Harvard University（哈佛大学）

Token-Efficient Data Reasoning Agents via Adaptive Structuring of Unstructured Data

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

Milad Rezaei Hajidehi, Qitong Wang, Stratos Idreos

机构 * Harvard University（哈佛大学） 纠错

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

AutoCRAT: Within-trajectory Joint Control of Stochasticity and Compute for LLM Reasoning

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

Hanjun Luo, Qiushi Liu, Jingya Zhang, Haihong Pang, Jiaheng Wen, Yifei Ma, Yu Yao, Chengxi Zhang, Hanrong Zhang, Yankai Chen, Hanan Salam

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） 纠错

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

Learning-Theoretic Foundation for General Coded Computing: The Straggler Setting

通用编码计算的学习理论基础：掉队者设置

Parsa Moradi, Behrooz Tahmasebi, Mohammad Ali Maddah-Ali

机构 * University of Minnesota, Twin Cities（明尼苏达大学双城分校） ； Harvard University（哈佛大学） 纠错

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: Context-Aware Ranking Evolution with Executable Scoring Programs for Budgeted Reaction Optimization

CARE：通过科学实验中的可审计证据审查控制LLM生成的策略

Guanyu Liu, Weiyi Kong, Chao Tang, Zeyu Wang, Boer Zhang, Baiqing Li, Peiyu Zhang, Tianyu Shi

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） 纠错

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

A Robust Evaluation of Probe Robustness: Lessons for Reliable OOD Uncertainty Quantification

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

Joe Stacey, Hadas Orgad, Kentaro Inui, Benjamin Heinzerling, Nafise Sadat Moosavi

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） 纠错

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

Better World Models Can Lead to Better Post-Training Performance

更好的世界模型可以导致更好的训练后性能

Prakhar Gupta, Henry Conklin, Sarah-Jane Leslie, Andrew Lee

机构 * University of Michigan（密歇根大学） ； Princeton University（普林斯顿大学） ； Harvard University（哈佛大学） 纠错

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。

Federated Learning for MRI-based BrainAGE: a multicenter study on post-stroke functional outcome prediction

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

Vincent Roca, Marc Tommasi, Paul Andrey, Aurélien Bellet, Markus D. Schirmer, Hilde Henon, Laurent Puy, Julien Ramon, Grégory Kuchcinski, Martin Bretzner, Renaud Lopes

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） 纠错

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)