高校专区
上下文从不够长：用于长文档集可扩展问答的结构化推理
机构 * Computer Science Department, Stanford University（斯坦福大学计算机科学系）
AI总结 本文提出SLIDERS框架，通过结构化推理解决长文档集问答问题，利用关系数据库和SQL实现可扩展推理，优于现有基准。
Comments 53 pages (10 main), preprint
APIVOT：具有交错视觉语言思维的自适应规划
机构 * Stanford University（斯坦福大学）
AI总结 研究长期机器人规划问题，提出基于VLM的APIVOT规划器，通过自适应交错语言和视觉思维，利用语言语义推理、视觉思维验证几何可行性，在长期厨房任务中表现出色，提升了规划成功率和推理效率。
Comments Project Page: https://emilyzjin.github.io/projects/apivot.html
扩散策略学习中的表达能力与统计权衡
机构 * Stanford University（斯坦福大学） ； Chinese University of Hong Kong（香港中文大学） ； Imperial College London（伦敦帝国理工学院）
AI总结 研究扩散策略学习中表达能力与统计权衡，确定漂移Lipschitz预算K为核心量，通过近似量化表达能力，证明其与统计复杂性的关系，给出有限样本性能差距，数值实验验证，还提出根据样本大小选K及对应神经网络架构的实现原则。
贝叶斯扩散模型中泛化相变的精确信息理论
机构 * Stanford University（斯坦福大学）
AI总结 研究扩散模型如何从有限训练集学习复杂分布，引入BIRD模型，通过贝叶斯后验推断实现时间反转扩散，确定记忆与泛化的信息理论相变边界，实验证实理论预测，揭示信息受限在生成式AI中规避维度灾难的作用。
Play2Perfect：灵巧操作预训练对精密装配的关键因素
机构 * Stanford University（斯坦福大学） ； Cornell University（康奈尔大学）
AI总结 提出Play2Perfect框架，通过任务无关的玩耍预训练获取可复用的操作先验，再微调用于精密装配，在稀疏奖励和接触密集任务中实现33倍样本效率提升。
Comments 22 pages, 12 figures, 4 tables. Project page: https://play2perfect.github.io
同伴预测自训练用于语言模型推理
机构 * Harvard University（哈佛大学） ； Stanford University（斯坦福大学）
AI总结 本文提出PST框架，通过多模型协作利用交叉模型聚合响应作为内部训练信号，提升数学推理任务的准确率并减少生成-验证差距。
Comments 22 pages, 5 figures
用于脑 MRI 进展建模的解剖学引导潜在扩散
机构 * Cornell University（康奈尔大学） ； Weill Cornell Medicine（韦尔医学院） ； Stanford University（斯坦福大学） ； University of Virginia（弗吉尼亚大学）
AI总结 研究旨在准确建模脑 MRI 进展，提出解剖学引导潜在扩散模型 AG-LDM，通过融合多因素简化训练流程，经实验验证其在图像质量、误差降低及特征捕捉等方面表现优异，是可靠的脑 MRI 进展建模框架。
Comments 24 pages, 7 figures, 7 tables. Code available at https://github.com/JornyWan/AG-LDM
用于临床信息丰富且可解释的医学图像理解的工具瓶颈框架
机构 * California Institute of Technology（加州理工学院） ； Stanford University（斯坦福大学）
AI总结 针对医学图像理解中工具组合难的问题，提出工具瓶颈框架（TBF），利用工具瓶颈模型（TBM）组合VLM选择的工具，通过神经网络计算融合工具输出，在组织病理学和皮肤病学任务中表现出色，提升医学图像理解且使预测更具可解释性。
Journal ref Proceedings of the 9th International Conference on Medical Imaging with Deep Learning, Proceedings of Machine Learning Research 315 (2026) 2958-2986
通过深度原生结构推理实现准确、跨学科和透明的结构-属性理解
机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； The Chinese University of Hong Kong（香港中文大学） ； Shanghai Jiao Tong University（上海交通大学） ； Fudan University（复旦大学） ； University of Sydney（悉尼大学） ； Nanjing University（南京大学） ； University of Oxford（牛津大学） ； The University of Science and Technology of China（中国科学技术大学） ； Drug Discovery and Design Center, State Key Laboratory of Drug Research, Shanghai Institute of Materia Medica, Chinese Academy of Sciences（药物发现与设计中心、国家药物研究重点实验室、上海中医药材料医学研究所、中国科学院） ； University of Chinese Academy of Sciences（中国科学院大学） ； Stanford University（斯坦福大学）
AI总结 研究聚焦利用人工智能解释结构-属性关系的挑战，提出多模态科学基础模型SciReasoner，通过离散化结构信息为可寻址单元进行推理，在多领域基准测试中表现出色，实现准确预测与可解释科学推理的结合。
通过有限自动机上的高效推理实现扩散语言模型的约束解码
机构 * Stanford University（斯坦福大学）
AI总结 研究扩散语言模型的约束解码问题，提出基于有限自动机高效推理的算法，能保证约束满足，支持多种解码方式，经实验验证在多种任务上提升准确率且推理开销小。
WildCity：用于渲染、模拟和空间智能的真实世界城市规模测试平台
机构 * May Mobility（五月出行公司） ； New York University（纽约大学） ； NVIDIA（英伟达公司） ； Stanford University（斯坦福大学）
AI总结 针对人工智能在构建城市规模空间表征方面的挑战，引入WildCity真实世界多模态数据集，建立重建基线并转化为模拟器，分析关键挑战，推动城市规模渲染及相关人工智能发展。
Comments ECCV 2026; Project Page: https://han-xiangyu.github.io/Wild-City/
Danus：利用事实图内存编排数学推理智能体
机构 * School of Mathematical Sciences, Peking University（北京大学数学科学学院） ； Beijing International Center for Mathematical Research, Peking University（北京大学北京国际数学研究中心） ； Research Institute for Mathematical Sciences, Kyoto University（京都大学数理解析研究所） ； School of Mathematics, Tianjin University（天津大学数学学院） ； Zhongguancun Academy（中关村科学院） ； Department of Mathematics, Stanford University（斯坦福大学数学系） ； Westlake Institute for Advanced Study, Westlake University（西湖大学西湖高等研究院） ； School of Mathematical Sciences, Key Laboratory of Intelligent Computing and Applications (Ministry of Education), Tongji University（同济大学数学科学学院（教育部智能计算与应用重点实验室）） ； Beijing International Center for Mathematical Research and the New Cornerstone Science Laboratory, Peking University（北京大学北京国际数学研究中心与新基石科学实验室） ； Center for Machine Learning Research, Peking University（北京大学机器学习研究中心） ； Center for Intelligent Computing, Great Bay Institute for Advanced Study, Great Bay University（大湾区大学高等研究院智能计算中心）
AI总结 本文针对基于大语言模型的数学推理智能体扩展和编排难题，提出以共享事实图为全局内存管理机制的Danus系统，由主智能体、工作智能体和验证器构成，通过案例研究评估，展示其构建长证明的能力，为长期研究问题提供有效编排途径。
拟阵的切线类与美妙紧化
机构 * Stanford University（斯坦福大学）
AI总结 本文针对无环拟阵 \(M\) 及特定构建集 \(\mathcal{G}\) 构造整切线类 \(T_{M,\mathcal{G}}^{\mathbb{Z}}\)，可恢复周环希尔伯特级数等。主体由人工智能达努斯自主生成，在相关论文公开前解决问题，展现了AI在数学研究中的潜力。
Comments v2: added reference to Danus report [Liu et al., arXiv:2607.06447] and minor edits
MobileEgo Anywhere：基于商用硬件的长时域自我中心数据开放基础设施
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； University of Washington（华盛顿大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of California, Santa Barbara（加州大学圣巴巴拉分校）
AI总结 提出MobileEgo Anywhere框架，利用智能手机传感器实现超过一小时的自我中心轨迹采集，并发布开源处理流水线STERA、移动应用及200小时数据集，验证其在视觉-语言-动作模型训练中的有效性。
优化面向基于代理的传染病模拟的干预措施
机构 * University of Rostock（罗斯托克大学） ； University of Münster（明斯特大学） ； Stanford University（斯坦福大学）
AI总结 本文提出ADIOS系统，利用语法引导遗传编程优化基于代理的传染病模拟中的非药物干预措施，通过领域特定语言和约束减少搜索空间，提升优化效率。
与语言模型练习培养人类共情沟通
机构 * Kellogg School of Management, Northwestern University（西北大学凯洛格管理学院） ； Northwestern Institute for Complex Systems, Northwestern University（西北大学复杂系统研究所） ； Ryan Institute on Complexity, Northwestern University（西北大学复杂性研究院） ； Department of Computer Science, Stanford University（斯坦福大学计算机科学系） ； Department of Communication Studies, Northwestern University（西北大学传播学系） ； Department of Computer Science, Northwestern University（西北大学计算机科学系）
AI总结 研究通过实验平台探讨共情沟通技能的提升，发现简短的LLM指导干预能有效提升参与者与规范共情沟通模式的匹配度，并发现沉默共情效应。
SycoEval-EM：急诊护理模拟临床场景中大语言模型的谄媚评估
机构 * UNC Chapel Hill（UNC夏洛特山分校） ； University of Waterloo（滑铁卢大学） ； Stanford University（斯坦福大学）
AI总结 提出SycoEval-EM多智能体模拟框架，评估19个LLM在急诊医学中对患者说服的鲁棒性，发现谄媚率呈双峰分布，静态医学基准无法预测安全表现。
Comments 19 pages, 10 figures
GrandTour: 一种用于多模态感知与状态估计的野外腿式机器人数据集
机构 * ETH Zurich（苏黎世联邦理工学院） ； Stanford University（斯坦福大学） ； UC Berkeley（伯克利大学） ； Oxford University（牛津大学）
AI总结 GrandTour数据集为多模态感知与状态估计提供了大规模野外腿式机器人数据，支持SLAM和高精度状态估计的研究与开发。
Comments Turcan Tuna, and Jonas Frey contributed equally. Submitted to Sage The International Journal of Robotics Research
复合人工智能系统中聚合的力量与局限性
机构 * UC Berkeley（伯克利大学） ； Stanford University（斯坦福大学）
AI总结 研究复合人工智能系统中聚合的力量与局限性，在委托 - 代理框架内揭示可行性扩展等三种机制，证明其对引出能力扩展的作用，通过玩具任务实证说明结果，朝表征系统克服相关局限迈进。
回答之前先解释：组合视觉推理综述
机构 * Monash University（墨尔本大学） ； Stanford University（斯坦福大学） ； University of Washington（华盛顿大学） ； Griffith University（格里菲斯大学） ； Princeton University（普林斯顿大学） ； Allen Institute for Artificial Intelligence（人工智能研究院）
AI总结 综述2023年至2025年组合视觉推理文献，形式化核心定义，追溯范式转变，编目基准指标，提炼见解、识别挑战并概述方向，为该领域提供统一分类、历史路线图和批判性展望。
Comments Project Page: https://github.com/pokerme7777/Compositional-Visual-Reasoning-Survey
图卷积注意力：图去噪与扩散的谱视角
机构 * University of Pennsylvania（宾夕法尼亚大学） ； King Juan Carlos University（胡安·卡洛斯国王大学） ； Stanford University（斯坦福大学）
AI总结 研究图去噪问题，提出图卷积注意力（GCA）方法，通过利用输入图谱实现谱去噪，在随机块模型中与理想机制匹配，实验证明其能提升图去噪和扩散性能，在 DiGress 中表现良好且推理更快。
Pluralis v0.1：迈向用于人工智能风险与可靠性的多元文化、多模态、多语言基准测试
机构 * Google DeepMind（谷歌DeepMind） ； University of Alabama in Huntsville（阿拉巴马大学亨茨维尔分校） ； Google（谷歌） ； University of Missouri Columbia（密苏里大学哥伦比亚分校） ； Chunghwa Telecom Laboratories（春木电信实验室） ； University of Southern California（南加州大学） ； Polytechnique Montreal（蒙特利尔理工学院） ； Nutanix ； ThinkEvolve Labs（ThinkEvolve实验室） ； UCL（伦敦大学学院） ； Infocomm Media Development Authority（信息通信媒体发展局） ； Monark Health（Monark健康） ； Seoul National University（首尔国立大学） ； Microsoft（微软） ； Centre for Responsible AI (CeRAI), Wadhwani School of Data Science and AI (WSAI), Indian Institute of Technology Madras（负责任人工智能中心（CeRAI）、瓦达威人工智能学校（WSAI）、印度理工学院马德拉斯分校） ； University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校） ； Microsoft Research India（微软印度研究院） ； Stanford University（斯坦福大学） ； Argonne National Laboratory（阿贡国家实验室） ； University of Oxford（牛津大学） ； KAIST（韩国科学技术院） ； Yonsei University（延世大学） ； Amazon（亚马逊） ； UIUC（伊利诺伊大学香槟分校） ； Rochester Institute of Technology（罗切斯特理工学院） ； Xenoscube Inc.（Xenoscube公司） ； Korea AI Safety Institute (K-AISI)（韩国人工智能安全研究所（K-AISI）） ； MLCommons ； CommonGround ； Artifex Labs（Artifex实验室）
AI总结 研究针对现有AI安全评估框架忽视文化差异问题，构建多语言多模态数据集Pluralis v0.1，从文化优先视角引入新评估范式，提出Judge - Pluralis集成，揭示特定地区失败模式，为多语言多元文化评估提供基础和创新起点。
无学习算法的审计
机构 * Stanford University（斯坦福大学） ； University of Zurich（苏黎世大学）
AI总结 研究无学习算法能否消除训练数据影响这一问题，利用成员推理攻击计算无学习参数ε下限的审计器来评估多种算法，发现有严格保证的算法ε边界小，经验方法边界大，审计器为证伪无学习声明提供工具并经实验验证。
关联恢复测试：揭示遗忘后可恢复的捷径
机构 * Stanford University（斯坦福大学）
AI总结 研究关联遗忘中保留的关联能否被原始分类器功能使用的问题，提出关联恢复测试（ART），通过估计关联方向、放大残差分量并用原始分类器头评估修改后的特征来诊断捷径可恢复性，在多个数据集上验证了该方法能表征捷径缓解的不同方面。
Comments Preprint. 16 pages
参差不齐的全球经济：前沿人工智能对各国经济的不均衡影响
机构 * UC Berkeley（伯克利大学） ； University of São Paulo（圣保罗大学） ； Stanford University（斯坦福大学）
AI总结 研究前沿人工智能对各国经济的影响，引入国家人工智能暴露度量指标，结合职业暴露分数与就业数据，发现高收入国家暴露程度高、存在性别差距，有间接暴露新机制，指出针对欧美劳动力市场的政策无法推广。
Comments Website (including code and data): https://jagged-global-economy.github.io/
EquiFiLM：通过特征线性调制实现电荷条件下的等变力场
机构 * Stanford University（斯坦福大学） ； SLAC National Accelerator Laboratory（SLAC国家加速器实验室） ； University of Southern California（南加州大学）
AI总结 研究针对基础机器学习力场不能处理外部诱导电子态变化的问题，提出EquiFiLM方法，通过特征线性调制为等变基础MLFF添加外部条件，以少量训练数据学习势能面变化，在带电液态水实验中大幅提升精度，且与骨干和条件无关。
LLM-as-a-Verifier：一种通用验证框架
机构 * Stanford University（斯坦福大学） ； UC Berkeley（加州大学伯克利分校） ； NVIDIA Research（英伟达研究院）
AI总结 该工作将验证确定方案正确性的能力作为大模型新扩展轴，提出无需额外训练的通用LLM验证框架，生成连续评分，在多基准上取得SOTA性能，还可用于强化学习等场景。
Comments Code: https://github.com/llm-as-a-verifier/llm-as-a-verifier Website: https://llm-as-a-verifier.com
CONFLUX：一种用于3D胸部CT合成的潜在扩散模型及强化学习后训练
机构 * Department of Biomedical Data Science, Stanford University School of Medicine（斯坦福大学医学院生物医学数据科学系） ； Department of Mathematical Modelling, Statistics & Bioinformatics, Ghent University（根特大学数学建模、统计与生物信息学系） ； Department of Electrical Engineering, Stanford University（斯坦福大学电气工程系）
AI总结 提出CONFLUX潜在扩散模型用于胸部CT合成，由3D变分自编码器和整流流变压器构成，基于放射学元数据生成，通过强化学习后训练增强对临床属性控制，在三平面弗雷歇距离上领先并发布模型与数据集。
基于物理的多智能体动力学世界模型基准
机构 * Texas A&M University（德克萨斯大学） ； University of Minnesota（明尼苏达大学） ； Marquette University（马奎特大学） ； Yale University（耶鲁大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Massachusetts General Hospital（麻省总医院） ； Harvard Medical School（哈佛医学院） ； NVIDIA（英伟达） ； Stanford University（斯坦福大学）
AI总结 提出CrashTwin框架，通过多智能体碰撞场景数据集和校准无关重建流程，从时空一致性、动量与动能守恒、世界动力学完整性三个维度评估世界模型的物理可信度。
Comments 34 pages, 9 figures, 12 tables
通过专家乘积桥接的扩散语言模型并行解码
机构 * Stanford University（斯坦福大学）
AI总结 提出PoE-Bridge框架，通过专家乘积构建中间分布，结合扩散语言模型并行解码和自回归模型质量，实现5倍加速并恢复至少95%的AR性能。
Comments ICML 2026
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