高校专区
大型语言模型有情感吗？
机构 * Harvard Business School（哈佛商学院） ； Department of Psychology, Harvard University（哈佛大学心理学系） ； Harvard University, Digital, Data and Design Institute（哈佛大学数字、数据与设计研究所） ； Department of Psychology, Stanford University（斯坦福大学心理学系）
AI总结 本文评估Anthropic声称Claude Sonnet 4.5具有“功能性情感”的说法，从生物情感功能角度分析，指出其部分支持情境解释功能，但缺乏动态重组能力。
M*: 一个模块化、可扩展的多模态模型服务系统
机构 * Stanford University（斯坦福大学） ； University of Washington（华盛顿大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出M*系统，通过将模型表示为数据流图并引入Walk Graph抽象，支持多模态复合模型的高效服务，在多个任务上降低延迟并提升吞吐量。
Comments The codebase is available at https://github.com/mstar-project/mstar
Every Eval Ever：AI评估结果的统一模式与社区仓库
机构 * Technical University Munich（慕尼黑工业大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； Weizenbaum Institute（魏岑鲍姆研究所） ； Zuse Institute Berlin（柏林祖泽研究所） ； Evidence Prime ； Trustible ； Kitware ； ETH Zurich（苏黎世联邦理工学院） ； StickFlux Labs ； Stanford University（斯坦福大学） ； Northeastern University（东北大学） ； IBM Research（IBM研究院） ； Comenius University Bratislava（布拉迪斯拉发夸美纽斯大学） ； Cisco（思科） ； University of Notre Dame（圣母大学） ； Hebrew University of Jerusalem（耶路撒冷希伯来大学） ； University of Oxford（牛津大学） ； Ohio University（俄亥俄大学） ； Writer ； TCS Research（塔塔咨询服务研究院） ； Oxford University Press（牛津大学出版社） ； Queen Mary University of London（伦敦玛丽女王大学） ； Technical University Berlin（柏林工业大学） ； University of Delaware（特拉华大学） ； Cinemo ； Johns Hopkins University（约翰霍普金斯大学） ； University of Copenhagen（哥本哈根大学） ； ELLIS（欧洲学习与智能系统实验室） ； Iowa State University（爱荷华州立大学） ； Meta FAIR ； University of Montreal（蒙特利尔大学） ； Mila Quebec AI Institute（Mila魁北克人工智能研究所） ； EleutherAI ； Yale University（耶鲁大学） ； Hugging Face ； University of Edinburgh（爱丁堡大学） ； Harvard University（哈佛大学） ； ETH AI Center（ETH人工智能中心） ； MIT（麻省理工学院） ； MIT-IBM Watson Lab（MIT-IBM沃森实验室）
AI总结 针对AI评估结果格式不统一、难以比较的问题，提出首个共享模式与社区众包仓库，通过标准化表示、自动转换器和社区数据库实现跨评估框架的统一。
通用操控外骨骼：利用实时扭矩反馈学习全身柔顺策略
机构 * Ant Group（蚂蚁集团） ； Stanford University（斯坦福大学）
AI总结 提出通用操控外骨骼（UME），通过实时触觉扭矩反馈和全身数据采集，使机器人学习主动柔顺策略，在受限空间中完成移动操作、力控翻转等任务。
扩散细化分割与视觉-语言解释用于儿童脑肿瘤MRI
机构 * Department of Mechanical Engineering, Stanford University（斯坦福大学机械工程系） ； School of Medicine, Stanford University（斯坦福大学医学院）
AI总结 提出两阶段框架，先用Swin-UNETR粗分割，再用条件扩散模型细化边界，最后结合多模态语言模型生成结构化报告，提升儿童脑肿瘤分割精度和可解释性。
分子潜在扩散中的暗区平滑
机构 * New York University（纽约大学） ； Stanford University（斯坦福大学）
AI总结 针对分子潜在扩散中存在的暗区问题，提出拓扑优化VAE（TopVAE），通过训练时内化结构和化学约束，减少暗区，提升离后验鲁棒性，在QM9和GEOM-Drugs上取得显著改进。
基于蒸馏视觉语言可靠性的引导扩散用于空中导航
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 提出一种可靠性感知的扩散规划器，通过蒸馏视觉语言模型生成场景级可靠性热图，引导去噪过程处理不可靠区域，显著降低无人机导航中的障碍物违反率并提高区域可靠性。
通过流反转引导改进机器人通用策略
机构 * Stanford University（斯坦福大学） ； UC Berkeley（加州大学伯克利分校）
AI总结 提出流反转引导（FRS）方法，通过逆向流策略找到次优动作的潜在噪声并映射到通用策略的动作模式，提升零样本控制、行为克隆和强化学习效果。
巴赫风格符号音乐的生成建模：自回归、潜变量和对抗方法的比较研究
机构 * Stanford University（斯坦福大学）
AI总结 比较自回归LSTM、潜变量模型和生成对抗网络在巴赫风格钢琴音乐生成中的表现，发现带注意力的自回归LSTM生成音乐最连贯，向量量化缓解后验塌陷，对抗方法捕捉局部音高但训练困难。
Comments 11 pages, 13 figures. All authors contributed equally
后训练的解剖：利用可解释性表征数据并塑造学习信号
机构 * Stanford University（斯坦福大学） ； Google Research（谷歌研究院）
AI总结 提出基于可解释性的数据后训练流程，通过统计假设识别偏好数据中的潜在概念，实现细粒度反馈，减少虚假关联和不良行为。
Mana: 铰接工具的灵巧操作
机构 * UC Berkeley（加州大学伯克利分校） ； CMU（卡内基梅隆大学） ； Stanford University（斯坦福大学） ； Amazon FAR（亚马逊FAR）
AI总结 提出Mana框架，将灵巧操作重解释为动画问题，通过粗到细的流水线自动生成操作轨迹，实现铰接工具的零样本仿真到现实迁移。
Comments Project Page: https://zhaohengyin.github.io/mana
扩散Transformer世界-动作模型用于自动驾驶场景预测
机构 * Stanford University（斯坦福大学）
AI总结 提出紧凑潜世界模型，结合扩散Transformer（DiT）预测未来场景，在nuScenes上实现4.8倍更好的KID，并实现动作可控性（转向ρ=0.81）。
Comments 10 pages, 9 figures, 2 tables
OpenMedQ：面向医学视觉语言模型的广泛开放预训练
机构 * Stanford University（斯坦福大学） ； Stanford University School of Medicine（斯坦福大学医学院） ； Ghent University（根特大学）
AI总结 提出OpenMedQ，在14个数据集（约335万样本）上预训练医学视觉语言模型，在PathVQA上BLEU-1达75.9，超越562B参数的Med-PaLM M，并在8个未见医学分类任务上取得最高平均macro-F1（0.757）。
Comments Medical Imaging with Deep Learning (MIDL) 2026, Short Paper Track
MARS: 用于并行LLM测试时扩展的边际对抗风险控制停止策略
机构 * Amazon（亚马逊） ； Stanford University（斯坦福大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 提出MARS停止规则，通过监测中间检查点的聚合投票并利用对抗性边界估计未来投票变化，在保证准确率的同时节省25-47%的自一致性token。
更聪明的破坏者，更好的修复者：线性多智能体工作流中的规模与安全性
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 研究模型规模对线性多智能体工作流安全性的影响，发现大模型更易执行恶意指令，但轻量级修复阶段可恢复性能，表明线性结构在适当校正下具有鲁棒性。
Comments 16 pages (4 are main text), 2 figures, 6 tables. Accepted to the AIWILD Workshop at ICML 2026
SalArt-VQA: 诊断VLM是否理解生成图像中的显著伪影
机构 * Stanford University（斯坦福大学） ； Zhejiang University（浙江大学） ； The University of Queensland（昆士兰大学）
AI总结 提出SalArt-VQA基准，通过950张图像和3681道多选题，从检测、定位、空间基础、缺陷识别四方面评估VLM对生成图像伪影的理解，揭示高检测准确率下隐藏的失败模式。
Comments 23 pages, 7 figures, 7 tables. Dataset: https://huggingface.co/datasets/salartvqa/SalArt-VQA
低地球轨道卫星地面站位置的自由布局优化
机构 * Department of Aeronautics and Astronautics, Stanford, CA（航空航天系，斯坦福大学，加州斯坦福） ； Department of Computer Science, Stanford University, Stanford, CA（计算机科学系，斯坦福大学，加州斯坦福）
AI总结 提出SCORE方法，通过两阶段自由布局优化地面站位置，相比差分进化算法减少5倍函数评估次数并提升13%下行吞吐量，相比固定站点方法提升15%总下行量。
Comments 34 pages, 13 figures, 11 tables, Journal of Aerospace Information Systems (JAIS)
DIRECT: 在具身规划器中何时何地分配测试时计算？
机构 * Stanford University（斯坦福大学） ； University of Waterloo（滑铁卢大学） ； NVIDIA（英伟达）
AI总结 提出DIRECT路由框架，根据多模态场景上下文按提示分配计算资源，优化成功-成本帕累托前沿，实验表明不同缩放轴带来不同能力增益，在物理机器人上以更低延迟匹配或超越更强模型。
CHORUS: 基于单一VLA策略的去中心化多体协作
机构 * Stanford University（斯坦福大学）
AI总结 提出CHORUS框架，利用预训练视觉-语言-动作模型的视觉运动先验，实现无需推理时通信的去中心化多机器人协作，在真实实验中显著优于基线。
Comments Project Website: https://chorus-model.github.io
LifeSentence: 语言模型可以从纵向面板数据编码人类生命历程轨迹
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LifeSentence模型，将大型语言模型与纵向面板数据结合，通过结构化自然语言记录生命事件并微调预训练模型，在少样本条件下超越传统方法，实现生命事件预测与时间顺序重建。
基于最小距离估计量的Hellinger密度估计：高斯混合、对数凹等
机构 * Stanford University（斯坦福大学） ； University of Washington（华盛顿大学）
AI总结 将最小距离估计方法从总变差距离扩展到Hellinger距离，通过反向数据处理不等式，实现了对对数凹混合和高斯混合（任意方差）的近线性时间学习，样本复杂度接近最优。
具有可处理不确定性量化的保结构神经代理模型
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Stanford University（斯坦福大学） ； California Institute of Technology（加州理工学院）
AI总结 提出一种结合混合有限元空间与高斯过程回归的保结构降阶模型，通过拓扑结构实现状态-通量关系的不确定性量化，并导出狄利克雷-诺伊曼映射的闭式后验不确定性。
数据记者智能体：将数据转化为可验证的多模态故事
机构 * University of Oxford（牛津大学） ； Stanford University（斯坦福大学）
AI总结 提出多智能体框架Data2Story，通过证据链验证声明并自动生成多模态文章，在18篇文章上评估，证明其在透明性和可审计性上接近人类记者。
Comments Project page: https://data2story.github.io Github: https://github.com/QinghongLin/data2story-skill
谁把复活节彩蛋带到了开斋节？跨语言和地区数学应用题的文化翻译审计
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 本研究审计了三个大型语言模型将60个英语数学应用题翻译为7种语言时的文化适应性，发现模型在62.5%的案例中一致，但仅33.5%有相同替换，且所有组合均出现熵塌缩，优先改变表面标记而保留深层结构，导致文化多样性压缩和区域误归因。
Comments 17 pages total with references and appendix, 9 figures, under review
IMPACT：面向强力机器人操控的内部模型预测控制学习
机构 * Harvard University（哈佛大学） ； Stanford University（斯坦福大学）
AI总结 提出IMPACT框架，将强力操控任务解耦为任务规划和基于内部模型的预测控制，通过仿真和实验证明其在成功率、泛化性、安全性和能效上的优势。
Comments Project website: https://gao-jiawei.com/IMPACT/
具有共享上下文的去中心化多智能体系统
机构 * Stanford University（斯坦福大学）
AI总结 提出DeLM框架，通过并行智能体、共享上下文和任务队列去中心化协调，解决集中式MAS的瓶颈，在软件工程和长上下文推理中提升性能并降低成本。
SSR-Merge: 面向扩散模型中免训练的LoRA合并的子空间信号路由
机构 * Stanford University（斯坦福大学）
AI总结 提出子空间信号路由（SSR）方法，通过沿秩维度拼接LoRA构建统一子空间，利用逆相关矩阵去相关和方向引导矩阵分离信号，解决参数合并中的干扰问题，理论证明其等价于OLS最优解，并设计流式算法降低开销。
Comments Accepted at ICML 2026
GaussTrace：基于证据的LLM推理的3D高斯泼溅模型溯源分析
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GaussTrace框架，通过属性统计分析和假设驱动的编辑模拟，结合大语言模型链式推理，构建3D高斯泼溅模型的有向溯源图，无需训练或编辑历史。
Comments Accepted by ICML2026
利用野外AI代理的集体智慧实现新发现
机构 * Together AI ； Stanford University（斯坦福大学）
AI总结 提出EinsteinArena平台，通过开放分布式环境中的自主代理交互，在数学问题中实现12项新最优结果，展示了集体AI驱动研究的范式。
SARM2: 多任务阶段感知奖励建模用于自我改进的机器人操作
机构 * Stanford University（斯坦福大学） ； UC Berkeley（加州大学伯克利分校） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 提出多任务阶段感知奖励模型RM，结合动作基元阶段估计器和多门控专家混合值头，为机器人操作任务提供密集逐步奖励，并基于RM构建SPIRAL框架，通过廉价自主轨迹改进VLA策略，在10任务基准上显著提升成功率。
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