高校专区
隐式图，显式检索：迈向高效且可解释的长周期记忆 для 大语言模型
机构 * University of Manchester（曼彻斯特大学） ； Imperial College London（伦敦帝国学院） ； Stanford University（斯坦福大学）
AI总结 LatentGraphMem结合隐式图记忆与显式子图检索，实现高效且可解释的长周期记忆，提升大语言模型的推理能力与可解释性。
Comments 11 pages, 5 figures
VULCAN：工具增强的多智能体用于迭代3D物体排列
机构 * Stanford University（斯坦福大学） ； Google（谷歌） ； New York University（纽约大学）
AI总结 VULCAN通过引入MCP API、视觉工具和多智能体框架，提升了3D物体排列任务中MLLMs的视觉接地能力与迭代处理效率。
受指导的机器学习用于鲁棒分子性质预测
机构 * Computer Science Department, Stanford University（斯坦福大学计算机科学系） ； School of Computer Science and Technology, Wuhan University of Science and Technology（武汉科技大学计算机科学与技术学院） ； School of Engineering, Westlake University（西湖大学工程学院）
AI总结 InstructMol通过指导学习方法提升分子性质预测的鲁棒性，有效利用大规模未标记数据提高预测准确性。
Journal ref NeurIPS 2024
发现图神经网络的表示瓶颈
机构 * Computer Science Department, Stanford University（斯坦福大学计算机科学系） ； School of Engineering, Westlake University（西湖大学工程学院）
AI总结 本文发现GNNs在不同复杂性背景下无法捕捉最有效的交互风格，提出基于交互模式的图重排方法以缓解表示瓶颈并提升性能。
Journal ref IEEE Transactions on Knowledge and Data Engineering ( Volume: 36, Issue: 12, December 2024)
InsertGNN：图神经网络能否在TOEFL句子插入问题中超越人类？
机构 * Stanford University（斯坦福大学） ； Westlake University（西拉丘市大学）
AI总结 InsertGNN通过图神经网络在TOEFL句子插入任务中超越人类，实现70%的准确率。
Journal ref EMNLP 2024 Findings
ToxiGAN: 通过LLM引导的定向对抗生成进行有毒数据增强
机构 * Freie Universität Berlin（弗里德里希-莱布尼茨柏林大学） ； Fraunhofer-Institut für Offene Kommunikationssysteme（弗劳恩霍夫开放通信系统研究所） ； Institut für Angewandte Informatik（应用信息研究所） ； Stanford University（斯坦福大学）
AI总结 ToxiGAN通过LLM引导的定向对抗生成方法，提升有毒数据增强的可控性和类别特定性，有效增强分类器鲁棒性。
Comments This paper has been accepted to the main conference of EACL 2026
通过LLM后训练实现Netflix作品个性化
机构 * Stanford University（斯坦福大学）
AI总结 通过LLM后训练实现Netflix作品个性化推荐，提升用户满意度和参与度。
Comments 6 pages
从生产语言模型中提取书籍
机构 * Stanford University（斯坦福大学） ； Yale University（耶鲁大学）
AI总结 研究通过两阶段方法测试从生产LLM中提取书籍的可行性，发现部分模型可提取受版权保护文本，但需不同劫持策略，揭示生产LLM存在训练数据泄露风险。
Comments We ran experiments from mid-August to mid-September 2025, notified affected providers shortly after, and now make our findings public after a 90-day disclosure window
暴露于AI的工作在发布ChatGPT之前就恶化了
机构 * Department of Informatics and Networked Systems, University of Pittsburgh（匹兹堡大学信息学与网络系统系） ； Digital Economy Lab, Stanford University（斯坦福大学数字经济实验室） ； AI Economy Institute, Microsoft（微软人工智能经济研究所） ； Revelio Labs（Revelio实验室） ； Argyros College of Business and Economics, Chapman University（查普曼大学商学院与经济学学院） ； Teachers College, Columbia University（哥伦比亚大学师范学院） ； Data Science Institute, Columbia University（哥伦比亚大学数据科学研究所）
AI总结 研究发现AI暴露职业的就业风险在ChatGPT发布前就上升，且受教育背景影响第一份工作薪酬和求职时间。
具有社会意识的推荐系统缓解意见聚类
机构 * ETH Zurich（苏黎世联邦理工学院） ； Stanford University（斯坦福大学） ； TU Eindhoven（埃因霍温技术大学）
AI总结 本文提出一种考虑用户社会网络的推荐系统，以缓解过滤气泡和意见极化问题。
功率为二的量化感知训练（PoT-QAT）在大语言模型（LLMs）中
机构 * Department of Computer Science, Stanford University（计算机科学系，斯坦福大学）
AI总结 本研究提出了一种基于功率为二量化的量化感知训练方法，通过减少内存占用和提升推理速度，显著提升了大语言模型的性能。
无监督SE(3)解耦用于从冷冻电镜成像中识别原位大分子形态
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Indian Institute of Technology (IIT)（印度理工学院） ； Division of CryoEM and Bioimaging SSRL SLAC National Accelerator Laboratory Stanford University（冷冻电镜与生物成像部SLAC国家加速器实验室斯坦福大学）
AI总结 本文提出了一种无监督的SE(3)解耦框架，用于从冷冻电镜成像中识别原位大分子形态，通过分离SE(3)变换与形态内容，提高了噪声数据下的形态识别效果。
数字孪生AI：从大语言模型到世界模型的机会与挑战
机构 * Lehigh University（莱文斯顿大学） ； University of Maryland（马里兰大学） ； University of New South Wales（新南威尔士大学） ； Worcester Polytechnic Institute（沃思维尔理工学院） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Notre Dame（圣约翰大学） ； Columbia University（哥伦比亚大学） ； University of Georgia（佐治亚大学） ； Yale University（耶鲁大学） ； Texas A&M University（德克萨斯A&M大学） ； Stanford University（斯坦福大学） ； Squirrel Ai Learning ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Texas Health Science Center at Houston（德克萨斯大学健康科学中心休斯顿分校） ； University of California, Riverside（加州大学河滨分校） ； Florida International University（佛罗里达国际大学） ； Purdue University（普渡大学） ； Children’s Hospital of Philadelphia（费城儿童医院）
AI总结 本文提出统一的四阶段框架，探讨数字孪生中AI整合的机会与挑战，涵盖建模、镜像、干预和自主管理，强调大语言模型和基础模型的作用。
在宏观经济不确定性下使用强化学习制定货币政策：分析表格化和函数逼近方法
机构 * Department of Computer Science Stanford University（计算机科学系 斯坦福大学）
AI总结 本文通过比较不同强化学习方法，发现简单表格化Q学习在宏观经济不确定性下表现最佳，优于复杂RL方法和传统政策规则。
一般线性函数估计的锐利结构无关下界
机构 * Stanford University（斯坦福大学）
AI总结 本文提出了一般线性函数估计的锐利结构无关下界，证明了双重鲁棒估计器的统计最优性，并区分了双重鲁棒性和一阶去偏在不同情形下的最优性。
Comments 117 pages; generalizes and subsumes arXiv:2402.14264 by the same authors
NoveltyRank: 一种用于人工智能研究概念新颖性估计的检索增强框架
机构 * Stanford University（斯坦福大学）
AI总结 NoveltyRank通过结合语义表示学习与检索技术，提出了一种用于评估人工智能研究概念新颖性的框架，并展示了轻量模型在新颖性评估中的优越性能。
Comments 11 pages, 4, tables, 3 figures
推动量子信息科学中学教育：学习科学合作的必要性
机构 * School of Computing（计算学院） ； University of Pittsburgh（匹兹堡大学） ； Graduate School of Education（教育研究生院） ； Stanford University（斯坦福大学） ； Department of Psychology（心理学系）
AI总结 本文探讨了通过学习科学与量子信息科学合作，提升中学阶段量子信息科学教育的必要性与方法。
Comments 12 pages, 2 figures
Journal ref 2025 IEEE International Conference on Quantum Computing and Engineering (QCE), 2025, pp. 11-22
LABOR-LLM：基于语言的职业表示与大语言模型
机构 * Institute for Computational and Mathematical Engineering（计算与数学工程研究所） ； Stanford University（斯坦福大学） ； Graduate School of Business（商学院） ； Harvard Data Science Initiative（哈佛大学数据科学倡议） ； Harvard University（哈佛大学）
AI总结 LABOR-LLM通过大语言模型微调，利用职业历史预测下一个职业，展现优于传统模型的预测性能。
评估可回收性中的情境智能：图像推理系统的全面研究
机构 * Harvard College（哈佛学院） ； Stanford University（斯坦福大学） ； Department of Biomedical Informatics（生物医学信息学系） ； Harvard Medical School（哈佛医学院）
AI总结 本研究利用先进视觉-语言模型评估物品可回收性，探讨其在不同场景下的表现，揭示模型在情境理解上的进展与不足。
Comments x
通过多阶段神经网络求解非线性亚声速可压缩流场
机构 * Washington University in St. Louis（华盛顿大学圣路易斯分校） ； University of Notre Dame（诺特大学） ； Central South University（中南大学） ； Stanford University（斯坦福大学） ； New York University（纽约大学）
AI总结 本研究提出一种基于多阶段神经网络的框架，用于在无限领域内高精度求解非线性亚声速可压缩流场问题，通过引入坐标变换和物理渐近约束，提升计算流体力学的求解精度与鲁棒性。
Comments 24 pages, 9 figures
SLAP：基于Slapband的自主着陆无人机及其故障恢复机制
机构 * Stanford University（斯坦福大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 SLAP是一种基于Slapband的自主着陆无人机系统，能够安全着陆垂直树干并有效应对着陆故障。
Comments Paper accepted to IEEE Aerospace Conference 2026. This is a pre-print
StockBot 2.0： vanilla LSTMs 在股票价格预测中优于基于变换器的预测
机构 * Department of Mechanical Engineering, Stanford University, CA 94305-4040, USA（机械工程系，斯坦福大学）
AI总结 StockBot 2.0通过vanilla LSTM在股票价格预测中优于基于变换器的模型，展示了递归序列模型在金融时间序列预测中的鲁棒性和数据效率。
Comments 14 pages, 5 figures
生成分类器避免捷径解法
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Stanford University（斯坦福大学）
AI总结 生成分类器通过建模所有特征避免捷径解法，提升在分布偏移下的性能。
Comments ICLR 2025. Code: https://github.com/alexlioralexli/generative-classifiers
端到端的测试时间训练用于长上下文
机构 * NVIDIA（NVIDIA公司） ； Stanford University（斯坦福大学） ； UC Berkeley（伯克利大学） ； UC San Diego（圣地亚哥大学）
AI总结 本文提出了一种端到端的测试时间训练方法，通过在测试时进行token预测和训练时的元学习，实现长上下文处理，具有与完整注意力相同的扩展性但更高效的推理速度。
Comments Code: https://github.com/test-time-training/e2e
迈向数据驱动天气模型的机理理解：内部激活揭示可解释的物理特征
机构 * Stanford University（斯坦福大学）
AI总结 本文通过分析GraphCast模型的内部激活，揭示了可解释的物理特征，为数据驱动天气模型的机理理解提供了新视角。
Comments 18 pages, 13 figures
反事实VLA：具有自反思能力的视觉-语言-动作模型与自适应推理
机构 * NVIDIA ； UCLA（加州大学洛杉矶分校） ； Stanford University（斯坦福大学）
AI总结 CF-VLA通过自反思机制提升自动驾驶轨迹精度与安全性，实现自适应推理与因果修正。
DermaVQA-DAS：皮肤科评估方案（DAS）及用于患者生成皮肤科图像中封闭式问答与分割的数据库
机构 * Microsoft Health AI（微软健康人工智能） ； University of Washington（华盛顿大学） ； Stanford University（斯坦福大学） ； Hospital Clinic of Barcelona（巴塞罗那医院诊所）
AI总结 DermaVQA-DAS引入了皮肤科评估方案DAS，支持封闭式问答与分割任务，通过专家标注数据集和多模态模型评估，提升患者为中心的皮肤科视觉语言模型研究。
PolaRiS：面向通用机器人策略的可扩展真实-仿真评估
机构 * University of Washington（华盛顿大学） ； Princeton University（普林斯顿大学） ； University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； Toyota Research Institute（丰田研究中心） ； University of Southern California（南加州大学） ； Cornell University（康奈尔大学）
AI总结 PolaRiS通过神经重建和数据协同训练，实现高保真度的机器人策略真实-仿真评估，提升仿真与现实的关联性并简化环境构建。
Comments Website: https://polaris-evals.github.io/
反馈下降：通过成对比较实现开放式的文本优化
机构 * Stanford University（斯坦福大学）
AI总结 Feedback Descent通过结构化文本反馈实现开放式文本优化，优于现有方法并在分子发现中表现突出。
学习空间感知的操作顺序
机构 * Fudan University（复旦大学） ； Shanghai YinCheng Intelligent CO., LTD（上海英成智能有限公司） ； Stanford University（斯坦福大学）
AI总结 OrderMind通过空间感知学习在杂乱环境中实现高效鲁棒操作的统一框架。
Comments Accepted to NeurIPS 2025
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