Harvard University（哈佛大学）

Can LLMs Reason Over Non-Text Modalities in a Training-Free Manner? A Case Study with In-Context Representation Learning

LLMs能否在无训练模式下推理非文本模态？一种基于上下文表示学习的案例研究

Tianle Zhang, Wanlong Fang, Jonathan Woo, Paridhi Latawa, Deepak A. Subramanian, Alvin Chan

机构 * College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算机与数据科学学院） ； AI-X, Interdisciplinary Graduate Programme, Nanyang Technological University（南洋理工大学人工智能交叉研究生项目） ； Lee Kong Chian School of Medicine, Nanyang Technological University（南洋理工大学李科钦医学院） ； Centre of AI in Medicine (C-AIM), Nanyang Technological University（南洋理工大学医学人工智能中心） ； University of Toronto（多伦多大学） ； Brigham and Women’s Hospital, Harvard Medical School（哈佛医学院布里洛妇女医院） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本文提出ICRL框架，使LLMs在无训练情况下利用非文本模态表示，通过少量学习实现多模态推理，为适应性泛化提供新方向。

Comments NeurIPS 2025

When Models Reason in Your Language: Controlling Thinking Language Comes at the Cost of Accuracy

当模型用你的语言思考：控制思考语言会以准确性为代价

Jirui Qi, Shan Chen, Zidi Xiong, Raquel Fernández, Danielle S. Bitterman, Arianna Bisazza

机构 * University of Groningen（格罗宁根大学） ； Harvard University（哈佛大学） ； Mass General Brigham（麻省总医院） ； Boston Children’s Hospital（波士顿儿童医院） ； University of Amsterdam（阿姆斯特丹大学） 纠错

AI总结 研究发现，强制模型用用户语言推理虽提高可读性但降低准确性，通过微调可缓解此矛盾，揭示当前大型推理模型在多语言推理上的局限性。

Comments Accepted at EMNLP 2025 Findings

Classifying Metamorphic versus Single-Fold Proteins with Statistical Learning and AlphaFold2

利用统计学习和AlphaFold2对变构蛋白与单构蛋白进行分类

Yongkai Chen, Samuel WK Wong, SC Kou

机构 * Harvard University（哈佛大学） ； University of Waterloo（滑铁卢大学） 纠错

AI总结 本文提出利用AlphaFold2生成构象集合并结合统计学习，对变构与单构蛋白进行分类，提高了对变构蛋白识别的准确性。

Dark Speculation: Combining Qualitative and Quantitative Understanding in Frontier AI Risk Analysis

暗推测：在前沿人工智能风险分析中结合定性和定量理解

Daniel Carpenter, Carson Ezell, Pratyush Mallick, Alexandria Westray

机构 * Harvard University（哈佛大学） ； Harvard College（哈佛学院） 纠错

AI总结 本文提出'暗推测'方法，结合定性和定量分析，系统性地处理前沿人工智能的灾难性风险，以生成概率分布并指导决策。

Comments 43 pages, 2 figures