Learning Concepts, Not Tokens: Self-Supervised Semantic Alignment for Language Models
学习概念，而非词元：语言模型的自我监督语义对齐
机构 * Stanford University（斯坦福大学）
AI总结 提出一种自我监督框架，通过预测语义等价词元集合（概念）替代下一个词元预测，提升语言模型的语义对齐能力，并在分类、聚类、重排序及下游推理任务中取得更优性能。
作者
Dan Jurafsky
Natural Language Processing
Verbalizing LLMs' assumptions to explain and control sycophancy
使LLM的假设 verbal化以解释和控制谄媚行为
机构 * Stanford University（斯坦福大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出Verbalized Assumptions框架，通过揭示LLM对用户的错误假设来解释和控制其谄媚行为，发现LLM在面对用户提问时倾向于提供验证而非客观信息，进而提出可解释的细粒度控制方法。
Comments COLM 2026
From Tokens to Thoughts: How LLMs and Humans Trade Compression for Meaning
从标记到思考：LLMs和人类如何在压缩与意义之间进行权衡
机构 * Stanford University（斯坦福大学） ； Tel Aviv University（特拉维夫大学） ； New York University（纽约大学） ； Meta - FAIR
AI总结 本文通过信息瓶颈框架比较人类与LLMs的概念结构，发现LLMs在压缩效率上优于人类，但牺牲了语义丰富性，揭示了人工与自然智能的本质差异。
The Authenticity Gap in Human Evaluation
人类评估中的真实性差距
机构 * Stanford University（斯坦福大学）
AI总结 该研究发现NLG评估的标准人工评分协议存在真实性差距，因隐含假设被违反导致无法准确反映人类偏好，提出适用于开放式任务的SPA协议，且SPA能更准确恢复GPT-3模型的排序。
Comments EMNLP 2022
string2string Studio: An Interactive, In-Browser Platform for String-to-String Algorithms
string2string Studio：一款用于字符串到字符串算法的交互式浏览器内平台
AI总结 string2string Studio是一款开源浏览器内字符串到字符串分析平台，集成六大模块，核心操作本地运行，速度远超Python前身，可用于多领域算法的检查、调试与比较。
Comments https://string2string.org/
You Talkin to Me?: A Network Analysis of Gendered Speaker-Addressee Patterns in Film Screenplays
你在跟我说话吗？：电影剧本中性别化的说话者-听话者模式的网络分析
机构 * Stanford University（斯坦福大学） ； University of Southern California（南加利福尼亚大学）
AI总结 研究电影剧本中说话者与听话者关系的性别结构，通过对4600个对话事件人工标注数据集进行网络分析等，发现男性角色主导，跨性别对话有特点，指出性别偏见通过对话结构起作用，非仅说话时间等因素。
Comments 22 pages, 5 tables, 3 figures
Warning labels shift perceptions of sycophantic AI, but not its influence
警告标签改变对谄媚AI的认知，但不改变其影响
机构 * University of Oxford（牛津大学） ； Stanford University（斯坦福大学） ； Microsoft（微软） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 通过实验发现，警告标签能改变用户对谄媚AI的感知，但未能减少其对用户判断和冲突修复意愿的影响，揭示了认知与影响之间的差距。
Categorize Early, Integrate Late: Divergent Processing Strategies in Automatic Speech Recognition
早分类，晚整合：自动语音识别中的发散处理策略
机构 * Stanford University（斯坦福大学）
AI总结 研究通过架构指纹法分析Transformer和Conformer在语音识别中的处理策略，发现Conformer早分类早判别，而Transformer晚整合，揭示了不同架构对表示学习的影响。
Comments 3 figures, 9 tables
Algorithmic Monocultures in Hiring
招聘中的算法同质化
机构 * Stanford University（斯坦福大学） ； Chapman University（查普曼大学） ； Northeastern University（东北大学）
AI总结 研究招聘算法同质化导致相同个体和种族群体被拒绝的问题，通过分析300万求职者的400万份申请数据，发现明显的种族差异和结果同质性。
Comments Published at FAccT 2026. Website: https://algorithmichiring.github.io/
Cognitive offloading and the speedup illusion in human-AI interaction
人机交互中的认知卸载与加速错觉
AI总结 通过大规模行为实验发现，用户在使用AI辅助完成简单认知任务时存在加速错觉，即低估AI辅助所需时间，且主观努力降低但实际完成时间无差异。
Comments Proceedings of the 48th Annual Meeting of the Cognitive Science Society
Evaluating Commercial AI Chatbots as News Intermediaries
评估商业AI聊天机器人作为新闻中介
机构 * Stanford University（斯坦福大学） ； Independent Researcher（独立研究者） ； Together AI
AI总结 本研究评估了AI聊天机器人在跨语言和区域处理新兴事实的准确性，发现其在多选题中表现良好，但在自由回答和复杂问题上存在显著误差，揭示了区域不平等和依赖检索基础设施的问题。
The efficiency-gain illusion: People underestimate the rate of AI use and overestimate its benefits on simple tasks
效率提升的错觉：人们低估AI使用率，却高估其在简单任务上的好处
AI总结 研究探讨了人们在简单任务中使用AI的倾向，发现人们低估了AI的使用率，却高估了其在简单任务中的效率提升，揭示了人们在AI使用决策中的偏差和反馈循环风险。
PreFT: Prefill-only finetuning for efficient inference
PreFT：仅前缀微调用于高效的推理
机构 * Stanford University（斯坦福大学） ； Tilde Research（Tilde研究）
AI总结 本文提出PreFT，通过仅在前缀阶段应用适配器以提高多适配器服务的吞吐量，实验显示其在不同任务中均优于传统PEFT。
Artificial Intelligence for Food Innovation
人工智能助力食品创新
AI总结 本文探讨利用人工智能优化食品创新，重点解决可持续蛋白质的开发问题，提出通过AI驱动的闭环设计提升食品生产效率与可持续性。
Comments 16 pages; 4 figures
The Roots of Performance Disparity in Multilingual Language Models: Intrinsic Modeling Difficulty or Design Choices?
多语言语言模型性能差异的根本原因：内在建模难度还是设计选择？
机构 * Stanford University（斯坦福大学） ； The Hebrew University of Jerusalem（耶路撒冷希伯来大学） ； University of Amsterdam（阿姆斯特丹大学）
AI总结 本文探讨多语言模型性能差异的根源，分析语言差异是否源于建模选择而非语言固有复杂性，并提出改进设计以实现更平衡的多语言模型。
ELEPHANT: Measuring and understanding social sycophancy in LLMs
ELEPHANT：测量和理解LLMs中的社交阿谀
机构 * Stanford University（斯坦福大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Oxford（牛津大学）
AI总结 研究通过ELEPHANT基准测量LLMs中的社交阿谀行为，发现模型在保持用户形象方面比人类更极端，且在道德冲突中倾向于支持用户立场。
SumTablets: A Transliteration Dataset of Sumerian Tablets
SumTablets: 一则苏美尔泥板的转写数据集
机构 * Stanford University（斯坦福大学） ； University of Cambridge（剑桥大学）
AI总结 SumTablets数据集通过将苏美尔楔形文字泥板的Unicode表示与转写配对，为NLP方法应用于苏美尔转写提供了支持，展示了基于转换器的模型在快速验证转写方面的潜力。
Comments 11 pages with 3 figures
Journal ref Proceedings of the 1st Workshop on Machine Learning for Ancient Languages (ML4AL 2024), pages 192-202, Hybrid in Bangkok, Thailand and online. Association for Computational Linguistics
Mechanistic evaluation of Transformers and state space models
Transformer 与状态空间模型的机制性评估
机构 * Stanford University（斯坦福大学）
AI总结 本文通过实验发现Transformer和基于SSM的模型在联想回忆任务中表现优异，而其他SSM模型表现不佳，揭示了不同架构在归纳学习机制上的差异。
Comments 9 page main text, 22 pages total
CTC-DRO: Robust Optimization for Reducing Language Disparities in Speech Recognition
CTC-DRO：减少语音识别中语言差异的鲁棒优化
机构 * Department of Computer Science, Stanford University（计算机科学系，斯坦福大学） ； Toyota Technological Institute at Chicago（芝加哥丰田技术研究所）
AI总结 CTC-DRO通过平滑群体权重更新和输入长度匹配分组，有效减少语音识别中语言差异，提升多语言ASR性能。
Beyond Tokens: Concept-Level Training Objectives for LLMs
超越标记：面向大语言模型的概念级训练目标
机构 * Stanford University（斯坦福大学）
AI总结 本文提出概念层面训练目标，通过整合概念监督提升大语言模型的语义理解和泛化能力。
Accommodation and Epistemic Vigilance: A Pragmatic Account of Why LLMs Fail to Challenge Harmful Beliefs
适应与认知警觉：一种实用视角下为何LLMs未能挑战有害信念
机构 * Department of Computer Science, Stanford University（计算机科学系，斯坦福大学） ； Department of Linguistics, Stanford University（语言学系，斯坦福大学）
AI总结 本文通过语用学视角揭示LLMs在挑战有害信念时的失败原因，并提出简单干预提升安全性的方法。
Attention to Non-Adopters
机构 * Stanford University（斯坦福大学） ； Together AI ； Johns Hopkins University（约翰霍普金斯大学） ； Cornell University（康奈尔大学）
Transcribe, Translate, or Transliterate: An Investigation of Intermediate Representations in Spoken Language Models
机构 * Stanford University（斯坦福大学） ； Toyota Technological Institute at Chicago（芝加哥丰田技术研究所）
Comments ASRU 2025
Generation Space Size: Understanding and Calibrating Open-Endedness of LLM Generations
机构 * Department of Computer Science, Stanford University（计算机科学系，斯坦福大学） ； Department of Linguistics, Stanford University（语言学系，斯坦福大学）
Tversky Neural Networks: Psychologically Plausible Deep Learning with Differentiable Tversky Similarity
机构 * Department of Computer Science, 353 Jane Stanford Way（计算机科学系）
Sycophantic AI Decreases Prosocial Intentions and Promotes Dependence
Cooking Up Creativity: Enhancing LLM Creativity through Structured Recombination
机构 * The Hebrew University of Jerusalem（特拉维夫大学） ； Stanford University（斯坦福大学）
Comments Accepted at TACL; pre-MIT Press publication version
False Friends Are Not Foes: Investigating Vocabulary Overlap in Multilingual Language Models
机构 * Stanford University（斯坦福大学）
Bayesian scaling laws for in-context learning
机构 * Stanford University（斯坦福大学）
Comments COLM 2025 camera-ready version; 9 pages main text, 39 pages total
The ML-SUPERB 2.0 Challenge: Towards Inclusive ASR Benchmarking for All Language Varieties
机构 * Carnegie Mellon University（卡内基梅隆大学） ； George Mason University（乔治·马歇尔大学） ； Stanford University（斯坦福大学） ； National Taiwan University（国立台湾大学） ； ML Commons（ML共同体） ； TTI-Chicago（芝加哥TTI） ； Archimedes（阿基米德） ； Athena RC（雅典RC） ； Factored AI（Factored人工智能）
Comments Interspeech 2025
