End-to-end event reconstruction for precision physics at future colliders
端到端事件重建用于未来对撞机的精确物理
机构 * European Center for Nuclear Research (CERN)（欧洲核子研究中心） ； Stanford University（斯坦福大学）
AI总结 本文提出了一种端到端的事件重建方法，通过结合几何代数变换网络和对象凝聚聚类，提高了对撞机实验中事件重建的精度和效率。
高校专区
Stanford University（斯坦福大学）
WebDS: An End-to-End Benchmark for Web-based Data Science
WebDS: 一种端到端的基于网络的数据科学基准
机构 * Stanford University（斯坦福大学） ； Pinetree Research（Pinetree研究公司） ； University of California, Berkeley（加州大学伯克利分校） ； Singapore University of Technology and Design（新加坡科技设计大学） ； University of Southern California（南加州大学）
AI总结 WebDS提出了一种端到端的基于网络的数据科学基准，旨在评估代理在复杂多步骤任务中的表现，揭示当前LLM在实际数据科学任务中的性能差距。
Comments 14 pages, ICLR 2026
Merlin: A Computed Tomography Vision-Language Foundation Model and Dataset
Merlin：一种计算断层扫描视觉-语言基础模型和数据集
机构 * Stanford University（斯坦福大学） ； Stanford Center for Artificial Intelligence in Medicine and Imaging（斯坦福大学医学与成像人工智能中心） ； Department of Electrical Engineering（电气工程系） ； University of California Berkeley（加州大学伯克利分校） ； Department of Radiology（放射科） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Hospital Israelita Albert Einstein（以色列特医院阿尔伯特·爱因斯坦医院）
AI总结 Merlin是一种基于3D视觉-语言模型的医学影像分析工具，通过多阶段预训练框架，实现了对腹部CT扫描、电子健康记录和放射科报告的综合学习，提升了医学影像分析的自动化水平。
Comments Nature (2026)
When Shallow Wins: Silent Failures and the Depth-Accuracy Paradox in Latent Reasoning
浅层胜出：潜在推理中的沉默失败与深度-准确性悖论
机构 * Independent（独立研究者） ； AWS Generative AI Innovation Center, Amazon Web Services（亚马逊生成AI创新中心，亚马逊网络服务） ； Meta AI ； Stanford University（斯坦福大学） ； Northeastern University, Seattle, WA, USA（东北ern大学，西雅图，华盛顿州，美国）
AI总结 研究揭示数学推理模型在深度增加时准确率无提升，且存在大量不可靠推理路径，需改革评估方法以衡量稳定性。
Comments Accepted at ICLR 2026 Workshop on Latent & Implicit Thinking - Going Beyond CoT Reasoning. 19 Pages and 5 Figures
Neuro-Symbolic Decoding of Neural Activity
神经符号解码神经活动
机构 * Columbia University（哥伦比亚大学） ； Stanford University（斯坦福大学）
AI总结 NEURONA通过结合符号推理与fMRI基础，提升神经活动解码的准确性和泛化能力。
Comments ICLR 2026. First two authors contributed equally
HumanLM: Simulating Users with State Alignment Beats Response Imitation
HumanLM: 通过状态对齐模拟用户优于响应模仿
机构 * Stanford University（斯坦福大学） ； New York University（纽约大学）
AI总结 HumanLM通过状态对齐模拟用户，优于响应模仿，显著提升对齐分数和真实用户相似性。
Comments 27 pages, 17 figures, 9 tables
Benchmarking Legal RAG: The Promise and Limits of AI Statutory Surveys
法律RAG基准测试：AI立法调研的潜力与局限
机构 * Stanford University（斯坦福大学）
AI总结 本文评估了三种新兴工具在法律RAG基准测试中的表现，发现STARA性能显著提升，而商业平台表现不佳，同时揭示了DOL律师的遗漏问题，并提出了法律RAG的未来设计原则。
Comments Accepted at the 5th ACM Symposium on Computer Science and Law (CS&Law '26)
Deep Sketch-Based 3D Modeling: A Survey
基于深度学习的3D建模：综述
机构 * Stanford University（斯坦福大学） ； Computational Design Institute（计算设计研究所）
AI总结 本文综述了深度基于草图的3D建模（DS-3DM）的最新进展，提出了MORPHEUS设计空间，强调了跨学科研究的机会和用户导向方法的重要性。
QDFlow: A Python package for physics simulations of quantum dot devices
QDFlow：用于量子点器件物理模拟的Python包
机构 * Joint Center for Quantum Information and Computer Science, University of Maryland, College Park, MD 20742, USA（联合量子信息与计算机科学中心，马里兰大学，学院公园，MD 20742，美国） ； National Institute of Standards and Technology, Gaithersburg, MD 20899, USA（国家标准与技术研究院，加斯比尔，MD 20899，美国） ； Department of Physics, University of Maryland, College Park, MD 20742, USA（物理系，马里兰大学，学院公园，MD 20742，美国） ； Department of Physics, Stanford University, Stanford, CA 94305, USA（物理系，斯坦福大学，斯坦福，CA 94305，美国） ； Axiomatic AI, Inc., Cambridge, MA 02139, USA（Axiomatic AI 公司，剑桥，MA 02139，美国）
AI总结 QDFlow是一个开源Python包，通过生成具有真实标签的合成数据，为量子点器件的物理模拟和机器学习研究提供支持。
Comments 19 pages, 6 figures
Journal ref SciPost Phys. Codebases 65 (2026)
