高校专区
Principia：面向视频模型的关系物理测试基准
机构 * Indian Institute of Science（印度科学学院） ； Johns Hopkins University（约翰斯·霍普金斯大学）
AI总结 Principia是评估视频模型物理推理的校准无关基准，涵盖八种物理现象，实验显示现有视频生成器和视觉语言模型在该基准上表现远差于通用视频基准VBench。
Comments Project Page: https://principiabench.github.io/
大型语言模型的在线策略蒸馏再思考 II：一个训练示例
机构 * University of Chinese Academy of Sciences（中国科学院大学） ； Tsinghua University（清华大学） ； Northeastern University（东北大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Johns Hopkins University（约翰斯·霍普金斯大学）
AI总结 该研究通过单查询训练探究在线策略蒸馏（OPD）的训练数据作用，发现单查询 OPD 可恢复大部分全数据增益，16 个语义查询可匹配全数据效果，指出 OPD 数据过剩但算法不足，为后续研究指明方向。
Comments 29 pages, 20 figures
BrainDiff：多模态脑部MRI的纵向报告生成
机构 * Johns Hopkins University（约翰斯·霍普金斯大学） ； Data Science and AI Institute（数据科学与人工智能学院） ； Department of Electrical and Computer Engineering（电气与计算机工程系）
AI总结 研究针对脑部MRI纵向报告缺失问题，提出首个纵向视觉-语言系统BrainDiff，通过三项分析揭示图像依赖度等特性，其性能优于现有模型且在跨医院队列中表现稳定。
Comments 13 pages, 3 figures
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
MV-dVRK：面向空间手术感知的多视点基准
机构 * Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； ETH Zürich（苏黎世联邦理工学院） ； Erbe Group（爱尔博集团） ； Tübingen University Hospital（蒂宾根大学医院） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出首个离体手术多视点基准MV-dVRK，含静态与动态手术数据，用于对比不同三维重建方法，发现多视点优化方法在1mm容差下覆盖67%真实表面点，优于前馈基础模型的43%。
删失评分量表上的双重差分可制造效应：来自预注册的LLM评判审计的证据
机构 * Columbia University（哥伦比亚大学） ； Johns Hopkins University（约翰斯·霍普金斯大学） ； The University of Chicago（芝加哥大学） ； The Pennsylvania State University（宾夕法尼亚州立大学） ； The Hong Kong Polytechnic University（香港理工大学）
AI总结 该研究指出，删失评分量表上的双重差分法会制造虚假效应，通过预注册的LLM评判审计案例，发现名义显著的交互作用实为删失导致的偏差，推导了机制且其贡献可测量。
Comments 15 pages, 3 figures, 3 tables
编码代理能否在计算材料科学中复现研究成果？
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 研究探讨编码代理在计算材料科学领域复现研究结果的能力，提出AutoMat基准测试，发现当前LLM代理在复现复杂科学流程时表现有限，存在流程不完整、方法偏差等问题。
Comments COLM 2026. The second and third authors contributed equally to this work
无上游数据的神经变分后验割集
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 该研究针对无上游数据时的割集贝叶斯问题，提出无需上游数据或模型的NeVI-Cut方法，基于条件归一化流实现，给出收敛率并验证了速度与准确性。
探索基于文本的因果混淆调整中的稀疏自编码器
机构 * Johns Hopkins University（约翰斯·霍普金斯大学） ； Williams College（威廉姆斯学院） ； Cohere
AI总结 该研究针对文本因果混淆调整的表示权衡问题，提出基于稀疏自编码器（SAE）的迭代特征选择流程，经半合成评估验证其调整效果更优，还针对多标签未观测混淆变量的复杂场景开展了评估。
Comments Long paper accepted at EMNLP 2026 main conference, 25 pages, 16 figures
可感知还是不可感知？针对语音深度伪造归因的被动指纹诊断
机构 * Imperial College London（帝国理工学院） ； Queen Mary University of London（伦敦玛丽女王大学） ； Johns Hopkins University（约翰斯·霍普金斯大学） ； Technical University of Munich（慕尼黑工业大学）
AI总结 本研究提出PIPDP协议区分语音深度伪造的可感知与不可感知被动指纹，实验显示不可感知指纹的归因线索更持久可靠，为语音深度伪造归因提供了新的诊断方法。
SoK：当安全智能体共同失效时：多智能体大语言模型（LLM）系统的安全性
机构 * Johns Hopkins University（约翰斯·霍普金斯大学） ； Nanyang Technological University（南洋理工大学）
AI总结 本文通过分析197项研究系统化梳理多智能体大语言模型（MAS）安全性，提出A-I-R框架统一攻击机制，明确防御关键挑战，审计44项基准研究并指出开放问题，推动形成感知交互的MAS安全视角。
Comments 21 pages
相同请求，不同边界：评估对话语境下的网络安全辅助能力
机构 * Johns Hopkins University（约翰斯·霍普金斯大学）
AI总结 本文提出3R-Bench基准数据集，评估8个LLMs在不同对话语境下对网络安全请求的合规性，发现对话语境会显著改变模型对同一请求的响应，失败反馈仅能小幅恢复合规性损失。
Comments 14 pages, 7 figures
差分隐私语言模型中的隐私-幻觉权衡
机构 * Johns Hopkins University（约翰斯·霍普金斯大学） ； Indian Institute of Technology, Madras（马德拉斯印度理工学院） ； Indian Institute of Science（印度科学学院）
AI总结 该研究针对差分隐私语言模型存在的隐私与事实准确性的权衡问题，通过实验揭示差分隐私会增加模型幻觉风险，提出需开发兼顾隐私保障与事实准确性的干预措施。
Comments Accepted to EMNLP 2026 (Findings)
更清晰的语音，更弱的泛化能力：重新审视用于阿尔茨海默病检测的皮特衍生基准
机构 * Center for Language and Speech Processing (CLSP), Johns Hopkins University（约翰斯·霍普金斯大学语言与语音处理中心） ； Research Center for Information Technology Innovation, Academia Sinica（中央研究院资讯科技创新研究中心） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本研究重新审视语音预处理与数据集整理对阿尔茨海默病检测的影响，发现经语音增强的数据集虽提升域内性能但降低跨域鲁棒性，更清晰的语音数据集未必更可靠。
重建！不要编码：面向高可懂性和低延迟流式神经音频编解码器的自监督表示重建损失
机构 * Center for Language and Speech Processing, Johns Hopkins University, USA（语言与语音处理中心，约翰霍普金斯大学，美国） ； Signal Analysis and Interpretation Laboratory, University of Southern California, USA（信号分析与解释实验室，南加州大学，美国）
AI总结 本文提出自监督表示重建损失，用于提升流式神经音频编解码器的可懂性和低延迟性能。
Comments Submitted to TASLP
生成式翻译先验：基于跨模态图像翻译的贝叶斯成像
机构 * Johns Hopkins University（约翰斯·霍普金斯大学） ； Stanford University（斯坦福大学） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
AI总结 本研究提出生成式翻译先验（GTP）贝叶斯框架，将扩散式图像翻译模型转化为跨模态先验，推导两种离散化算法，在CT、PET重建任务中验证其可有效融入跨模态信息，欠采样下仍实现高保真重建。
Comments 51 pages, 12 figures. Code is available at https://github.com/Hopkins-CIG/GTP
用扎根理论进行大规模智能体行为分析
机构 * Purdue University（普渡大学） ； Stevens Institute of Technology（史蒂文斯理工学院） ； Cornell University（康奈尔大学） ； University of Texas at El Paso（德克萨斯大学埃尔帕索分校） ； Johns Hopkins University（约翰斯·霍普金斯大学）
AI总结 该研究将扎根理论引入智能体轨迹分析，提出AutoTraceGT流程，在六个语料库上可恢复多数人类标注失败模式，其编码本在失败预测任务中优于LLM基线，为智能体行为分析提供可扩展工具。
Comments 33 pages. Accepted to the Findings of the 2026 Conference on Empirical Methods in Natural Language Processing (EMNLP 2026)
人工神经网络的涌现符号结构
机构 * Yale University（耶鲁大学） ； Johns Hopkins University（约翰斯·霍普金斯大学） ； New York University（纽约大学） ； Microsoft Research（微软研究院）
AI总结 该研究发现神经网络内部表征隐含符号结构，可通过符号结构近似其向量表征，还能精准干预修改大型语言模型行为，为调和智能的符号概念与现代AI的向量本质提供了新途径。
Comments 30 pages, plus 29 pages of references and appendices
基于文本引导扩散模型的胸部X射线图像对抗攻击
机构 * The Johns Hopkins University（约翰斯·霍普金斯大学） ； Manipal Institute of Technology（马尼帕尔理工学院） ； Manipal Academy of Higher Education（马尼帕尔高等教育学院） ； The Johns Hopkins Hospital（约翰斯·霍普金斯医院） ； Columbia University Irving Medical Center（哥伦比亚大学欧文医学中心）
AI总结 该研究提出文本引导扩散对抗框架攻击胸部X射线分类模型，在多架构上验证其能显著降低分类性能，同时发现人机判读存在重要差异，凸显需扩展医疗AI鲁棒性评估方式。
句法信念更新作为花园路径句处理难度的驱动因素
机构 * Johns Hopkins University（约翰霍普金斯大学） ； University College London（伦敦大学学院）
AI总结 针对词汇惊异度无法预测花园路径句处理难度的问题，提出基于广义Rényi散度的句法信念更新度量，在关键单词处衡量信念更新幅度，更好地拟合人类阅读时间数据。
Agent-as-Peer-Debriefer: 一种基于视角精炼的多智能体定性分析框架
机构 * Soochow University（苏州大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 提出一种多智能体框架，通过模拟同行汇报（peer debriefing）并引入理论驱动、数据驱动和应用三种分析视角，提升大语言模型在定性数据分析中的编码质量。
Comments Accepted to EMNLP 2026 Main Conference
SpIDER：面向软件问题定位的时空感知密集嵌入检索
机构 * Department of Computer Science, Johns Hopkins University（约翰霍普金斯大学计算机科学系） ； AWS（亚马逊公司） ； AWS AI Labs（亚马逊人工智能实验室）
AI总结 SpIDER通过结合LLM推理和图结构探索信息，提升代码库中相关代码单元的密集检索性能，实验显示在多个编程语言和基准测试中性能提升达13%。
Comments EMNLP 2026 camera-ready
韵律在翻译中会丢失吗？跨语言的细粒度韵律相似性研究
机构 * Center for Language and Speech Processing (CLSP), Johns Hopkins University（约翰斯·霍普金斯大学语言与语音处理中心）
AI总结 本研究利用多语言配音数据开展跨语言韵律细粒度分析，发现特定语言间韵律结构存在内在相关性，为表达性语音到语音翻译系统提供了实证指导。
Comments Accepted to EMNLP 2026 Findings
报告监督
机构 * Johns Hopkins University（约翰斯·霍普金斯大学） ； University Hospital Basel（巴塞尔大学医院） ； Stanford University（斯坦福大学） ； University of California, San Francisco（加利福尼亚大学旧金山分校） ； Italian Institute of Technology（意大利技术研究院） ； University of Bologna（博洛尼亚大学） ； École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院） ； Johns Hopkins Medicine（约翰斯·霍普金斯医疗集团）
AI总结 本研究提出报告监督（R-Super）框架，利用大量放射学报告补充稀缺的肿瘤掩码训练数据，在肾脏和胰腺肿瘤分割任务上显著提升了AI的检测与分割性能。
Comments Published in Medical Image Analysis, 2026
DiffAnon: 基于扩散的语调控制语音匿名化
机构 * Center for Language and Speech Processing, Johns Hopkins University, USA（语言与语音处理中心，约翰霍普金斯大学，美国） ； Human Language Technology Center of Excellence (COE), Johns Hopkins University, USA（人类语言技术卓越中心（COE），约翰霍普金斯大学，美国）
AI总结 DiffAnon通过扩散模型与分类器自由引导机制实现语调控制，提供连续的推理时间控制，实现匿名化强度与语调保真度的平滑插值。
Comments Accepted to Interspeech 2026
面向上下文感知安全的多模态大语言模型解码引导
机构 * University of Notre Dame（notre dame 大学） ； University of Washington（华盛顿大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 针对多模态大语言模型安全对齐的平衡难题，提出SafeCoDe解码框架，通过两阶段机制优化上下文敏感的弃权行为，在多基准实验中有效提升安全性能且保留模型有用性。
Comments EMNLP 2026 Main
反思语音生成中的说话人嵌入：用于捕捉说话人内部多样性的子中心建模
机构 * Center for Language and Speech Processing (CLSP), Johns Hopkins University, USA（语言与语音处理中心（CLSP），约翰霍普金斯大学，美国） ； Center for Robust Speech Systems (CRSS), The University of Texas at Dallas, USA（稳健语音系统中心（CRSS），德克萨斯大学达拉斯分校，美国） ； Language Technologies Institute (LTI), Carnegie Mellon University, USA（语言技术研究所（LTI），卡内基梅隆大学，美国）
AI总结 该研究针对语音生成中说话人嵌入的设计缺陷，提出子中心建模框架，在零样本语音转换任务中提升了可懂度、音高变异性与自然度，同时保留了说话人验证性能。
Comments Accepted to Interspeech 2026
机构 * Johns Hopkins University（约翰斯·霍普金斯大学） ； Boston University（波士顿大学） ； RAND Corporation（兰德公司） ； Johns Hopkins Bloomberg School of Public Health（约翰斯·霍普金斯大学布隆伯格公共卫生学院）
当文本误导时：面向音频接地对话的不一致感知推理
机构 * Center for Language and Speech Processing, Johns Hopkins University（约翰霍普金斯大学语言与语音处理中心）
AI总结 本研究针对口语对话理解中基于转录本的捷径问题，构建了含501个问题的受控基准ContraTalk，提出Audio Twin智能体式推理框架，可提升冲突问答案例的准确率并减少文本偏向陷阱选择。
Comments 24 pages, 4 figures
物理信息随机配置机：一种用于非线性微分方程的无反向传播快速训练神经网络
机构 * School of Automation, Central South University（中南大学自动化学院） ； Johns Hopkins University（约翰斯·霍普金斯大学） ； China Institute of Water Resources and Hydropower Research（中国水利水电科学研究院）
AI总结 该研究提出无反向传播的物理信息随机配置机（PI-SCM），通过解析雅可比矩阵等技术求解微分方程，训练速度较PINNs提升数个数量级，为实时科学机器学习提供高效基础。
Comments 17 pages, 4 figures
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