Stanford University（斯坦福大学）

SCENEBench: An Audio Understanding Benchmark Grounded in Assistive and Industrial Use Cases

SCENEBench：一个基于辅助和工业用例的音频理解基准测试

Laya Iyer, Angelina Wang, Sanmi Koyejo

机构 * Stanford University（斯坦福大学） ； Cornell Tech（康奈尔科技） 纠错

AI总结 SCENEBench通过评估音频理解的四个现实场景，揭示了现有LALMs在不同任务中的性能差异，为改进模型能力提供指导。

Comments Accepted to EACL 2026 (Main Conference). 10 pages, 10 figures. Camera-ready version

The Reasoning Trap -- Logical Reasoning as a Mechanistic Pathway to Situational Awareness

推理陷阱——逻辑推理作为情境意识的机制路径

Subramanyam Sahoo, Aman Chadha, Vinija Jain, Divya Chaudhary

机构 * MARS 4.0 Fellowship, Cambridge AI Safety Hub(CAISH), University of Cambridge（MARS 4.0 Fellow，剑桥人工智能安全中心（CAISH），剑桥大学） ； AWS Generative AI Innovation Center, Amazon Web Services, USA（亚马逊生成AI创新中心，亚马逊网络服务，美国） ； Google, USA（谷歌，美国） ； Stanford University（斯坦福大学） ； Northeastern University, Seattle, WA, USA（东北大学，西雅图，华盛顿州，美国） 纠错

AI总结 本文提出RAISE框架，揭示逻辑推理能力提升与情境意识升级的机制路径，并提出安全原则与测试方法以应对潜在风险。

Comments Accepted at ICLR 2026 Workshop on Logical Reasoning of Large Language Models. 21 Pages. Position Paper

An AI-powered Bayesian Generative Modeling Approach for Arbitrary Conditional Inference

基于人工智能的贝叶斯生成建模方法用于任意条件推断

Qiao Liu, Wing Hung Wong

机构 * Department of Biostatistics, Yale University（耶鲁大学生物统计学系） ； Department of Statistics, Stanford University（斯坦福大学统计学系） 纠错

AI总结 本文提出了一种基于人工智能的贝叶斯生成建模方法，用于解决任意条件推断问题，通过统一框架实现灵活的条件预测和不确定性量化。

From Demonstrations to Safe Deployment: Path-Consistent Safety Filtering for Diffusion Policies

从演示到安全部署：扩散策略的路径一致安全过滤

Ralf Römer, Julian Balletshofer, Jakob Thumm, Marco Pavone, Angela P. Schoellig, Matthias Althoff

机构 * Department of Computer Engineering, Munich Institute of Robotics and Machine Intelligence (MIRMI), Technical University of Munich（计算机工程系，慕尼黑机器人与机器智能研究所（MIRMI），慕尼黑技术大学） ； Department of Aeronautics and Astronautics, Stanford University（航空与航天系，斯坦福大学） 纠错

AI总结 本文提出路径一致安全过滤方法，用于提升扩散策略在动态环境中的安全性和任务成功率。

Comments Accepted to IEEE ICRA 2026. Project page: https://tum-lsy.github.io/pacs/. 8 pages, 4 figures

Markovian Transformers for Informative Language Modeling

马尔可夫变换器用于信息语言建模

Scott Viteri, Max Lamparth, Peter Chatain, Clark Barrett

机构 * Department of Computer Science Stanford University（计算机科学系 斯坦福大学） 纠错

AI总结 马尔可夫变换器通过引入CoT瓶颈提升语言模型的推理能力，实验显示其在问答任务中表现优异，且对CoT依赖性强。

Comments 21 pages, 6 figures, Accepted at ICLR 2026

AI Phenomenology for Understanding Human-AI Experiences Across Eras

人工智能现象学：理解跨时代的以人为本的AI体验

Bhada Yun, Evgenia Taranova, Dana Feng, Renn Su, April Yi Wang

机构 * ETH Zürich（苏黎世联邦理工学院） ； University of Bergen（卑尔根大学） ； Stanford University（斯坦福大学） 纠错

AI总结 本文提出人工智能现象学，通过研究用户与AI交互的主观体验，促进双向人机对齐，并提供可重复的方法论工具。

Comments This is an accepted workshop paper at CHI '26, "W37: Human-AI Interaction Alignment: Designing, Evaluating, and Evolving Value-Centered AI For Reciprocal Human-AI Futures", or https://bialign-workshop.github.io/2026/cfp

SynthWorlds: Controlled Parallel Worlds for Disentangling Reasoning and Knowledge in Language Models

SynthWorlds: 用于语言模型中推理与知识分离的受控并行世界

Ken Gu, Advait Bhat, Mike A Merrill, Robert West, Xin Liu, Daniel McDuff, Tim Althoff

机构 * University of Washington（华盛顿大学） ； Stanford University（斯坦福大学） ； EPFL（苏黎世联邦理工学院） ； Google Research（谷歌研究） 纠错

AI总结 SynthWorlds通过构建两个结构相同的并行世界，分离语言模型的推理与知识能力，揭示了模型在仅依赖参数化知识和知识增强设置下的性能差异。

Comments ICLR 2026

AlphaApollo: A System for Deep Agentic Reasoning

AlphaApollo：一个深度代理推理系统

Zhanke Zhou, Chentao Cao, Xiao Feng, Xuan Li, Zongze Li, Xiangyu Lu, Jiangchao Yao, Weikai Huang, Tian Cheng, Jianghangfan Zhang, Tangyu Jiang, Linrui Xu, Yiming Zheng, Brando Miranda, Tongliang Liu, Sanmi Koyejo, Masashi Sugiyama, Bo Han

机构 * TMLR Group Department of Computer Science Hong Kong Baptist University（香港 Baptist 大学计算机科学系 TMLR 组） ； RIKEN AIP ； Cooperative Medianet Innovation Center Shanghai Jiao Tong University（上海交通大学合作中立创新中心） ； Stanford University（斯坦福大学） ； Sydney AI Centre The University of Sydney（悉尼大学悉尼AI中心） ； The University of Tokyo（东京大学） 纠错

AI总结 AlphaApollo通过多轮代理推理、学习和进化机制，提升基础模型在复杂问题解决中的推理能力和工具使用可靠性。

Comments Ongoing project

CTRL Your Shift: Clustered Transfer Residual Learning for Many Small Datasets

控制你的转移：用于许多小数据集的聚类转移残差学习

Gauri Jain, Dominik Rothenhäusler, Kirk Bansak, Elisabeth Paulson

机构 * Harvard University（哈佛大学） ； Stanford University（斯坦福大学） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 CTRL通过结合跨域残差学习和自适应聚类，提升多源小数据集的预测准确性和源异质性保持能力。