高校专区
通过训练进行编译：将自然语言规范转换为局部神经函数
机构 * University of Waterloo（滑铁卢大学） ； Harvard University（哈佛大学）
AI总结 该研究提出“通过训练进行编译”方法，将自然语言规范转为可复用神经函数，在FuzzyBench-Hard上达83.6%语义准确率，可部署于多场景。
Comments EMNLP 2026 System Demonstrations. Demo: https://programasweights.com
WireSeg-32K：用于导线实例分割的基于物理的合成数据集
机构 * Harvard University（哈佛大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 针对导线等可变形线性物体分割难、真实场景标注成本高的问题，提出含32000张图像的WireSeg-32K合成数据集，开发DeformX协同仿真流水线生成数据，经LoRA微调SAM3后真实场景mAP@75提升10.2%，验证了该合成数据的迁移价值。
Comments Synthetic Data for Computer Vision @ CVPR 2026 Workshop
GeoNatureAgent Benchmark：面向前沿与开源基础模型的环境地理空间分析LLM智能体基准测试
机构 * Universidad Católica de Ávila (UCAV)（阿维拉天主教大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Independent Researcher（独立研究者） ； Center for Geographic Analysis, Harvard University（哈佛大学地理分析中心）
AI总结 提出首个通过结构化工具调用真实API评估环境分析智能体的基准，包含93个任务，发现Claude Sonnet 4领先，但开源模型在成本效益上占优，且比较任务普遍未解决。
Comments 4 pages, 4 figures. Short paper, ACM SIGSPATIAL 2026. v1 is an extended 10-page preprint
Journal ref The 34th ACM International Conference on Advances in Geographic Information Systems (SIGSPATIAL '26), November 03-06, 2026, Riverside, CA, USA
基于意图感知提示的对话式心理操纵检测
机构 * The University of Sydney（悉尼大学） ； University of Technology Sydney（悉尼科技大学） ； Xi’an Jiaotong-Liverpool University（西交利物浦大学） ； Harvard University（哈佛大学） ； University of New South Wales（新南威尔士大学）
AI总结 该研究针对对话中心理操纵检测的复杂性，提出意图感知提示（IAP）方法，在MentalManip数据集上验证其可减少假阴性、提升检测效果，相关代码已公开。
Comments Accepted at COLING2025. Oral Presentation. Best Short Paper Award. For code and data, see https://github.com/Anton-Jiayuan-MA/Manip-IAP
Journal ref Proceedings of the 31st International Conference on Computational Linguistics, pp. 9176-9183, 2025
语言不可读性对大语言模型（LLM）安全性的影响
机构 * Harvard University（哈佛大学）
AI总结 该研究指出LLM存在语言不可读性问题，提出其会导致依赖语言自我报告的安全机制不可靠，建议采用污点跟踪等沙箱机制提升LLM安全性。
AVERT：面向口语对话状态跟踪的音频验证裁决机制
机构 * Harvard University（哈佛大学）
AI总结 AVERT结合跨轮次一致性与音频条件验证器，通过三类操作解决口语对话状态跟踪的三类错误，在SpokenWOZ上JGA达40.13，性能接近10亿参数端到端系统。
OptimusKG：统一生物医学知识的现代多模态图
机构 * Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Edison Scientific Inc.（Edison科学公司） ； Oxford Suzhou Centre for Advanced Research, University of Oxford（牛津大学苏格兰研究中心） ； Broad Institute of MIT and Harvard（MIT与哈佛大学Broad研究所） ； Kempner Institute for the Study of Natural and Artificial Intelligence, Harvard University（哈佛大学自然与人工智能研究所） ； Harvard Data Science Initiative（哈佛大学数据科学计划）
AI总结 OptimusKG通过整合结构化和半结构化资源，构建了多模态生物医学标记属性图，统一了分子、解剖、临床和环境领域的知识，验证了其在生物医学领域的有效性。
SlowFast-SCI: 慢-快深度展开学习用于光谱压缩成像
机构 * Harvard University（哈佛大学） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Shanghai Jiaotong University（上海交通大学） ； City University of Hong Kong（香港城市大学） ； Harbin Institute of Technology, Weihai（哈尔滨工业大学（威海）） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
AI总结 SlowFast-SCI是一种双速深度展开框架，通过预训练和自适应模块实现高效自适应的光谱重建，显著提升参数效率和适应速度。
Comments 17 pages
提示未知：理解大语言模型中的响应不确定性
机构 * Alibaba Group（阿里巴巴集团） ； Harvard University（哈佛大学） ； National University of Singapore（新加坡国立大学）
AI总结 该研究针对大语言模型响应不确定性与提示的关系问题，提出含四类不确定性来源的提示-响应概念模型，经实验验证模型及相关理论结果。
Comments Accepted at ACL Findings 2026
用于认知诊断中Q矩阵估计的量子稀疏自编码器
机构 * School of Computer and Cyber Sciences, Augusta University（奥古斯塔大学计算机与网络科学学院） ； School of Computing, University of Georgia（佐治亚大学计算学院） ； Department of Graduate Psychology, James Madison University（詹姆斯麦迪逊大学研究生心理学系） ； Department of Computer Science and Engineering, University of Tennessee at Chattanooga（田纳西大学查塔努加分校计算机科学与工程系） ； Department of Radiology, Massachusetts General Hospital, Harvard Medical School（哈佛医学院麻省总医院放射科）
AI总结 本研究首次将量子机器学习应用于认知诊断的Q矩阵估计，提出量子稀疏自编码器，经60个模拟及9个真实测评数据集测试，其相比经典自编码器更稳定、在多数真实数据集上表现更优。
正确框架，错误规则：文化线索暴露了它们本应缩小的金融知识差距
机构 * MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； The University of Tokyo（东京大学） ； The University of Manchester（曼彻斯特大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Harvard University（哈佛大学） ； INSAIT, Sofia University “St. Kliment Ohridski”（INSAIT，索菲亚大学“圣克莱门特·奥赫里德斯基”）
AI总结 该研究针对规范多元主义场景，以伊斯兰金融为案例，发现文化线索会引导模型选择特定框架但导致错误答案，揭示了不同模型在框架选择与准确率上的差异，凸显了模型的框架特定能力差距。
Comments Accepted into EMNLP 2026 Findings
RestoreBench：AI智能体能恢复潮流收敛吗？
机构 * ETH Zürich（苏黎世联邦理工学院） ； Politecnico di Milano（米兰理工大学） ； Harvard University（哈佛大学）
AI总结 该研究提出RestoreBench基准，在两种电网的92个潮流案例上评估多类LLM及三种架构的智能体恢复潮流收敛的能力，为电力系统智能体AI开发提供可复现基础。
SlideBank：用于一致全切片推理的持久分层证据库
机构 * University of British Columbia（不列颠哥伦比亚大学） ； Vector Institute（矢量研究院） ； Harvard University（哈佛大学） ； Rice University（莱斯大学） ； University of Chicago（芝加哥大学） ； BC Cancer Agency（不列颠哥伦比亚癌症机构）
AI总结 针对全切片图像推理的挑战，提出无需训练的SlideBank框架，通过分层证据库整合多尺度信息，在两个病理数据集上取得优异性能，提升了推理一致性并降低了成本。
Comments 23 pages, 5 figures
面向负责任AI的人机协同解释：一种解释学视角
机构 * School of Engineering and Applied Sciences, Harvard University（哈佛大学工程与应用科学学院）
AI总结 本文从解释学视角指出AI解释错位的风险，提出人机协同解释的设计原则，将LLM输出视为候选解读，为法律、教育等领域提供负责任AI的应用方案。
CrossFeat：在特征描述符空间中桥接成像模态
机构 * Harvard Medical School（哈佛医学院） ； Brigham and Women’s Hospital（布莱根妇女医院） ； Technical University of Munich（慕尼黑工业大学）
AI总结 针对现有跨模态描述方法需重新训练或模型运行时间长的问题，提出CrossFeat框架，通过特征描述符空间的跨模态函数实现单模态描述符跨模态运行，在多模态匹配中性能提升。
Comments ECCV 2026
人工实验者：利用自目的强化学习发现与控制自组织现象
机构 * Inria Centre at the University of Bordeaux（波尔多大学Inria中心） ； Allen Discovery Center at Tufts University（塔夫茨大学艾伦发现中心） ； Wyss Institute for Biologically Inspired Engineering at Harvard University（哈佛大学Wyss生物启发工程研究所） ； Inria（法国国家信息与自动化研究所） ； INSA Lyon（里昂国立应用科学学院） ； CITI（CITI研究所） ； UR3720（UR3720实验室）
AI总结 该研究提出基于自目的强化学习的闭环框架CARL，以Lenia为对象，实现了高效发现、控制自组织孤子及实时引导其穿越迷宫的能力，策略可零样本泛化至分布外条件。
Comments 8 pages, 7 figures. Accepted at ALIFE 2026. Companion website: https://developmentalsystems.org/carl/
SurgiATM：一种基于物理的插件式模型，用于基于深度学习的腹腔镜手术烟雾去除
机构 * School of Computer Science, The University of Sydney（悉尼大学计算机科学学院） ； Institute of Medical Robotics, School of Biomedical Engineering, Shanghai Jiao Tong University（上海交通大学生物医学工程学院医学机器人研究所） ； Department of Radiology, Brigham and Women's Hospital, and Harvard Medical School（哈佛医学院放射科、布里洛女性医院）
AI总结 SurgiATM通过结合物理模型和深度学习，提出了一种轻量级插件式模型，用于有效去除腹腔镜手术中的烟雾，提升手术精度和效率。
Comments 28 pages, 12 figures, 17 tables. Code available at https://github.com/MingyuShengSMY/SurgiATM
科学沙箱可衡量AI智能体的科学能力
机构 * The Broad Institute of MIT and Harvard（麻省理工学院与哈佛大学博德研究所） ； Harvard Medical School（哈佛医学院） ； The Jackson Laboratory（杰克逊实验室） ； Sutter Hill Ventures（萨特山风投） ； Massachusetts Institute of Technology（麻省理工学院） ； Howard Hughes Medical Institute（霍华德·休斯医学研究所） ； The Wyss Institute for Biologically Inspired Engineering at Harvard University（哈佛大学维斯生物启发工程研究所） ； Yale School of Medicine（耶鲁医学院） ； Harvard T.H. Chan School of Public Health（哈佛陈曾熙公共卫生学院） ； Harvard University（哈佛大学）
AI总结 研究人员提出科学沙箱框架，在调控基因组学和蛋白质适应性预测场景中评估前沿AI智能体的科学能力，发现其常不理解系统规则却能优化指标，该框架可衡量科学能力前沿并提供研究环境。
Comments 72 pages, 5 main figures, 3 tables, and 5 supplementary figures; includes supplementary agent instructions and harness
冠脉掩码引导配准用于连续时间四维心脏CT数据集构建
机构 * Tsinghua University（清华大学） ； The Ohio State University（俄亥俄州立大学） ； Massachusetts General Hospital（麻省总医院） ； Harvard Medical School（哈佛医学院） ； Fuwai Hospital, Chinese Academy of Medical Sciences & Peking Union Medical College（中国医学科学院阜外医院 北京协和医学院） ； Tianjin Medical University General Hospital（天津医科大学总医院）
AI总结 该研究提出冠脉掩码引导配准（CMGR）方法，用于构建无伪影、运动保留的连续时间四维心脏CT数据集，其在RCA运动捕获等方面优于现有方法，可支撑心脏CT成像相关研究。
Comments 12 pages, 7 figures. This work has been submitted to the IEEE for possible publication. Copyright may be transferred without notice, after which this version may no longer be accessible
通过非结构化数据的自适应结构化实现 token 高效的数据推理智能体
机构 * Harvard University（哈佛大学）
AI总结 该研究提出智能体数据拆解方法，通过自适应推测性结构化非结构化数据，降低 LLM 智能体推理成本，在 FanOutQA 基准上实现 53% 的成本削减且保持准确率，为智能体推理数据基础设施提供了初步方案。
Comments 7 Pages, 3 Figures
面向神经形态硬件的、具有稀疏神经活动的事件驱动语言模型
机构 * Aarhus University（奥胡斯大学） ； University of California, Santa Cruz（加利福尼亚大学圣克鲁兹分校） ； Harvard University（哈佛大学） ； University of Southern Denmark（南丹麦大学）
AI总结 该研究针对Transformer大语言模型推理的内存与计算瓶颈，提出在重度量化线性注意力模型中引入稀疏神经活动的方法，可提升神经形态平台的LLM部署性能，实现吞吐量与功耗的显著优化。
Comments 8 pages, 4 figures, Accepted at IEEE MCSOC2026
AutoCRAT：针对大语言模型推理的轨迹内随机性与计算量联合控制
机构 * New York University（纽约大学） ； New York University Abu Dhabi（纽约大学阿布扎比分校） ； University of Washington Seattle（华盛顿大学西雅图分校） ； Harvard University（哈佛大学） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
AI总结 AutoCRAT是针对大语言模型推理的轨迹内随机性与计算量联合控制方法，仅在语义边界更新决策，在6个基准上减少推理令牌并提升准确率，且跨主干迁移性强。
Comments EMNLP 2026 Findings
通用编码计算的学习理论基础：掉队者设置
机构 * University of Minnesota, Twin Cities（明尼苏达大学双城分校） ； Harvard University（哈佛大学）
AI总结 本文从学习理论视角提出通用编码计算（GCC），通过端到端均方误差损失建立其理论基础，在最坏情况和概率两种掉队者机制下证明了GCC的损失收敛速率，拓展了编码计算在机器学习工作负载中的适用性。
CARE：通过科学实验中的可审计证据审查控制LLM生成的策略
机构 * University of Macau（澳门大学） ； University of Toronto（多伦多大学） ； UCLA（加州大学洛杉矶分校） ； Harvard University（哈佛大学） ； XtalPi（晶泰科技） ； McGill University（麦吉尔大学）
AI总结 提出CARE框架，通过可审计的干预门控机制，在保留非LLM优化器作为默认路径的同时，利用LLM修正挑战者排序策略，显著提升高通量实验优化性能。
Comments 27 pages, 5 figures. Code: https://github.com/SHITIANYU-hue/care
鲁棒性中的隐藏故障：为什么监督不确定性量化需要更好的评估
机构 * University of Sheffield（谢菲尔德大学） ； Kempner Institute at Harvard University（哈佛大学肯普纳研究所） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； Tohoku University（东北大学） ； RIKEN（理化学研究所）
AI总结 本文研究了监督不确定性探针的鲁棒性，发现现有方法在长文本生成中表现不佳，探针输入比架构更影响鲁棒性，提出混合回退策略提升鲁棒性。
Comments Accepted at EMNLP 2026
更好的世界模型可以导致更好的训练后性能
机构 * University of Michigan（密歇根大学） ； Princeton University（普林斯顿大学） ； Harvard University（哈佛大学）
AI总结 本研究通过比较不同世界建模策略，发现显式建模能提升Transformer的状态表示质量，从而增强强化学习后训练的效果。
基于MRI的脑龄预测（BrainAGE）的联邦学习：一项针对卒中后功能结局预测的多中心研究
机构 * Univ. Lille, CNRS, Inserm, CHU Lille, Institut Pasteur de Lille, US 41 - UAR 2014 - PLBS, F-59000 Lille, France（里尔大学，法国国家科学研究中心，法国国家卫生研究院，里尔大学医院，里尔巴斯德研究所，法国） ； Univ. Lille, Inria, F-59000 Lille, France（里尔大学，法国国家科研机构） ； Univ. Montpellier, Inria, F-34090 Montpellier, France（蒙彼利埃大学，法国国家科研机构） ； Department of Neurology, Massachusetts General Hospital, Harvard Medical School, Boston, USA（神经内科，麻省总医院，哈佛医学院，美国）
AI总结 本研究针对卒中后功能结局预测，采用联邦学习（FL）对16家中心1674名卒中患者的FLAIR脑图像构建BrainAGE模型，发现FL性能优于单中心学习，且BrainAGE与卒中后恢复显著相关，可用于卒中预后建模。
Journal ref NeuroImage 339 (2026)
ARC-CT：用于3D胸部CT的解剖路由对比视觉-语言学习
机构 * Harvard Medical School（哈佛医学院） ； METU-DTX Digital Transformation and Innovation Center（METU-DTX数字转型与创新中心）
AI总结 ARC-CT是一种基于LLM提取的报告标签、无需人工标注的区域感知对比视觉-语言框架，通过三个组件解决胸部CT全局对比学习的局限，在18种异常上实现0.86无掩码宏观AUC，性能优于高效基线和大Transformer模型。
Comments Accepted to the Thoracic Image Analysis (TIA) Workshop at MICCAI 2026
聚焦关键之处：面向低视力辅助的显著性驱动视觉-语言模型
机构 * New York University Tandon School of Engineering（纽约大学坦登工程学院） ； New York University Abu Dhabi（纽约大学阿布扎比分校） ； NYU Grossman School of Medicine（纽约大学格罗斯曼医学院） ； NYU Langone Health（纽约大学兰贡医疗中心） ； Harvard University（哈佛大学）
AI总结 针对现有视觉-语言模型未建模人类感知优先级的问题，提出显著性驱动的Salience-LLaVA模型，构建三个显著性数据集并引入SCMI评估，部署于辅助眼镜实现低视力辅助。
用于去偏放疗靶区勾画的多模态AI中的多中心专家混合模型
机构 * Center for Advanced Medical Computing and Analysis (CAMCA), Department of Radiology, Massachusetts General Hospital (MGH) and Harvard Medical School（先进医学计算与分析中心（CAMCA）、放射科、麻省总医院（MGH）和哈佛医学院） ； Department of Radiation Oncology, Yonsei University College of Medicine（燕京大学医学院放射肿瘤科） ； Institute for Innovation in Digital Healthcare, Yonsei University（数字医疗创新研究所、燕京大学） ； Department of Radiation Oncology, Massachusetts General Hospital（麻省总医院放射肿瘤科） ； Department of Radiation Oncology, Gangnam Severance Hospital（江南松云医院放射肿瘤科） ； Department of Radiation Oncology, Yongin Severance Hospital（永兴松云医院放射肿瘤科） ； School of Computing, University of Georgia（佐治亚大学计算机学院） ； Department of Radiation Oncology, Mayo Clinic（梅奥诊所放射肿瘤科） ； Kim Jaechul Graduate School of AI, Korea Advanced Institute of Science and Technology（金 Jaechul人工智能研究生院、韩国科学技术院）
AI总结 针对医疗AI的偏差问题，提出无需跨机构数据共享的多中心专家混合（MoME）框架，结合各中心少样本数据训练的前列腺癌放疗靶区勾画模型，在中心差异大或数据有限场景下优于基线，可定制且适配资源受限环境。
Comments In Revission
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