高校专区
在金融问答中整合领域知识：一种基于多检索器RAG方法与LLM的多检索器RAG方法
机构 * Department of Computer Science Stanford University（计算机科学系 斯坦福大学） ； Graduate School of Business Stanford University（商学院 斯坦福大学）
AI总结 本研究提出一种基于多检索器RAG方法与LLM的金融问答系统，通过领域知识训练提升数值推理能力，验证了领域特定训练在不同模型规模下的性能差异。
多轮对话中的行为引导
机构 * Stanford University（斯坦福大学） ； Google DeepMind（谷歌DeepMind）
AI总结 本研究提出了一种多轮对话中的行为引导方法，通过分析不同方法的效率，展示了在线方法在多任务中的高成功率，强调了动态基准的重要性。
Scaled-Dot-Product Attention作为单侧熵最优传输
机构 * Stanford University（斯坦福大学）
AI总结 本文从原理上证明Scaled-Dot-Product Attention是单侧熵最优传输问题的解，揭示其前向和反向过程分别对应最优推断和流形感知学习更新。
通过多智能体语言模型实现临床笔记中临床级特征生成的扩展
机构 * Department of Management Science and Engineering, Stanford University School of Engineering（管理科学与工程系，斯坦福大学工程学院） ； Department of Radiation Oncology, Stanford University School of Medicine（放射肿瘤学系，斯坦福大学医学院） ； Operations, Information and Technology, Stanford University Graduate Business School（运营、信息与技术，斯坦福大学商学院） ； Graduate Business School Research Hub, Stanford University Graduate Business School（商学院研究中心，斯坦福大学商学院） ； Department of Medicine (Oncology), Stanford University School of Medicine（医学系（肿瘤学），斯坦福大学医学院） ； Department of Medicine, Stanford University School of Medicine（医学系，斯坦福大学医学院） ； Department of Urology, Stanford University School of Medicine（泌尿学系，斯坦福大学医学院） ； Veterans Affairs Palo Alto Health Care System（退伍军人事务帕洛阿尔托医疗系统） ； Department of Electrical Engineering, Stanford University School of Engineering（电气工程系，斯坦福大学工程学院）
AI总结 本研究提出了一种多智能体语言模型系统，通过自动化临床笔记特征生成，实现了与人工方法相当的预测性能，并在不同医疗场景中展示了良好的可扩展性和可解释性。
MatDecompSDF：从多视角图像中恢复高保真3D形状和PBR材质分解
机构 * San Francisco State University 1600 Holloway Avenue San Francisco California USA 94132 ； Department of Electrical \& Computer Engineering, Boston University 8 Saint Mary’s Street Boston MA USA 02215 ； University of California, Berkeley 2150 Shattuck Avenue Berkeley California USA 94704 ； Stanford University 450 Serra Mall Stanford California USA 94305 ； Carnegie Mellon University 5000 Forbes Avenue Pittsburgh Pennsylvania USA 15213 ； University of Washington 185 Stevens Way Seattle Washington USA 98195 ； San Francisco State University ； Department of Electrical \& Computer Engineering, Boston University ； University of California, Berkeley ； Stanford University ； Carnegie Mellon University ； University of Washington
AI总结 MatDecompSDF通过联合优化SDF、神经场和MLP模型，实现从多视角图像中高保真3D形状和PBR材质的分解。
Comments 12 pages, 4 figures
机械编程软性生长机器人结构的横截面形状以用于患者转移
机构 * Department of Mechanical Engineering, Stanford University（斯坦福大学机械工程系） ； Department of Mechanical Engineering, MIT（麻省理工学院机械工程系）
AI总结 本研究提出了一种机械编程方法，通过柔性条带约束径向扩张，实现软性生长机器人结构的宽薄横截面，以提高患者转移任务的适应性和灵活性。
自回归流匹配用于运动预测
机构 * Stanford University（斯坦福大学）
AI总结 ARFM通过自回归流匹配方法，利用多样化视频数据集预测复杂运动，提升机器人和人类动作预测的下游任务性能。
Envision：通过目标图像视频扩散进行具身视觉规划
机构 * University of Southern California（南加州大学） ； ByteDance（字节跳动） ； Stanford University（斯坦福大学） ； Massachusetts Institute of Technology（麻省理工学院） ； MBZUAI
AI总结 Envision 通过目标图像视频扩散模型实现具身视觉规划，提升目标对齐和空间一致性，支持下游机器人任务。
Comments Page: https://envision-paper.github.io
复杂Swin Transformer用于加速增强SMWI重建
机构 * Department of Anesthesiology, Perioperative and Pain Medicine, Stanford University（麻醉学、围手术期与疼痛医学系，斯坦福大学）
AI总结 本文提出复杂Swin Transformer网络，用于高效重建高分辨率SMWI图像，提升帕金森病诊断效率。
Comments Published at ISMRM 2025 (Abstract #2651)
NLCG-Net：一种用于欠采样定量磁共振成像重建的基于模型的零样本学习框架
机构 * Fudan University（复旦大学） ； Harvard Medical School（哈佛医学院） ； Massachusetts General Hospital（麻省总医院） ； Stanford University（斯坦福大学） ； Zhejiang University（浙江大学）
AI总结 NLCG-Net通过结合U-Net正则化器和单指数信号建模，实现了基于模型的零样本学习，用于高加速因子下的T2/T1定量磁共振成像重建。
Comments 5 pages, 5 figures, accepted by International Society for Magnetic Resonance in Medicine 2024
合规评分方案：一种面向生成式人工智能数据集的数据溯源框架
机构 * Stanford University（斯坦福大学） ； Imperial College London（帝国理工学院伦敦分校）
AI总结 本文提出合规评分方案，用于评估生成式人工智能数据集的透明度、问责制和安全性，同时提供开源库以实现数据溯源，促进负责任的数据集构建与管理。
从信息论角度看待代理系统设计
机构 * Department of Computer Science, Stanford University（斯坦福大学计算机科学系） ； Department of Statistics, Stanford University（斯坦福大学统计学系） ； Wu Tsai Neurosciences Institute, Stanford University（斯坦福大学吴泰教授神经科学研究所）
AI总结 从信息论角度研究代理系统设计，通过互信息估计器评估压缩质量，发现更大压缩器更准确且更高效，可显著降低资源消耗。
卷积自编码器用于三维界面多相流的重建
机构 * Department of Mechanical Engineering, Stanford University（斯坦福大学机械工程系） ； Department of Engineering Mechanics, KTH Royal Institute of Technology（皇家理工学院工程力学系）
AI总结 本文研究了卷积自编码器在三维界面多相流重建中的应用，发现适度扩散的界面表示在精度与结构保留间取得最佳平衡。
大规模扩散模型中的数据正则化强化学习
机构 * Stanford University（斯坦福大学） ； NVIDIA ； Tsinghua University（清华大学）
AI总结 DDRL通过数据正则化方法提升扩散模型的奖励表现，有效缓解奖励黑客问题，实现高分辨率视频生成中的高人偏好和可扩展训练。
GaussianVision: 通过二维高斯散射从压缩图像表示中实现视觉-语言对齐
机构 * Stanford University（斯坦福大学）
AI总结 GaussianVision通过二维高斯散射实现高效的视觉-语言对齐，提升边缘设备传输效率并优化多模态学习性能。
交替梯度流：两层神经网络中特征学习的理论
机构 * Stanford University（斯坦福大学） ； KTH（皇家理工学院） ； UC Berkeley（加州大学伯克利分校） ； Imbue（Imbue公司） ； UC Santa Barbara（加州大学圣塔芭芭拉分校）
AI总结 AGF理论框架揭示了两层神经网络中特征学习的动力学，通过交替梯度过程解释特征获取与损失下降的机制，并统一扩展了线性网络和注意力模型中的分析。
Comments 40 pages, 8 figures, NeurIPS 2025
基于双编码变压器的多模态学习用于扩散磁共振成像的缺血性中风病变分割
机构 * Department of Anesthesiology, Perioperative and Pain Medicine, Stanford University（麻醉学、围术期与疼痛医学系，斯坦福大学） ； Department of Biomedical Sciences, Seoul National University（生物医学科学系，首尔国立大学） ； Department of Computer Engineering, National University of Sciences and Technology (NUST)（计算机工程系，国立科学与技术大学（NUST）） ； Department of Computer Science, The University of Alabama（计算机科学系，阿拉巴马大学） ； Department of Computer Science, Hanyang University（计算机科学系，翰阳大学）
AI总结 本文提出双编码变压器架构，利用多模态扩散MRI实现缺血性中风病变分割，达到85.4%的Dice分数。
QMBench: 量子材料研究的科研级基准
机构 * Department of Materials Science and Engineering, Stanford University（斯坦福大学材料科学与工程系） ； Department of Physics, Pennsylvania State University（宾夕法尼亚州立大学物理系） ； Department of Condensed Matter Physics, Weizmann Institute of Science（魏茨曼科学研究院凝聚态物理系） ； Path Integral Technology, Inc.（路径积分技术公司）
AI总结 QMBench是一个用于评估大型语言模型在量子材料研究中能力的科研级基准，旨在推动人工智能科学家在该领域的发展。
Comments 20 pages, 1 figure
针对频繁模型更新的每轴权重delta
机构 * High School "Vasil Drumev" Veliko Tarnovo（维多利亚·德鲁梅夫高中） ； Stanford University（斯坦福大学）
AI总结 提出一种1位delta方案，通过每轴FP16缩放因子压缩权重差异，提升重建质量并减少冷启动延迟和存储开销。
Comments 10 pages, 2 figures, AI That Keeps Up: Workshop on Continual and Compatible Foundation Model Updates (CCFM), Neurips 2025
潜在学习：情景记忆通过使经验的灵活重用来补充参数学习
机构 * Google DeepMind（谷歌DeepMind） ； Department of Psychology, Stanford University（斯坦福大学心理学系）
AI总结 本文提出情景记忆可通过灵活重用经验来补充参数学习，提升泛化能力。
超越CLIP：基于知识的多模态Transformer用于糖尿病视网膜病变诊断中的跨模态对齐
机构 * Department of Medicine Stanford University Stanford, USA（医学系 斯坦福大学）
AI总结 本文提出一种基于知识的多模态Transformer框架，通过整合视网膜图像、临床文本和结构化数据，提升糖尿病视网膜病变诊断中的跨模态对齐与检索性能。
Comments 14 pages, 14 figures
掌控智能：全球AI专利格局与欧洲技术主权的追求
机构 * Laboratory for the Analysis of Complex Economic Systems (AXES)（复杂经济系统分析实验室） ； IMT School for Advanced Studies Lucca（拉瓜迪亚高级研究学院） ； Institute for Human-Centered AI（以人为本的人工智能研究所） ； Stanford University（斯坦福大学）
AI总结 本文通过分析全球AI专利格局，揭示了欧洲在技术主权追求中的挑战与现状，指出技术能力是参与全球AI创新网络的关键因素。
QuantiPhy：一种评估视觉-语言模型物理推理能力的定量基准
机构 * Stanford University（斯坦福大学）
AI总结 QuantiPhy通过定量评估视觉-语言模型的物理推理能力，揭示其在运动学属性推断中的数值准确性与定性合理性之间的差距。
LouvreSAE：用于可解释和可控风格迁移的稀疏自编码器
机构 * Washington High School（华盛顿高中） ； Stanford University（斯坦福大学）
AI总结 LouvreSAE通过稀疏自编码器实现可解释且可控的艺术风格迁移，无需微调或额外计算，提升效率并保持风格清晰度。
Solver-Informed RL: 为真实优化建模奠定大语言模型基础
机构 * Cardinal Operations, China（中国卡迪纳尔运营公司） ； Shanghai University of Finance and Economics（上海财经大学） ； The University of Hong Kong（香港大学） ； Antai School of Economics and Management, Shanghai Jiao Tong University（上海交通大学安泰经济管理学院） ； Department of Management Science and Engineering, Stanford University（斯坦福大学管理科学与工程系）
AI总结 SIRL通过强化学习与外部优化求解器结合，提升大语言模型在优化建模中的准确性与实用性。
Journal ref 39th Conference on Neural Information Processing Systems (NeurIPS 2025)
张量核心GPU的最优软件流水和线程束专门化
机构 * Stanford University（斯坦福大学） ； NVIDIA（英伟达）
AI总结 Twill系统通过联合优化问题自动为迭代程序生成最优软件流水和线程束专门化调度。
CoPE：一种可调节且可扩展的内容标注小语言模型
机构 * Stanford University（斯坦福大学） ； Harvard University（哈佛大学）
AI总结 CoPE是一种可调节且可扩展的内容标注小语言模型，通过矛盾示例训练和双目标注方法，实现高效准确的内容标注，并在小规模下达到与前沿模型相当的性能。
Comments 21 pages, 2 figures, 7 tables
FactEHR: 一个用于使用LLMs评估临床笔记事实性的数据集
机构 * Khoury College of Computer Sciences, Northeastern University（东北大学克劳尔计算机科学学院） ； Center for Biomedical Informatics Research, Stanford University（斯坦福大学生物医学信息学研究中心） ； Department of Biomedical Data Science, Stanford School of Medicine（斯坦福医学院生物医学数据科学系） ； Stanford Health Care（斯坦福健康系统） ； Department of Medicine, Stanford School of Medicine（斯坦福医学院医学系） ； Clinical Excellence Research Center, Stanford School of Medicine（斯坦福医学院临床卓越研究中心） ； Department of Anesthesiology, Perioperative & Pain Medicine, Stanford School of Medicine（斯坦福医学院麻醉学、手术及疼痛医学系） ； Department of Dermatology, Stanford School of Medicine（斯坦福医学院皮肤病学系） ； Technology and Digital Solutions, Stanford Health Care（斯坦福健康系统技术与数字解决方案）
AI总结 FactEHR是一个用于评估LLMs在临床笔记中事实分解能力的数据集，通过生成987,266个蕴含对揭示LLM在细粒度事实验证中的性能差异。
Comments To appear at MLHC 2025
Journal ref Journal-ref: Proceedings of Machine Learning Research (PMLR), vol. 298, Proceedings of the Machine Learning for Healthcare Conference (MLHC), 2025
利用临床指导的表示学习可解释的治疗策略：一种实用方法
机构 * OpenAI (work done while at Stanford University)（OpenAI（工作期间在斯坦福大学）） ； Stanford University（斯坦福大学）
AI总结 本文提出利用临床指导的表示学习可解释的治疗策略，以提高远程患者监测中1型糖尿病青少年的血糖控制效果。
Comments Proceedings of Machine Learning for Health (ML4H) 2024. Code available at: https://github.com/jferstad/ml4h-explainable-policies
Journal ref Proceedings of the 4th Machine Learning for Health Symposium, PMLR 259:325-349, 2025
学习平台上的前瞻性推理
机构 * Australian National University（澳大利亚国立大学） ； Stanford University（斯坦福大学） ； ELLIS Institute（ELLIS研究所） ； 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）
AI总结 本文探讨了学习平台中用户行为的前瞻性推理，分析了集体推理与自私行为的差异，并提出了协调效用权衡的新概念。
Comments published at 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