Harvard University（哈佛大学）

VIPER: An Expert-Curated Benchmark for Vision-Language Models in Veterinary Pathology

VIPER：用于兽医病理学视觉语言模型的专家策划基准

Luca L. Weishaupt, Simone de Brot, Javier Asin, Llorenç Grau-Roma, Nic G. Reitsam, Andrew H. Song, Dongmin Bang, Stefan T. Kaluziak, Long Phi Le, Jakob Nikolas Kather, Faisal Mahmood, Guillaume Jaume

机构 * Harvard-MIT HST（哈佛-麻省理工卫生科学与技术部） ； Mass General Brigham（麻省总医院布里格姆医疗系统） ； Harvard Medical School（哈佛医学院） ； COMPATH, University of Bern（伯尔尼大学COMPATH） ； UC Davis（加州大学戴维斯分校） ； University of Augsburg（奥格斯堡大学） ； UT MD Anderson Cancer Center（德克萨斯大学MD安德森癌症中心） ； TU Dresden（德累斯顿工业大学） ； University of Lausanne（洛桑大学） 纠错

AI总结 研究针对现有病理视觉语言模型基准聚焦人体组织的问题，推出首个兽医病理学视觉语言模型评估基准VIPER，测试16类模型发现领域差距，验证领域特定训练的重要性。

The Artificial Experimentalist: Discovery and Control of Self-Organizing Phenomena with Autotelic Reinforcement Learning

人工实验者：利用自目的强化学习发现与控制自组织现象

Marko Cvjetko, Benedikt Hartl, Michael Levin, Clément Moulin-Frier, Pierre-Yves Oudeyer

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） 纠错

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, 8 figures. Accepted at ALIFE 2026. Companion website: this https URL (https://developmentalsystems.org/carl/)

$p1$: Better Prompt Optimization with Fewer Prompts

用更少提示实现更好的提示优化

Zhaolin Gao, Yu (Sid) Wang, Bo Liu, Thorsten Joachims, Kianté Brantley, Wen Sun

机构 * Cornell University（康奈尔大学） ； Microsoft（微软） ； Harvard University（哈佛大学） ； Databricks AI Research（Databricks AI研究） 纠错

AI总结 研究揭示提示优化有效性取决于系统提示与响应方差，提出$p1$过滤方法提升优化效果，实验显示其在推理基准上优于基线方法。

FLAT: FLow-Aligned Training of Unrolled Networks for MRI Reconstruction

展开网络是MRI重建中的条件概率流

Kehan Qi, Saumya Gupta, Xiaoling Hu, Qingqiao Hu, Weimin Lyu, Yicun Wang, Chao Chen

机构 * Stony Brook University（石溪大学） ； Harvard Medical School（哈佛医学院） 纠错

AI总结 本文提出FLAT方法，通过流匹配离散化和轨迹对齐提升MRI重建的稳定性与质量。

Beyond the Rosetta Stone: Unification Forces in Generalization Dynamics

超越罗塞塔石碑：泛化动态中的统一力量

Carter Blum, Katja Filippova, Ann Yuan, Asma Ghandeharioun, Julian Zimmert, Fred Zhang, Jessica Hoffmann, Tal Linzen, Martin Wattenberg, Lucas Dixon, Mor Geva

机构 * Google DeepMind（谷歌DeepMind） ； Tel Aviv University（特拉维夫大学） ； Harvard University（哈佛大学） ； New York University（纽约大学） 纠错

AI总结 本研究通过在合成多语言数据集上训练小型Transformer模型，揭示了LLMs跨语言知识迁移困难的原因，提出了统一表征视角，为改善LLMs跨语言迁移提供了方法。