Johns Hopkins University（约翰斯·霍普金斯大学）

Proof of Time: A Benchmark for Evaluating Scientific Idea Judgments

证明时间：评估科学思想判断的基准

Bingyang Ye, Shan Chen, Jingxuan Tu, Chen Liu, Zidi Xiong, Samuel Schmidgall, Danielle S. Bitterman

机构 * 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） ； Brandeis University（布兰迪大学） ； Yale University（耶鲁大学） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 PoT通过半可验证的基准框架评估科学思想判断，利用时间分区和未来可验证的目标，结合离线沙盒实现可扩展的评估。

Comments under review

Software-Hardware Co-optimization for Modular E2E AV Paradigm: A Unified Framework of Optimization Approaches, Simulation Environment and Evaluation Metrics

模块化端到端自动驾驶范式中的软件硬件协同优化：一种统一的优化方法、仿真环境和评估指标框架

Chengzhi Ji, Xingfeng Li, Zhaodong Lv, Hao Sun, Pan Liu, Hao Frank Yang, Ziyuan Pu

机构 * School of Transportation, Southeast University（东南大学交通学院） ； School of Electronic Science and Engineering, Southeast University（东南大学电子科学与工程学院） ； Department of Civil and Systems Engineering, Johns Hopkins University（约翰霍普金斯大学土木与系统工程系） 纠错

AI总结 本文提出了一种模块化端到端自动驾驶范式的软件硬件协同优化框架，通过统一的优化方法、仿真环境和评估指标，有效降低推断延迟和能耗，提升系统整体性能。

Comments 17pages,6 figures,6 tables

Defenses Against Prompt Attacks Learn Surface Heuristics

对抗提示攻击的防御学习表面启发式

Shawn Li, Chenxiao Yu, Zhiyu Ni, Hao Li, Charith Peris, Chaowei Xiao, Yue Zhao

机构 * University of Southern California（南加州大学） ； University of California, Berkeley（加州大学伯克利分校） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； Amazon（亚马逊公司） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 本文研究了对抗提示攻击防御中表面启发式的问题，发现现有方法易受表面模式影响，提出受控数据集和系统评估以揭示监督微调的局限性。

AURA-CVC: Autonomous Ultrasound-guided Robotic Assistance for Central Venous Catheterization

AURA-CVC: 自主超声引导的机器人辅助中心静脉置管

Deepak Raina, Lidia Al-Zogbi, Brian Teixeira, Vivek Singh, Ankur Kapoor, Thorsten Fleiter, Muyinatu A. Lediju Bell, Vinciya Pandian, Axel Krieger

机构 * Johns Hopkins University（约翰霍普金斯大学） ； Siemens Healthineers（西门子医疗） ； University of Maryland（马里兰大学） ； Penn State University（宾夕法尼亚州立大学） 纠错

AI总结 AURA-CVC提出了一种自主超声引导的机器人辅助中心静脉置管系统，实现了从扫描初始化到针头插入的全流程自动化，通过深度学习和运动规划技术在高保真度仿真人体上验证，展示了其在临床应用中的潜力。

Comments Accepted in International Journal of Computer Assisted Radiology and Surgery (IJCARS) 2026

MixDPO: Modeling Preference Strength for Pluralistic Alignment

MixDPO：建模偏好强度以实现多元对齐

Saki Imai, Pedram Heydari, Anthony Sicilia, Asteria Kaeberlein, Katherine Atwell, Malihe Alikhani

机构 * Northeastern University（东北大学） ； Johns Hopkins University（约翰霍普金斯大学） ； West Virginia University（西弗吉尼亚大学） 纠错

AI总结 MixDPO通过建模偏好强度差异，提升多样的偏好对齐性能，同时保持子群体偏好，适用于高异质性场景。