Stanford University（斯坦福大学）

Generating readily synthesizable small molecule fluorophore scaffolds with reinforcement learning

通过强化学习生成易于合成的小分子荧光素骨架

Ruhi Sayana, Kate Callon, Jennifer Xu, Jonathan Deutsch, Steven Chu, James Zou, John Janetzko, Rabindra V. Shivnaraine, Kyle Swanson

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） 纠错

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。

Flow Matching and Diffusion Models via PointNet for Generating Fluid Fields on Irregular Geometries

通过PointNet生成不规则几何上流场的流匹配与扩散模型

Ali Kashefi

机构 * Stanford University（斯坦福大学） 纠错

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。

Stronger Baselines for Retrieval-Augmented Generation with Long-Context Language Models

更强的检索增强生成基线：长上下文语言模型

Alex Laitenberger, Christopher D. Manning, Nelson F. Liu

机构 * Stanford University（斯坦福大学） 纠错

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

Diffusion Factor Models: Generating High-Dimensional Returns with Factor Structure

扩散因子模型：利用因子结构生成高维收益率

Minshuo Chen, Renyuan Xu, Yumin Xu, Ruixun Zhang

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） 纠错

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。

A Concentration Bound for TD(0) with Function Approximation

带有函数逼近的TD(0)的集中界

Siddharth Chandak, Vivek S. Borkar

机构 * Stanford University（斯坦福大学） ； Indian Institute of Technology Bombay（印度班加罗尔理工学院） 纠错

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

Benchmarking Egocentric Clinical Intent Understanding Capability for Medical Multimodal Large Language Models

医疗多模态大语言模型的视点临床意图理解能力基准测试

Shaonan Liu, Guo Yu, Xiaoling Luo, Shiyi Zheng, Wenting Chen, Jie Liu, Linlin Shen

机构 * Shenzhen University（深圳大学） ； Stanford University（斯坦福大学） ； City University of Hong Kong（香港城市大学） 纠错

AI总结 本文提出MedGaze-Bench，首个评估医疗多模态大语言模型视点临床意图理解能力的基准测试，通过三维意图框架和陷阱QA机制，揭示现有模型在手术、急救和诊断任务中对意图理解的不足。

Comments 16 pages, 4 figures

MedEinst: Benchmarking the Einstellung Effect in Medical LLMs through Counterfactual Differential Diagnosis

MedEinst：通过反事实差异诊断基准测试医疗大语言模型中的Einstellung效应

Wenting Chen, Zhongrui Zhu, Guolin Huang, Wenxuan Wang

机构 * Stanford University（斯坦福大学） ； Xi’an Jiaotong University（西安交通大学） ； Shenzhen University（深圳大学） ； Renmin University of China（中国人民大学） 纠错

AI总结 MedEinst通过反事实差异诊断基准测试，揭示医疗大语言模型中的Einstellung效应，并提出ECR-Agent提升循证医学标准。

Comments 19 pages, 7 figures

Neural Nonmyopic Bayesian Optimization in Dynamic Cost Settings

动态成本环境下的神经非短视贝叶斯优化

Sang T. Truong, Duc Q. Nguyen, Willie Neiswanger, Ryan-Rhys Griffiths, Stefano Ermon, Nick Haber, Sanmi Koyejo

机构 * Stanford University（斯坦福大学） ； National University of Singapore（新加坡国立大学） ； University of Southern California（南加州大学） ； FutureHouse, Inc.（FutureHouse公司） 纠错

AI总结 LookaHES通过整合神经策略，实现动态成本环境下的非短视贝叶斯优化，提升复杂决策空间中的长视图优化能力。

Comments 32 pages, 20 figures, 13 tables

VideoWeave: A Data-Centric Approach for Efficient Video Understanding

VideoWeave：一种以数据为中心的高效视频理解方法

Zane Durante, Silky Singh, Arpandeep Khatua, Shobhit Agarwal, Reuben Tan, Yong Jae Lee, Jianfeng Gao, Ehsan Adeli, Li Fei-Fei

机构 * Stanford University（斯坦福大学） ； Microsoft Research（微软研究院） ； University of Wisconsin - Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 VideoWeave通过重新组织训练数据提升视频语言模型的数据效率，无需修改模型架构，实现更高准确率。

How well can off-the-shelf LLMs elucidate molecular structures from mass spectra using chain-of-thought reasoning?

离线大语言模型如何通过链式推理解析质谱中的分子结构？

Yufeng Wang, Lu Wei, Lin Liu, Hao Xu, Haibin Ling

机构 * Stony Brook University（石溪大学） ； Stanford University（斯坦福大学） ； Harvard Medical School（哈佛医学院） 纠错

AI总结 本研究评估了离线大语言模型通过链式推理解析质谱数据的能力，发现其在化学准确性上存在局限。

LLM Agents in Law: Taxonomy, Applications, and Challenges

法律中的LLM代理：分类、应用与挑战

Shuang Liu, Ruijia Zhang, Ruoyun Ma, Yujia Deng, Lanyi Zhu, Jiayu Li, Zelong Li, Zhibin Shen, Mengnan Du

机构 * Carnegie Mellon University（卡内基梅隆大学） ； National University of Singapore（国立新加坡大学） ； Stanford University（斯坦福大学） ； University of Washington（华盛顿大学） ； The University of Chicago（芝加哥大学） ； Rutgers University（罗格斯大学） ； Columbia University（哥伦比亚大学） ； New Jersey Institute of Technology（新泽西理工学院） 纠错

AI总结 本文探讨了法律领域中LLM代理的分类、应用及挑战，分析了技术转变、应用分类、评估方法及未来发展方向。

Dynamics-inspired Structure Hallucination for Protein-protein Interaction Modeling

受动力学启发的结构幻想用于蛋白质-蛋白质相互作用建模

Fang Wu, Stan Z. Li

机构 * Department of Computer Science（计算机科学系） ； Stanford University（斯坦福大学） ； School of Engineering（工程学院） ； Westlake University（西湖大学） 纠错

AI总结 本文提出Refine-PPI框架，通过结构细化模块和概率密度云网络，解决突变蛋白质结构获取困难和动态几何不确定性建模问题。

Journal ref Transactions on Machine Learning Research 2025

Adaptive Science Operations in Deep Space Missions Using Offline Belief State Planning

利用离线信念状态规划实现深空任务的自适应科学操作

Grace Ra Kim, Hailey Warner, Duncan Eddy, Evan Astle, Zachary Booth, Edward Balaban, Mykel J. Kochenderfer

机构 * Department of Aeronautics and Astronautics, Stanford University, Stanford, CA, 94305, USA（斯坦福大学航空航天系） ； Intelligent Systems Division, NASA Ames Research Center, Moffett Field, CA, 94035, USA（美国航空航天局阿姆斯研究中心智能系统分部） 纠错

AI总结 本文提出基于POMDP的离线信念状态规划方法，用于深空任务中自适应科学仪器调度，通过整合贝叶斯网络提升数据可解释性与计算效率，并在Enceladus Orbilander任务中验证了其有效性。

Comments 7 pages, 4 tables, 5 figures, accepted in IEEE ISPARO 2025 (V2 - grammatical edits, also mispelled conference year)

RoboPanoptes: The All-seeing Robot with Whole-body Dexterity

RoboPanoptes：具备全身灵活性的全方位机器人

Xiaomeng Xu, Dominik Bauer, Shuran Song

机构 * Stanford University（斯坦福大学） ； Columbia University（哥伦比亚大学） 纠错

AI总结 RoboPanoptes通过全身视觉和运动策略实现全身灵活性，能够高效操作和适应复杂环境。

Comments Project website: https://robopanoptes.github.io

Good Allocations from Bad Estimates

从差估计中获得好的分配

Sílvia Casacuberta, Moritz Hardt

机构 * Stanford University（斯坦福大学） ； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； Tübingen AI Center（图宾根人工智能中心） 纠错

AI总结 本文提出了一种在仅需O(M/ε)样本的情况下实现近最优治疗分配的方法，相较于传统CATE估计方法，显著降低了样本需求。

Prediction of Fault Slip Tendency in CO${_2}$ Storage using Data-space Inversion

利用数据空间反演预测二氧化碳储存中的断层滑动倾向

Xiaowen He, Su Jiang, Louis J. Durlofsky

机构 * Department of Energy Science and Engineering, Stanford University（能源科学与工程系，斯坦福大学） ； Department of Civil and Environmental Engineering, Carnegie Mellon University（土木与环境工程系，卡内基梅隆大学） 纠错

AI总结 本研究提出一种基于变分自编码器的数据空间反演方法，用于预测二氧化碳储存中的压力、应力、应变场及断层滑动倾向，同时减少关键地质参数的不确定性。

Exploring the Vulnerabilities of Federated Learning: A Deep Dive into Gradient Inversion Attacks

探索联邦学习的漏洞：深入分析梯度反向攻击

Pengxin Guo, Runxi Wang, Shuang Zeng, Jinjing Zhu, Haoning Jiang, Yanran Wang, Yuyin Zhou, Feifei Wang, Hui Xiong, Liangqiong Qu

机构 * School of Computing and Data Science, The University of Hong Kong（计算与数据科学学院，香港大学） ； Department of Mathematics, The University of Hong Kong（数学系，香港大学） ； Thrust of Artificial Intelligence, The Hong Kong University of Science and Technology (Guangzhou)（人工智能推动学院，香港科学与技术大学（广州）） ； Department of Electronic and Electrical Engineering, Southern University of Science and Technology（电子与电气工程系，南方科技大学） ； Department of Biomedical Data Science, Stanford University（生物医学数据科学系，斯坦福大学） ； Department of Computer Science and Engineering, University of California, Santa Cruz（计算机科学与工程系，加州大学圣克鲁兹分校） ； Department of Electrical and Electronic Engineering, The University of Hong Kong（电子与电气工程系，香港大学） ； Materials Innovation Institute for Life Sciences and Energy (MILES), HKU-SIRI（生命科学与能源材料创新研究所（MILES），HKU-SIRI） 纠错

AI总结 本文系统分析了联邦学习中梯度反向攻击的三种类型，揭示了其性能、实用性及威胁因素，并提出三阶段防御策略以增强隐私保护。

Comments Accepted by IEEE TPAMI

Neural Algorithmic Reasoning for Approximate $k$-Coloring with Recursive Warm Starts

神经算法推理用于近似k-着色的递归预热启动

Knut Vanderbush, Melanie Weber

机构 * Stanford University（斯坦福大学） ； Harvard University（哈佛大学） 纠错

AI总结 本文提出利用图神经网络和递归预热启动方法改进近似k-着色，通过优化算法和局部搜索算法提升着色效率。

Comments 33 pages, 10 figures

A Semi-supervised Molecular Learning Framework for Activity Cliff Estimation

一种用于活动悬崖估计的半监督分子学习框架

Fang Wu

机构 * Stanford University（斯坦福大学） 纠错

AI总结 本文提出SemiMol框架，通过半监督学习解决活动悬崖问题，提升基于图的ML模型性能。

Journal ref Proceedings of the Thirty-Third International Joint Conference on Artificial Intelligence 2024

Surface-based Molecular Design with Multi-modal Flow Matching

基于表面的分子设计与多模态流匹配

Fang Wu, Zhengyuan Zhou, Shuting Jin, Xiangxiang Zeng, Jure Leskovec, Jinbo Xu

机构 * Stanford University（斯坦福大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； Wuhan University of Science and Technology（武汉科技大学） ； Hunan University（湖南大学） 纠错

AI总结 SurfFlow通过多模态流匹配算法实现基于分子表面的肽共同设计，提升肽与受体的结合准确性，并在PepMerge基准中优于全原子基线。

Journal ref KDD 2025

Learning to Simulate Human Dialogue

学习模拟人类对话

Kanishk Gandhi, Agam Bhatia, Noah D. Goodman

机构 * Stanford University（斯坦福大学） 纠错

AI总结 本文研究了通过直接最大化真实人类对话的对数概率来提高对话预测效果，发现基于评判者奖励的方法在某些情况下表现不佳，而直接优化对数概率能更准确地预测人类对话。

Comments Kanishk Gandhi and Agam Bhatia contributed equally

Accommodation and Epistemic Vigilance: A Pragmatic Account of Why LLMs Fail to Challenge Harmful Beliefs

适应与认知警觉：一种实用视角下为何LLMs未能挑战有害信念

Myra Cheng, Robert D. Hawkins, Dan Jurafsky

机构 * Department of Computer Science, Stanford University（计算机科学系，斯坦福大学） ； Department of Linguistics, Stanford University（语言学系，斯坦福大学） 纠错

AI总结 本文通过语用学视角揭示LLMs在挑战有害信念时的失败原因，并提出简单干预提升安全性的方法。

Internal Reasoning vs. External Control: A Thermodynamic Analysis of Sycophancy in Large Language Models

内部推理 vs. 外部控制：大型语言模型中谄媚现象的热力学分析

Edward Y. Chang

机构 * Department of Computer Science, Stanford University（计算机科学系，斯坦福大学） 纠错

AI总结 本文提出受控因果锚定（RCA）方法，通过评估推理过程而非结果，有效检测大型语言模型中的谄媚现象，无需真实数据且打破自我强化偏见循环。

Comments 20 pages, 1 figure, 15 tables

Exploring the limits of strong membership inference attacks on large language models

探索对大型语言模型的强大成员推断攻击的极限

Jamie Hayes, Ilia Shumailov, Christopher A. Choquette-Choo, Matthew Jagielski, George Kaissis, Milad Nasr, Sahra Ghalebikesabi, Meenatchi Sundaram Mutu Selva Annamalai, Niloofar Mireshghallah, Igor Shilov, Matthieu Meeus, Yves-Alexandre de Montjoye, Katherine Lee, Franziska Boenisch, Adam Dziedzic, A. Feder Cooper

机构 * Google DeepMind（谷歌DeepMind） ； University College London（伦敦大学学院） ； University of Washington（华盛顿大学） ； Imperial College London（伦敦帝国学院） ； CISPA Helmholtz Center for Information Security（信息安全赫尔姆霍兹中心） ； Stanford University（斯坦福大学） ； Microsoft Research（微软研究院） 纠错

AI总结 本研究通过扩展LiRA攻击至GPT-2模型，揭示了强成员推断攻击在大型语言模型上的有效性及局限性，发现其在实际应用中仍存在显著的AUC限制和决策不稳定问题。

Comments NeurIPS 2025

Simulation of prosthetic vision with PRIMA system and enhancement of face representation

使用PRIMA系统模拟假肢视觉并增强面部表征

Anna Kochnev Goldstein, Jungyeon Park, Yueming Zhuo, Nathan Jensen, Daniel Palanker

机构 * Department of Electrical Engineering, Stanford University（电气工程系，斯坦福大学） ； Hansen Experimental Physics Laboratory, Stanford University（哈恩实验物理实验室，斯坦福大学） ； Department of Ophthalmology, Stanford University（眼科学系，斯坦福大学） 纠错

AI总结 本文提出了一种非像素化算法模拟假肢视觉，并结合机器学习方法改善面部表征。

What Should Embeddings Embed? Autoregressive Models Represent Latent Generating Distributions

嵌入应该嵌入什么？自回归模型表示潜在生成分布

Liyi Zhang, Michael Y. Li, R. Thomas McCoy, Theodore R. Sumers, Jian-Qiao Zhu, Thomas L. Griffiths

机构 * Department of Computer Science（计算机科学系） ； Princeton University（普林斯顿大学） ； Stanford University（斯坦福大学） ； Department of Linguistics and Wu Tsai Institute（语言学系和吴泰教授研究所） ； Yale University（耶鲁大学） ； Anthropic（Anthropic公司） ； Departments of Psychology and Computer Science（心理学系和计算机科学系） 纠错

AI总结 本文探讨了自回归模型中嵌入应代表的潜在生成分布，并通过实验证明了其在不同场景下的有效性。

Comments 28 pages, 11 figures

Journal ref Transactions on Machine Learning Research. 2025. https://openreview.net/forum?id=YyMACp98Kz

Choreographing a World of Dynamic Objects

编排动态物体的纷繁世界

Yanzhe Lyu, Chen Geng, Karthik Dharmarajan, Yunzhi Zhang, Hadi Alzayer, Shangzhe Wu, Jiajun Wu

机构 * Stanford University（斯坦福大学） ； University of Cambridge（剑桥大学） ； University of Maryland（马里兰大学） 纠错

AI总结 本文提出CHORD方法，通过蒸馏技术提取视频中隐藏的拉格朗日运动信息，实现通用动态物体生成，适用于多体4D动态生成和机器人操作策略。

PointWorld: Scaling 3D World Models for In-The-Wild Robotic Manipulation

PointWorld: 为真实世界机器人操作扩展3D世界模型

Wenlong Huang, Yu-Wei Chao, Arsalan Mousavian, Ming-Yu Liu, Dieter Fox, Kaichun Mo, Li Fei-Fei

机构 * Stanford University（斯坦福大学） ； NVIDIA（英伟达） 纠错

AI总结 PointWorld通过统一状态和动作的3D点流模型，实现了在真实世界中机器人操作的高效预测与控制，无需额外演示或训练。

RadDiff: Describing Differences in Radiology Image Sets with Natural Language

RadDiff：用自然语言描述放射学图像集的差异

Xiaoxian Shen, Yuhui Zhang, Sahithi Ankireddy, Xiaohan Wang, Maya Varma, Henry Guo, Curtis Langlotz, Serena Yeung-Levy

机构 * Stanford University（斯坦福大学） 纠错

AI总结 RadDiff通过多模态代理系统实现放射学图像集差异的自然语言描述，结合医学知识和多模态推理，在放射学研究配对中取得高准确率，推动临床影像分析的发展。

Grading Scale Impact on LLM-as-a-Judge: Human-LLM Alignment Is Highest on 0-5 Grading Scale

评分尺度对LLM作为裁判的影响：人类与LLM的对齐在0-5评分尺度上最高

Weiyue Li, Minda Zhao, Weixuan Dong, Jiahui Cai, Yuze Wei, Michael Pocress, Yi Li, Wanyan Yuan, Xiaoyue Wang, Ruoyu Hou, Kaiyuan Lou, Wenqi Zeng, Yutong Yang, Yilun Du, Mengyu Wang

机构 * Harvard University（哈佛大学） ； CMU（卡内基梅隆大学） ； Stanford University（斯坦福大学） ； UC San Diego（圣地亚哥大学） 纠错

AI总结 本文研究了评分尺度对LLM作为裁判一致性的影响，发现0-5评分尺度在人类与LLM之间产生最强的一致性。