高校专区
临床问答系统真的需要专门的医学微调吗？
机构 * University of Delhi（德里大学） ； Jamia Hamdard（贾迈亚哈马尔德大学） ； Cornell University（康奈尔大学） ； Expedia Group（Expedia集团） ； DSEU-Okhla ； Center for SDGC（SDGC中心） ； Stanford University（斯坦福大学）
AI总结 MEDASSESS-X通过推理时对齐技术，无需领域微调即可提升临床问答系统性能，解决专门化谬误问题。
Comments Accepted at EACL 2026 (Industry Track)
通过极低剂量协议实时重建3D骨模型
机构 * Department of Electronic and Computer Engineering, The Hong Kong University of Science and Technology, Hong Kong SAR（香港理工大学电子与计算机工程系） ； Koln 3D Technology (Medical) Limited, Hong Kong SAR（香港特别行政区科隆3D技术（医疗）有限公司） ； Department of Physics, Beihang University, Beijing, China（北京航空航天大学物理系） ； Union Hospital, Hong Kong SAR（香港特别行政区联合医院） ； Dental Materials Science, Division of Applied Oral Sciences and Community Dental Care, Faculty of Dentistry, The University of Hong Kong, Hong Kong SAR（香港大学牙科学院牙体材料科学系） ； Department of Orthopaedics and Traumatology, The Chinese University of Hong Kong, Hong Kong SAR（香港中文大学骨科及创伤外科学系） ； Department of Management Science and Engineering, Stanford University, Stanford, CA, USA（斯坦福大学管理科学与工程系） ； Department of Biomedical Data Science, Stanford University, Stanford, CA, USA（斯坦福大学生物医学数据科学系）
AI总结 本研究提出SSR-KD框架，通过双平面X光在30秒内快速重建高精度3D骨模型，降低辐射暴露并提升术中应用的实用性。
Comments Accepted to npj Digital Medicine
FutureX-Pro: 将未来预测扩展到高价值垂直领域
机构 * Hong Kong University of Science and Technology（香港科技大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学）
AI总结 FutureX-Pro通过扩展未来预测到金融、零售、公共健康和自然灾害等高价值垂直领域，评估代理LLMs在工业部署中的领域基础能力。
Comments 21 pages
多模态反馈用于手持工具引导：结合基于手腕的触觉反馈与增强现实
机构 * Stanford University（斯坦福大学）
AI总结 本研究通过结合增强现实与触觉反馈，提升手术中手持工具的精确引导与操作效率。
机器人手术中缝合技能的模型选择与实时评估
机构 * Department of Mechanical Engineering, Imperial College London（帝国理工学院机械工程系） ； Department of Computing, Imperial College London（帝国理工学院计算机系） ； Department of Mechanical Engineering, Stanford University（斯坦福大学机械工程系） ； Intuitive Surgical, Inc.（Intuitive Surgical公司） ； Department of Bioengineering, Imperial College London（帝国理工学院生物工程系）
AI总结 本研究通过多模态深度学习模型实时评估机器人手术缝合技能，证明融合模型在预测准确性上优于单模态模型，并展示了高技能数据对模型泛化能力的提升作用。
Forgetting-MarI: 通过边际信息正则化实现LLM反训练
机构 * Department of Mathematics, University of California Davis, USA（加州大学戴维斯分校数学系） ； SLAC National Accelerator Laboratory, Stanford University, USA（斯坦福大学SLAC国家加速器实验室） ； Department of Computer Science, University of California Davis, USA（加州大学戴维斯分校计算机科学系）
AI总结 Forgetting-MarI通过边际信息正则化实现LLM反训练，有效移除冗余信息并保留关键知识，提升模型可控性和合规性。
迈向可及的机器人控制：比较力反馈教学、空间鼠标遥控和混合现实接口
机构 * Stanford University（斯坦福大学）
AI总结 本研究比较了三种机器人控制方法，发现空间鼠标和混合现实接口表现相近，但任务复杂度增加时成功率下降，凸显了为非专家用户设计更高效可控的遥控系统的重要性。
Comments 32 pages, 12 figures
用于参数化和历史匹配多情景岩性系统的3D潜在扩散模型
机构 * Department of Energy Science & Engineering, Stanford University（能源科学与工程系，斯坦福大学）
AI总结 本文提出基于生成潜在扩散模型的3D地质参数化方法，用于多情景岩性系统的历史匹配，通过生成大量地质模型实现不确定性降低。
Comments Text and Figures updated to reflect the journal version of the paper
生成式AI的集体行为需要一种互动主义范式
机构 * Fondazione Bruno Kessler（布雷诺·克塞尔基金会） ； University of Trento（特伦托大学） ； Not Diamond ； City St. George’s University of London（伦敦圣乔治大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Stanford University（斯坦福大学） ； Google DeepMind（谷歌DeepMind） ； University of Chicago（芝加哥大学）
AI总结 本文提出生成式AI的集体行为研究需采用互动主义范式，以系统分析知识与社会情境的交互作用。
MixMin: 通过凸优化寻找数据混合
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； Stanford University（斯坦福大学）
AI总结 MixMin通过凸优化方法改进数据混合，提升了语言模型和化学任务的性能，且在不同规模模型上均有效。
Comments Proceedings of the 42nd International Conference on Machine Learning
SIN-Bench：在长上下文多模态科学交织文献中追踪原生证据链
机构 * Tsinghua University（清华大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； KuaiShou Inc.（快手公司） ； Stanford University（斯坦福大学） ； Harvard University（哈佛大学）
AI总结 SIN-Bench 通过构建科学交织语料库和四个逐步任务，评估多模态模型在长上下文科学文献中追踪证据链的能力，揭示接地是主要瓶颈。
现实环境中具有合规性的操控与UMI-FT
机构 * Department of Electrical Engineering, Stanford University（电气工程系，斯坦福大学） ； Department of Mechanical Engineering, Stanford University（机械工程系，斯坦福大学）
AI总结 UMI-FT通过紧凑的六轴力/扭矩传感器和多模态数据训练自适应合规策略，在现实环境中实现可靠力控制和抓取性能。
Comments submitted to ICRA 2026
大语言模型的相对扩展定律
机构 * Stanford University（斯坦福大学） ； OpenAthena（开放阿塔纳） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本研究提出相对扩展定律，通过分析不同测试分布在规模变化下的性能差异，揭示大语言模型在扩展过程中并非普遍均衡器，强调了鲁棒性挑战的重要性。
CoinFT: 一种用于机器人应用的硬币大小、电容式六轴力矩传感器
机构 * Stanford University（斯坦福大学） ； University of California Santa Cruz（加州大学圣克鲁兹分校） ； Reality Labs Research（现实实验室研究）
AI总结 CoinFT是一种用于机器人应用的紧凑型电容式六轴力矩传感器，通过电容检测技术实现高精度力和扭矩测量，适用于无人机、机器人末端执行器等多种设备。
耦合数据与测量空间动态用于增强扩散后验采样
机构 * Stanford University（斯坦福大学） ； University of Toronto（多伦多大学） ； University of Waterloo（滑铁卢大学）
AI总结 本文提出C-DPS框架，通过耦合数据与测量空间动态，实现逆问题中更准确的扩散后验采样，提升高噪声条件下的性能。
形状空间图：用于软机器人快速且无碰撞路径规划
机构 * Department of Mechanical Engineering, Stanford University（机械工程系，斯坦福大学） ； Institute of Applied Mechanics, Friedrich-Alexander-Universität Erlangen–Nürnberg（应用力学研究所，弗赖堡-埃尔兰根-纽伦堡大学）
AI总结 本文提出了一种基于形状空间图的路径规划方法，用于软机器人在复杂环境中的快速且无碰撞导航，通过预计算形状库和多目标边成本实现高效路径生成。
Comments revised version
SpectraQuery: 一种用于电池科学的混合检索增强型对话助手
机构 * Mechanical Engineering, Stanford University（斯坦福大学机械工程系） ； Applied Energy Division, SLAC National Accelerator Laboratory（SLAC国家加速器实验室应用能源部门） ； Institute of Computational and Mathematical Engineering, Stanford University（斯坦福大学计算与数学工程研究所）
AI总结 SpectraQuery通过结合结构化数据库和文献语料库，为电池科学提供检索增强型对话助手，有效整合数值证据与机理解释，提升科学推理效率。
Comments 11 pages, 8 figures, appendix included
多重群体慢性肾病中的惩罚公平回归
机构 * Department of Health Policy, Stanford University（健康政策系，斯坦福大学） ； Stanford University（斯坦福大学） ； Department of Epidemiology and Population Health, Stanford University（流行病学与人口健康系，斯坦福大学）
AI总结 本文提出了一种针对多重群体慢性肾病的惩罚公平回归方法，通过优化公平性与准确性，提升了不同种族和民族群体在医疗决策中的公平性。
通过选择性数据删除实现分布机器遗忘
机构 * Stanford University（斯坦福大学） ； EPFL（瑞士联邦理工学院）
AI总结 本文提出了一种基于选择性数据删除的分布机器遗忘方法，通过Kullback-Leibler散度约束实现高效删除与保留平衡，实验表明在低散度环境下样本效率显著提升。
神经反馈系统中验证可达-回避规范的新策略
机构 * Department of Aeronautics and Astronautics, Stanford University, Stanford, USA（航空与航天系，斯坦福大学） ； Department of Computer Science, Stanford University, Stanford, USA（计算机科学系，斯坦福大学）
AI总结 本文提出了一种新的算法，用于计算神经反馈系统中可达-回避规范的上界和下界近似值，并结合前向分析技术，构建统一的验证框架。
Comments Accepted to AAAI-2026 Bridge Program B10: Making Embodied AI Reliable with Testing and Formal Verification
LLM Review: 通过盲审同行反馈增强创造性写作
机构 * Harvard University（哈佛大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Stanford University（斯坦福大学）
AI总结 LLM Review通过盲审同行反馈机制提升创造性写作，实验显示其优于多智能体基线，并使小模型超越大模型。
文化罗盘：一种组织社会规范以检测人机对话中违规行为的框架
机构 * Stanford University（斯坦福大学） ； Google（谷歌）
AI总结 本文提出一种框架，用于组织社会规范以检测人机对话中的违规行为，通过分类法和评估流程实现对文化规范遵循性的细致评估。
基于Web代理的权限声明
机构 * University of Oxford（牛津大学） ； Institute for Decentralized AI（去中心化人工智能研究所） ； Centre for the Governance of AI（人工智能治理中心） ； Coral Protocol（珊瑚协议） ； Cooperative AI Foundation（协作人工智能基金会） ； Webair ； Johns Hopkins University（约翰霍普金斯大学） ； Witan Labs（Witan实验室） ； Stanford University（斯坦福大学） ； Microsoft（微软） ； UT Austin（得克萨斯大学奥斯汀分校）
AI总结 本文提出 agent-permissions.json，一种轻量级声明，用于规范 Web 代理的交互权限，以提升自动化应用与网站所有者的协调性。
Comments Authored by the Lightweight Agent Standards Working Group https://las-wg.org/
将语言建模为思想序列
机构 * Stanford University（斯坦福大学）
AI总结 TG模型通过递归变换器在token和句子级抽象建模语言，提升数据和参数效率，减少关系方向泛化错误。
对语言模型熵校准的研究
机构 * Stanford University（斯坦福大学）
AI总结 本文研究了语言模型的熵校准问题，发现随着模型规模增大，校准误差缓慢改善，但截断方法会增加对数损失，理论证明在假设可预测文本熵的情况下，可以减少熵而不增加对数损失。
Comments Neurips 2025
通过强化学习生成易于合成的小分子荧光素骨架
机构 * Department of Computer Science, Stanford University（计算机科学系，斯坦福大学） ； Department of Molecular and Cellular Physiology, Stanford University（分子与细胞生理学系，斯坦福大学） ； Department of Physics, Stanford University（物理系，斯坦福大学） ； Department of Biomedical Data Science, Stanford University（生物医学数据科学系，斯坦福大学） ； Department of Biochemistry and Molecular Genetics, University of Colorado Anschutz Medical Campus（生物化学与分子遗传学系，科罗拉多大学安舒茨医学校区） ； Department of Pharmacology, University of Colorado Anschutz Medical Campus（药理学系，科罗拉多大学安舒茨医学校区） ； Department of Pharmaceutical Sciences, Skaggs School of Pharmacy, University of Colorado Anschutz Medical Campus（药学系，斯克格斯药学院，科罗拉多大学安舒茨医学校区） ； BioFrontiers Institute, University of Colorado Boulder（生物前沿研究院，科罗拉多大学波德分校） ； Greenstone Biosciences（Greenstone 生物科技公司） ； Stanford University（斯坦福大学）
AI总结 该研究通过强化学习生成可合成的荧光素骨架，成功合成并验证了13种具有强荧光特性的分子。
通过PointNet生成不规则几何上流场的流匹配与扩散模型
机构 * Stanford University（斯坦福大学）
AI总结 通过PointNet生成不规则几何上流场的流匹配与扩散模型，提升流体预测精度和鲁棒性。
更强的检索增强生成基线：长上下文语言模型
机构 * Stanford University（斯坦福大学）
AI总结 本文提出DOS RAG作为长上下文问答任务的强基线，通过保持文档结构和简单性，在多个基准上超越复杂方法。
Comments 11 pages, 6 figures, for associated source code, see https://github.com/alex-laitenberger/stronger-baselines-rag
Journal ref Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing (EMNLP 2025), pages 32559-32569
扩散因子模型：利用因子结构生成高维收益率
机构 * Department of Industrial Engineering and Management Sciences, Northwestern University（西北大学工业工程与管理科学系） ； Department of Management Science & Engineering, Stanford University（斯坦福大学管理科学与工程系） ； School of Mathematical Sciences, Peking University（北京大学数学科学学院） ； School of Mathematical Sciences, Center for Statistical Science, Laboratory for Mathematical Economics and Quantitative Finance, and National Engineering Laboratory for Big Data Analysis and Applications, Peking University（北京大学数学科学学院）
AI总结 本文提出扩散因子模型，通过整合因子结构与生成扩散过程，解决高维金融模拟中的维度诅咒和数据稀缺问题，提供了一种在有限数据下生成高维收益率的系统方法。
带有函数逼近的TD(0)的集中界
机构 * Stanford University（斯坦福大学） ； Indian Institute of Technology Bombay（印度班加罗尔理工学院）
AI总结 本文提出了一种针对TD(0)算法的集中界分析方法，通过处理马尔可夫噪声和放松的集中不等式，实现了对在线TD学习的统一所有时间集中界。
Comments Published in Stochastic Systems
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