NeST: Neuron Selective Tuning for LLM Safety
NeST: 面向LLM安全的神经元选择性调优
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 提出NeST框架，通过激活探测识别安全相关前馈神经元并训练共享簇级更新，仅用普通恶意提示即可泛化防御多种越狱攻击，在14个模型上以极少参数实现接近全微调的鲁棒性。
高校专区
Stanford University（斯坦福大学）
Arbitrary control over multimode wave propagation for machine learning
用于机器学习的多模波传播的任意控制
机构 * School of Applied and Engineering Physics, Cornell University（应用与工程物理系，康奈尔大学） ； NTT Physics and Informatics Laboratories, NTT Research, Inc.（NTT物理与信息实验室，NTT研究公司） ； E. L. Ginzton Laboratory, Stanford University（E. L. Ginzton实验室，斯坦福大学） ； Kavli Institute at Cornell for Nanoscale Science, Cornell University（康奈尔大学纳米科学研究所） ； Department of Electrical and Computer Engineering, Boston University（波士顿大学电气与计算机工程系） ； Department of Electrical Engineering and Computer Science, University of California（加州大学电气工程与计算机科学系） ； Department of Applied Physics, Yale University（耶鲁大学应用物理系）
AI总结 提出一种可快速重编程折射率的二维可编程波导，通过并行电光调制实现多模波传播的任意控制，并用于单次神经网络推理，理论表明面积增长为N^1.5而非N^2。
Journal ref Nat. Phys. 22, 164-171 (2026)
ShapeBench: A Scalable Benchmark and Diagnostic Suite for Standardized Evaluation in Aerodynamic Shape Optimization
ShapeBench: 一种可扩展的基准和诊断套件，用于气动形状优化的标准化评估
机构 * Stanford University（斯坦福大学） ； Spinoza Labs（斯皮诺扎实验室）
AI总结 本文提出ShapeBench，一个开源的气动形状优化基准，提供统一的API，涵盖103个任务和八个形状类别，通过验证的代理模型和高保真CFD流程进行系统分析，展示了不同形状类别和问题形式中优化器排名的显著差异，强调了需要更通用方法的必要性。
GLIDE: A Coordinated Aerial-Ground Framework for Search and Rescue in Unknown Environments
GLIDE：未知环境下的空地协同搜索与救援框架
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 提出GLIDE框架，通过两架无人机与一辆无人地面车协同，实现未知环境中的快速受害者定位和障碍物感知导航，利用角色分离和地形侦察提升救援效率。
Unsafer in Many Turns: Benchmarking and Defending Multi-Turn Safety Risks in Tool-Using Agents
多轮交互中的安全隐患：工具使用智能体的多轮安全风险基准与防御
机构 * Stanford University（斯坦福大学） ； UC Berkeley（加州大学伯克利分校）
AI总结 提出多轮工具使用安全基准MT-AgentRisk，发现多轮设置下攻击成功率平均增加16%，并设计无训练、与工具无关的自探索防御方法ToolShield，平均降低30%攻击成功率。
Language Model Circuits Are Sparse in the Neuron Basis
语言模型电路在神经元基上是稀疏的
机构 * Stanford University（斯坦福大学）
AI总结 本文实证发现MLP神经元与稀疏自编码器一样是稀疏特征基，并基于此开发了端到端梯度归因流水线，在多项任务中揭示了因果有效的神经元电路。
Comments ICML Spotlight, camera-ready
PLaID++: A Preference Aligned Language Model for Targeted Inorganic Materials Design
PLaID++: 一种用于定向无机材料设计的偏好对齐语言模型
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 提出PLaID++，通过对称性感知的Wyckoff文本表示和温度缩放熵正则化，结合可验证奖励的强化学习，实现稳定、新颖且满足空间群属性的晶体生成，比先前方法效率提高约50%。
Comments Code available at https://github.com/andaero/PLaID, model weights at https://huggingface.co/HOPE-Lab-HMC/PLaID
Data-Driven Soft Robot Control via Adiabatic Spectral Submanifolds
基于绝热谱子流形的数据驱动软体机器人控制
机构 * Institute for Mechanical Systems, ETH Zürich（机械系统研究所，苏黎世联邦理工学院） ； Autonomous Systems Lab, Stanford University（自主系统实验室，斯坦福大学） ； Automatic Control Laboratory, ETH Zürich（自动控制实验室，苏黎世联邦理工学院）
AI总结 针对软体机器人在非线性区域控制难题，提出基于绝热谱子流形（aSSM）的模型预测控制策略，通过数据驱动构建低维吸引子流形，实现高精度轨迹跟踪，性能提升达10倍。
Comments 41 pages, 24 figures, IJRR (2026) in press
MoReBench: Evaluating Procedural and Pluralistic Moral Reasoning in Language Models, More than Outcomes
MoReBench：评估语言模型中的程序性和多元道德推理，超越结果
机构 * University of Washington（华盛顿大学） ； New York University（纽约大学） ； Scale AI ； Harvard University（哈佛大学） ； University of Michigan（密歇根大学） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； Center for AI Safety（人工智能安全中心） ； Stanford University（斯坦福大学） ； MIT（麻省理工学院） ； University of Oxford（牛津大学）
AI总结 提出MoReBench基准，包含1000个道德场景和超过2.3万条标准，用于评估语言模型在道德推理中的程序性推理能力，发现现有基准无法预测模型表现，且模型对特定道德框架存在偏好。
Comments 46 pages, 8 figures, 10 tables. Published in ICLR 2026. Accepted at CHAI workshop and SPP 2026 (non-archival)
GAE: Unleashing Physical Potential of VLM with Generalizable Action Expert
GAE: 利用可泛化动作专家释放VLM的物理潜力
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 提出通用动作专家（GAE），通过稀疏几何接口将VLM的高层意图转化为连续动作轨迹，采用动作预训练-点云微调（APPF）方案解耦动作动力学与几何基础，实现跨视觉域、视角和指令的强泛化。
Prism: Cost-Efficient Multi-LLM Serving via GPU Memory Ballooning
Prism: 通过GPU内存气球实现经济高效的多LLM服务
机构 * UCLA（加州大学洛杉矶分校） ； UC Berkeley（伯克利加州大学） ； Harvard University（哈佛大学） ； CMU（卡内基梅隆大学） ； University of Edinburgh（爱丁堡大学） ； Intel（英特尔） ； Stanford University（斯坦福大学） ； LMSYS（灵州市系统实验室） ； ByteDance（字节跳动） ； Alibaba Cloud（阿里云） ； Tsinghua University（清华大学） ； Novita AI ； Rice University（里士满大学）
AI总结 针对多LLM服务中资源效率低下的问题，提出基于内存气球的内存中心化LLM协同服务框架Prism，统一空间与时间共享，已在10K+ GPU生产环境部署。
Comments OSDI'26
Learning Robot Safety from Sparse Human Feedback using Conformal Prediction
基于共形预测从稀疏人类反馈中学习机器人安全
机构 * Department of Aeronautics and Astronautics, Stanford University（航空航天工程系，斯坦福大学）
AI总结 通过人类对策略轨迹的二元反馈，利用共形预测识别包含未来策略错误的状态区域，构建具有保证漏检率的预警系统，并用于改进模型预测控制器的安全性。
Subliminal Learning Is Steering Vector Distillation
潜意识学习是引导向量蒸馏
机构 * Stanford University（斯坦福大学）
AI总结 本文发现潜意识学习通过单个引导向量实现，并证明这是引导向量蒸馏的特例，解释了非语义数据如何传递语义特征。
Human-Guided Agentic AI for Multimodal Clinical Prediction: Lessons from the AgentDS Healthcare Benchmark
人类引导的智能体AI用于多模态临床预测：来自AgentDS医疗基准的教训
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学） ； Stanford University（斯坦福大学）
AI总结 通过人类引导智能体AI在多模态临床预测任务中取得领先性能，提炼出领域知识引导特征工程、任务特定多模态融合和临床动机模型集成三大通用经验。
Comments Presented at the Data Challenge track at the 14th IEEE International Conference on Healthcare Informatics (ICHI) 2026 on June 3, 2026
Evaluation Cards: An Interpretive Layer for AI Evaluation Reporting
评估卡：AI评估报告的解释层
机构 * Hugging Face ； Stanford University（斯坦福大学） ； Queen Mary University of London（伦敦玛丽女王大学） ； University of Copenhagen（哥本哈根大学） ； Trustible ； EleutherAI ； TU Darmstadt（达姆施塔特工业大学） ； Weizenbaum Institute & Technical University of Munich（魏森鲍姆研究所与慕尼黑工业大学） ； Harvard University（哈佛大学） ； The Hebrew University of Jerusalem（耶路撒冷希伯来大学） ； Iowa State University（爱荷华州立大学） ； IBM Research（IBM研究院） ； University of Chicago（芝加哥大学） ； Independent（独立） ； Berkeley AI Safety Institute (BASIS)（伯克利人工智能安全研究所） ； Simula ； University of Edinburgh（爱丁堡大学） ； ETH Zurich & ETH AI Center（苏黎世联邦理工学院与ETH AI中心） ； Oxford Internet Institute（牛津互联网研究所） ； Amherst College（阿默斯特学院） ； University of Nebraska（内布拉斯加大学） ； Syntony Research ； McGill University（麦吉尔大学） ； Evals Consensus ； Israel Institute of Technology（以色列理工学院） ； IOL.Learn & Zuse Institute Berlin（IOL.Learn与柏林祖泽研究所） ； Georgia Institute of Technology（佐治亚理工学院） ； Quebec AI Institute, Université de Montréal（魁北克人工智能研究所，蒙特利尔大学） ； University of Notre Dame（圣母大学） ； Georgetown University（乔治城大学） ； DHBW Stuttgart（斯图加特双元制大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 针对AI评估报告不一致的问题，提出EvalCards作为统一记录层，通过结构化模式、四种解释信号和监控工具，覆盖5816个模型和635个基准，揭示报告实践中的系统性差距。
Pushing the limits of one-dimensional NMR spectroscopy for automated structure elucidation using artificial intelligence
利用人工智能推动一维核磁共振波谱在自动结构解析中的极限
机构 * Department of Chemistry, Stanford University（化学系，斯坦福大学） ； ACD/Labs（ACD实验室）
AI总结 提出基于Transformer的深度学习框架，仅利用一维1H和13C NMR谱，对含多达40个非氢原子的有机分子实现60.4%的首次15次预测准确率，克服化学空间组合爆炸。
Standard Language Ideology in AI-Generated Language
AI生成语言中的标准语言意识形态
机构 * Stanford University（斯坦福大学） ； UC Berkeley（加州大学伯克利分校）
AI总结 本文提出一个分类法，揭示大型语言模型如何强化标准语言意识形态，导致语言变体的边缘化，并讨论其社会影响及应对建议。
Comments To appear in the 2026 ACM Conference on Fairness, Accountability, and Transparency (FAccT '26)
Whisper-GPT -- Continuous Discrete Hybrid Representation Language Models For Speech And Music
Whisper-GPT -- 语音和音乐的连续离散混合表示语言模型
机构 * Stanford University（斯坦福大学）
AI总结 提出Whisper-GPT，一种结合连续音频表示（如频谱图）和离散音频令牌的生成式大语言模型，解决了离散令牌方法上下文长度过长的问题，在语音和音乐的下一个令牌预测中降低了困惑度和负对数似然。
Comments 6 pages, 3 figures. 50th International Conference on Acoustics, Speech and Signal Processing, Hyderabad, India
ReSkill: Reconciling Skill Creation with Policy Optimization in Agentic RL
ReSkill：在智能体强化学习中协调技能创建与策略优化
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 提出ReSkill框架，通过GRPO的组结构嵌入断言驱动技能创建、组内轨迹采样和自适应汤普森采样，实现技能与策略的协同进化，在多个领域超越现有方法。
MedSyn2: Flexible Control of 3D CT Generation via Text and Semantically-Defined Segmentation Prompts
通过文本和语义定义的分割提示灵活控制3D CT生成
机构 * Boston University School of Engineering（波士顿大学工程学院） ； Stanford University（斯坦福大学） ； University of Pittsburgh Medical Center（匹兹堡大学医学中心） ； Boston University School of Medicine（波士顿大学医学院）
AI总结 提出一种灵活的多模态框架，通过文本和可选分割提示控制3D CT生成，实现高分辨率、解剖一致且可控的体数据生成。
CalBench: Evaluating Coordination-Privacy Trade-offs in Multi-Agent LLMs
CalBench: 评估多智能体大语言模型中的协调-隐私权衡
机构 * Stanford University（斯坦福大学）
AI总结 提出CalBench基准，用于在私有信息下评估多智能体日程协调中任务完成、成本、通信、公平性和隐私泄露的权衡。
Latent Cache Flow: Model-to-Model Communication Without Text
潜在缓存流：无需文本的模型间通信
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 提出潜在缓存流（LCF）方法，通过联合翻译和压缩键值缓存实现高效模型间通信，在上下文不同场景下比基于文本的通信准确率提高23%、速度提升8.5倍。
Comments 6 pages, 5 figures
ForcingDAS: Unified and Robust Data Assimilation via Diffusion Forcing
通过扩散强迫实现统一且稳健的数据同化：ForcingDAS
机构 * University of Michigan（密歇根大学） ； University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出ForcingDAS，一种基于扩散强迫的统一数据同化框架，能够捕捉长时序依赖并减少误差积累，同时在推理时无需重新训练即可实现滤波到平滑的全谱应用。
Advancing Ligand-based Virtual Screening and Molecular Generation with Pretrained Molecular Embedding Distance
通过预训练分子嵌入距离推进基于配体的虚拟筛选和分子生成
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 本文提出预训练嵌入距离作为高效替代方案，用于虚拟筛选和分子生成，展示其在结构信息捕捉和相似性测量方面的有效性。
Comments Accepted by ICML 2026 AI4Science (https://openreview.net/forum?id=HbfrCipfNl). Code and data are available
Mobility-Embedded POIs: Learning What A Place Is and How It Is Used from Human Movement
移动性嵌入的POI：从人类移动中学习场所身份与使用方式
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 提出ME-POIs框架，通过对比学习将大规模人类移动数据与语言模型嵌入结合，学习场所功能，并在五个地图丰富任务上超越文本或移动性单独基线。
Prescriptive Scaling Reveals the Evolution of Language Model Capabilities
规范性缩放揭示语言模型能力的演变
机构 * Harvard University（哈佛大学） ； Stanford University（斯坦福大学）
AI总结 通过大规模观测评估和分位数回归，提出规范性缩放定律，将预训练计算预算映射到下游准确率，并验证其时间稳定性，引入平衡I-最优采样算法降低评估成本。
Comments ICML 2026 Oral. Blog Post: https://jkjin.com/prescriptive-scaling
When Benign Inputs Lead to Severe Harms: Eliciting Unsafe Unintended Behaviors of Computer-Use Agents
当良性输入导致严重危害：引发计算机使用代理的不安全意外行为
机构 * DeepMind, London, UK（深度Mind，伦敦，英国） ； Stanford University, Stanford, CA, USA（斯坦福大学，斯坦福，加利福尼亚州，美国） ； UC Berkeley, Berkeley, CA, USA（加州大学伯克利分校，伯克利，加利福尼亚州，美国）
AI总结 提出AutoElicit框架，通过迭代扰动良性指令并利用CUA执行反馈，自动引发前沿CUAs（如Claude 4.5 Haiku等）的数百种有害意外行为，并验证其跨模型可迁移性。
Comments ICML 2026, Project Homepage: https://osu-nlp-group.github.io/AutoElicit/
Conditional Normalizing Flows for Forward and Backward Joint State and Parameter Estimation
条件归一化流用于前向和后向联合状态与参数估计
机构 * Department of Computer Science and Engineering University of Notre Dame（计算机科学与工程系诺特达姆大学） ； Department of Pediatrics Stanford University（儿科系斯坦福大学） ； Department of Applied and Computational Mathematics and Statistics University of Notre Dame（应用与计算数学与统计系诺特达姆大学）
AI总结 针对非线性非高斯系统，提出基于条件归一化流的状态滤波方法，结合MLP、Transformer或Mamba-SSM生成条件嵌入，并引入最优传输动力学损失缓解过参数化，在自动驾驶和COVID-19联合估计中验证有效性。
Self-Supervised Dynamical System Representations for Physiological Time-Series
生理时间序列的自监督动力系统表示
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 提出PULSE框架，利用动力系统生成模型的信息结构，通过跨重建预训练目标提取共享系统参数信息，丢弃样本特异性噪声，提升生理时间序列的表示学习效果。
Comments Accepted to ICML 2026
Benchmark Datasets for Lead-Lag Forecasting on Social Platforms
社交平台领先滞后预测的基准数据集
机构 * Cornell University（康奈尔大学） ； Stanford University（斯坦福大学） ； Boston University（波士顿大学）
AI总结 本文提出领先滞后预测（LLF）问题，并发布arXiv和GitHub两个大规模基准数据集，通过统计检验验证领先滞后动态，为社交平台时间序列预测提供标准化测试平台。
Comments 11 pages, 8 figures, includes supplementary material (6 pages, 5 figures). Accepted at ACM SIGKDD 2026 (KDD '26). Code and data: https://lead-lag-forecasting.github.io
