Seattle, Washington, USA（华盛顿大学物理系） ； Department of Particle Physics and Astrophysics, Stanford University, Stanford, USA（斯坦福大学粒子物理与天体物理学系） ； Kobayashi-Maskawa Institute, Nagoya University, Nagoya, Japan（小林信三研究所）
AI总结 EveNet通过预训练在大量模拟碰撞事件上，实现了对粒子碰撞数据分析的高效处理，展示了在多种任务上的优越性能和在低统计数据下的高效性。
Comments 26 pages, 8 figures
FLARE：从未校准的稀疏视角推断前馈几何、外观和相机姿态
机构 * Zhejiang University（浙江大学） ； Ant Group（蚂蚁集团） ； University of Oxford（牛津大学） ； Stanford University（斯坦福大学）
AI总结 FLARE通过前馈模型从少量未校准稀疏视角图像中高效推断出高质量的相机姿态、3D几何和新视角合成。
机构 * Stanford University（斯坦福大学） ； Mila, McGill University（蒙特利尔大学麦吉尔大学）
DSGym: 一个全面的框架用于评估和训练数据科学代理
机构 * Stanford University（斯坦福大学） ； Together AI ； Duke University（杜克大学） ； Harvard University（哈佛大学）
AI总结 DSGym通过标准化框架提升数据科学代理的评估与训练，解决现有基准测试的碎片化和数据不足问题，提供可扩展的任务套件和数据合成管道。
区分任务特定和通用目的AI在监管中的应用
机构 * Stanford University（斯坦福大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Microsoft Research（微软研究院） ； Brown University（布朗大学）
AI总结 本文探讨了通用目的AI在监管中的独特挑战，提出需区分任务特定与通用目的AI，以制定更有效的政策回应。
Comments Camera-ready for CS&Law'26
Cosmos Policy: 为视觉运动控制和规划微调视频模型
机构 * NVIDIA ； Stanford University（斯坦福大学）
AI总结 Cosmos Policy通过单阶段后训练将预训练视频模型转化为高效机器人策略，实现视觉运动控制与规划的先进性能。
超越标记：面向大语言模型的概念级训练目标
机构 * Stanford University（斯坦福大学）
AI总结 本文提出概念层面训练目标，通过整合概念监督提升大语言模型的语义理解和泛化能力。
面向执行导向的自动化AI研究
机构 * Stanford University（斯坦福大学）
AI总结 本研究提出自动化执行器，通过执行反馈学习改进LLM预训练和后训练方法，验证了进化搜索在样本效率上的优势，但强化学习存在模式崩溃问题。
大型语言模型在应用健康服务研究中的大规模、严谨定性分析中的应用
机构 * Department of Computer Science（计算机科学系） ； Stanford University（斯坦福大学） ； Department of Biomedical Data Science（生物医学数据科学系） ； Stanford School of Medicine（斯坦福医学院） ； Harvard T.H. Chan School of Public Health（哈佛T.H. Chan公共卫生学院） ； Impactivo LLC
AI总结 本文提出了一种人-LLM定性分析框架，用于在应用健康服务研究中提升效率并保持严谨性，通过整合大型语言模型来改进定性数据的分析和反馈。
Comments 20 pages, 6 figures
超越亲和力：一种1D、2D和3D方法的基准测试揭示了基于结构的药物设计中的关键权衡
机构 * Department of Computer Science Rensselaer Polytechnic Institute（计算机科学系伦塞拉尔理工学院） ； Department of Computer Science and Engineering Lehigh University（计算机科学与工程系莱斯大学） ； Department of Computer Science University of Southern California（计算机科学系南加州大学） ； Stanford Medicine Department of Pathology Stanford University（斯坦福医学部病理学系斯坦福大学） ； Princeton University（普林斯顿大学） ； Harvard Medical School（哈佛医学院） ； State Key Laboratory for Novel Software Technology at Nanjing University（南京大学新型软件技术国家重点实验室） ； Department of Computer Science and Engineering The Chinese University of Hong Kong（计算机科学与工程系香港中文大学）
AI总结 本文通过对比1D、2D和3D方法，揭示了基于结构的药物设计中不同算法的性能差异及关键权衡。
揭开黑箱：关于大语言模型多步推理机制的综述
机构 * Peking University（北京大学） ； Stanford University（斯坦福大学） ； Tsinghua University（清华大学） ； University of Arizona（亚利桑那大学） ； National University of Singapore（新加坡国立大学）
AI总结 本文综述了大语言模型多步推理机制，探讨了隐式和显式推理过程，并提出了未来研究方向。
Comments Technical Report
人工智能/机器学习在Rubin LSST暗能量科学合作中的机遇
机构 * Université Paris Cité, CNRS, CEA, Astroparticule et Cosmologie, F-75013 Paris, France ； Department of Physics, University of Michigan, Ann Arbor, MI 48109, USA ； Leinweber Institute of Theoretical Physics, University of Michigan, Ann Arbor, MI 48109, USA ； Argonne National Laboratory, 9700 South Cass Avenue, Lemont, IL 60439, USA ； Cavendish Astrophysics, University of Cambridge, Madingley Road, Cambridge CB3 0HA, UK ； Kavli Institute for Cosmology, University of Cambridge, Madingley Road, Cambridge CB3 0HA, UK ； SLAC National Accelerator Laboratory, Menlo Park, CA 94025, USA ； Department of Computer Science, University of Milan, Milan, Italy ； Université Paris Cité, CNRS, Astroparticule et Cosmologie, F-75013 Paris, France ； Université Paris-Saclay, CNRS/IN2P3, IJCLab, 91405 Orsay, France ； Department of Astronomy ； Astrophysics, University of Chicago, Chicago, IL 60637, USA ； Kavli Institute for Cosmological Physics, University of Chicago, Chicago, IL 60637, USA ； NSF-Simons AI Institute for the Sky (SkAI), 172 E. Chestnut St., Chicago, IL 60611, USA ； Fermi National Accelerator Laboratory, P.O. Box 500, Batavia, IL 60510, USA ； Universit\'e Clermont-Auvergne, CNRS, LPCA, 63000 Clermont-Ferrand, France ； Kavli Institute for Particle Astrophysics ； Cosmology, Stanford University, Stanford, CA 94305, USA ； Department of Physics, Stanford University, 382 Via Pueblo Mall, Stanford, CA 94305, USA ； Engineering Faculty, Universidad Autonoma de San Luis Potosi, Zona Universitaria, San Luis Potosi, 78290, Mexico ； Stanford Artificial Intelligence Laboratory, Stanford University, Stanford, CA 94305, USA ； Kavli Institute of Cosmological Physics, University of Chicago, Chicago, IL 60637, USA ； The NSF AI Institute for Artificial Intelligence ； Center for Astrophysics Harvard \& Smithsonian, 60 Garden Street, Cambridge, MA 02138, USA ； Department of Physics ； Kavli Institute for Astrophysics ； Space Research, Massachusetts Institute of Technology, Cambridge, MA 02139, USA ； Institut de Física d'Altes Energies (IFAE), The Barcelona Institute of Science ； Institute of Astronomy ； Kavli Institute for Cosmology, University of Cambridge, Madingley Road, Cambridge, CB3 0HA, UK ； Imperial Centre for Inference ； Cosmology (ICIC), Imperial College London, Blackett Laboratory, Prince Consort Road, London SW7 2AZ, UK ； Data Science Institute, The University of Chicago, Chicago, IL 60615, USA ； Department of Physics, The University of Texas at Dallas, Richardson, TX 75080, USA ； Department of Physics, Duke University, Durham, NC 27708, USA ； Université Paris-Saclay, Université Paris Cité, CEA, CNRS, AIM, F-91191 Gif-sur-Yvette, France ； School of Mathematics, Statistics ； Physics, Newcastle University, Newcastle upon Tyne, NE1 7RU, United Kingdom ； Department of Astrophysical Sciences, Princeton University, Princeton, NJ 08544, USA ； Astronomy, University of the Western Cape, Bellville, Cape Town, 7535, South Africa ； Astronomy, University of Utah, Salt Lake City, UT 84112, USA ； Department of Astrophysical Sciences, Princeton University, Peyton Hall, Princeton, NJ 08544, USA ； Department of Astronomy, University of Illinois Urbana Champaign, 1002 W. Green St., Urbana, IL, 61801, USA ； Institute for Particle Physics ； Astrophysics, ETH Zürich, Wolfgang-Pauli-Strasse 27, CH-8093 Zurich, Switzerland ； Swinburne University of Technology, Hawthorn, Victoria 3122, Australia ； Ciela - Montr\'eal Institute for Astrophysical Data Analysis ； Mila - Quebec Artificial Intelligence Institute, Montréal, QC H2S 3H1, Canada ； Advanced Research Computing Centre, University College London, 90 High Holborn, London WC1V 6LJ, UK ； Finnish Centre for Astronomy with ESO (FINCA), University of Turku, FI-20014 Turku, Finland ； Department of Physics, P.O. Box 64, University of Helsinki, FI-00014 Helsinki, Finland ； Astronomy, Northwestern University, Evanston, IL, USA ； Center for Interdisciplinary Exploration ； Research in Astrophysics, Northwestern University, Evanston, IL, USA ； Scientific Data Science, International School for Advanced Study, Via Bonomea 265, I-34136 Trieste, Italy ； Department of Statistics, University of Michigan, Ann Arbor, MI 48109, USA ； PITT PACC, University of Pittsburgh, Pittsburgh, PA 15260, USA ； NSF NOIRLab, 950 N. Cherry Ave., Tucson, AZ 85719, USA
AI总结 本文探讨了AI/ML在LSST暗能量科学合作中的应用机遇，强调了大规模贝叶斯推断、物理指导方法和主动学习等关键方法学优先事项，并讨论了新兴技术在重塑工作流程中的潜力。
Comments 84 pages. This is v1.0 of the DESC's white paper on AI/ML, a collaboration document that is being made public but which is not planned for submission to a journal
基于内在可解释分类模型的弱监督分割及其在脑肿瘤分类中的应用
机构 * Knowledge Engineering Group, Faculty of Computer Science, Otto von Guericke University Magdeburg, Germany ； Biomedical Magnetic Resonance, Faculty of Nature Sciences, Otto von Guericke University Magdeburg, Germany ； Genomics Research Centre, Human Technopole, Milan, Italy ； Institute for Medical Engineering, Faculty of Electrical Engineering ； Information Technology, Otto von Guericke University Magdeburg, Germany ； Digital Engineering Faculty, University of Potsdam, Germany ； Machine Learning, Hasso-Plattner-Institute, Potsdam, Germany ； Department of Biomedical Data Science, Stanford University, Stanford, CA, United States ； Centre for Behavioural Brain Sciences, Magdeburg, Germany ； German Centre for Neurodegenerative Disease, Magdeburg, Germany
AI总结 本文提出一种基于内在可解释分类模型的弱监督分割框架，用于脑肿瘤分类，实现了高诊断准确性和透明性。
从无结构数据中提取结构化洞察：大型语言模型用于SDOH驱动的糖尿病风险预测
机构 * Stanford University（斯坦福大学） ； Stanford University School of Medicine（斯坦福大学医学院）
AI总结 本研究利用大型语言模型从患者生活故事中提取结构化SDOH信息，用于糖尿病风险预测，LLMs在预测糖尿病控制水平方面达到60%的准确率。
Comments 7 pages, 5 figures
Journal ref Annu Int Conf IEEE Eng Med Biol Soc. 2025 Jul;2025:1-7
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