Contextualized Privacy Defense for LLM Agents
上下文化隐私防御用于大语言模型代理
机构 * Tsinghua University（清华大学） ； Stanford University（斯坦福大学） ； Microsoft（微软）
AI总结 本文提出上下文化防御指导（CDI），通过强化学习优化框架，在大语言模型代理执行中主动塑造隐私保护与有用性之间的平衡。
Comments 25 pages
高校专区
Stanford University（斯坦福大学）
OCR or Not? Rethinking Document Information Extraction in the MLLMs Era with Real-World Large-Scale Datasets
OCR 或不是？在 MLLMs 时代重新思考文档信息提取：基于真实世界的大规模数据集
机构 * SAP（SAP公司） ； Stanford University（斯坦福大学）
AI总结 本文探讨了在 MLLMs 时代是否仍需 OCR，通过大规模数据集评估发现，仅图像输入可达到与 OCR 增强方法相当的性能，并展示了通过精心设计的模式、示例和指示可进一步提升 MLLMs 的表现。
VeriStruct: AI-assisted Automated Verification of Data-Structure Modules in Verus
VeriStruct：基于AI的Verus数据结构模块自动化验证框架
机构 * Stanford University（斯坦福大学） ； School of Computer Science, Peking University（北京大学计算机学院） ； Microsoft Research（微软研究院）
AI总结 VeriStruct通过AI辅助自动化验证技术，实现了对数据结构模块的高效验证，成功验证了99.2%的函数。
Spectrum Tuning: Post-Training for Distributional Coverage and In-Context Steerability
频谱调节：面向分布覆盖和上下文可引导性的后训练
机构 * University of Washington（华盛顿大学） ； Stanford University（斯坦福大学） ； Microsoft Research（微软研究院） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出Spectrum Tuning方法，通过Spectrum Suite提升模型在多样化分布下的引导能力和输出空间覆盖性。
Comments ICLR 2026
D2E: Scaling Vision-Action Pretraining on Desktop Data for Transfer to Embodied AI
D2E：在桌面数据上扩展视觉-动作预训练以迁移到具身AI
机构 * Stanford University（斯坦福大学） ； Seoul National University（首尔国立大学）
AI总结 D2E通过桌面数据预训练，实现了具身AI任务的有效迁移，其框架包含三个组件，展示了在物理操作和导航任务中的高性能表现。
Comments Accepted to ICLR 2026
Tailored Behavior-Change Messaging for Physical Activity: Integrating Contextual Bandits and Large Language Models
针对体力活动的定制行为改变信息：整合上下文老虎机和大型语言模型
机构 * University of Toronto（多伦多大学） ； Ludwig Boltzmann Institute for Digital Health（卢德维希·玻尔兹曼数字健康与预防研究所） ； Stanford University（斯坦福大学）
AI总结 本文提出了一种结合上下文老虎机和大型语言模型的混合方法，用于个性化体力活动干预，通过动态上下文因素优化信息内容，提升干预效果和可解释性。
Automatic and Structure-Aware Sparsification of Hybrid Neural ODEs
混合神经ODEs的自动和结构感知稀疏化
机构 * Institute for Computational and Mathematical Engineering（计算与数学工程研究所） ； Stanford University（斯坦福大学）
AI总结 本文提出了一种混合神经ODEs的自动稀疏化方法，结合领域知识与数据驱动正则化，以提高预测性能和稳定性，同时保持机理合理性。
Comments Accepted at The 14th International Conference on Learning Representations (ICLR) 2026
Beyond Binary Preferences: A Principled Framework for Reward Modeling with Ordinal Feedback
超越二元偏好：基于顺序反馈的奖励建模原理框架
机构 * Stanford University（斯坦福大学） ； Amazon AGI（亚马逊人工智能研究） ； EPFL（瑞士联邦理工学院） ； Qualcomm AI Research（高通人工智能研究） ； Aktus AI
AI总结 本文提出基于顺序反馈的奖励建模原理框架，通过离散顺序回归方法，学习阈值参数以捕捉偏好顺序结构，实现更有效的细粒度人类反馈利用。
Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage
函数空间解耦扩散用于碳捕集与封存的正反演建模
机构 * Stanford University（斯坦福大学） ； California Institute of Technology（加州理工学院） ； Imperial College London（伦敦帝国学院）
AI总结 函数空间解耦扩散方法在碳捕集与封存的正反演建模中实现高效且物理一致的参数恢复与数据同化。
Comments Accepted to ICLR AI&PDE Workshop
Multimodal Sensing for Robot-Assisted Sub-Tissue Feature Detection in Physiotherapy Palpation
机器人辅助物理治疗触诊中亚组织特征的多模态感知
机构 * Stanford University（斯坦福大学） ； Symbiokinetics Inc（Symbiokinetics公司）
AI总结 本研究提出多模态传感器用于机器人辅助物理治疗中亚组织特征的检测，结合触觉成像与力矩传感器以提高检测精度和触诊控制。
Comments Accepted by AMSE Design of Medical Device 2026
Comparing AI Agents to Cybersecurity Professionals in Real-World Penetration Testing
将AI代理与网络安全专家在真实世界渗透测试中进行比较
机构 * Stanford University（斯坦福大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文比较了AI代理与网络安全专家在真实世界渗透测试中的表现，发现ARTEMIS在技术深度和提交质量上接近最强人类参与者，但在误报率和GUI任务上存在不足。
Landscape of Thoughts: Visualizing the Reasoning Process of Large Language Models
思想图景：可视化大语言模型的推理过程
机构 * TMLR Group, Hong Kong Baptist University（香港 Baptist 大学 TMLR 团体） ； Stanford University（斯坦福大学） ； Mila - Québec AI Institute（魁北克 AI 院） ； Université de Montréal（蒙特利尔大学） ； HEC Montréal（蒙特利尔 HEC 学院） ； Intel AI Lab（英特尔 AI 实验室）
AI总结 提出思想图景（LoT）可视化工具，用于分析大语言模型的推理轨迹，揭示推理模式并提升推理准确性。
Comments Accepted by ICLR 2026
