Stanford University（斯坦福大学）

Unifying Optimization and Dynamics to Parallelize Sequential Computation: A Guide to Parallel Newton Methods for Breaking Sequential Bottlenecks

统一优化与动力学以并行化顺序计算：并行牛顿方法的指南，以打破顺序瓶颈

Xavier Gonzalez

机构 * STANFORD UNIVERSITY（斯坦福大学） 纠错

AI总结 本文提出并行牛顿方法，通过统一固定点方法，解决动态系统并行化中的效率、稳定性及收敛性问题，基于Lyapunov指数确定并行加速条件。

Comments PhD Dissertation; Stanford University

Test-Time Adaptation via Many-Shot Prompting: Benefits, Limits, and Pitfalls

通过多示例提示进行测试时适应：益处、限制与陷阱

Shubhangi Upasani, Chen Wu, Jay Rainton, Bo Li, Urmish Thakker, Changran Hu, Qizheng Zhang

机构 * SambaNova Systems, Inc（SambaNova系统公司） ； Stanford University（斯坦福大学） 纠错

AI总结 研究通过多示例提示在不同任务和模型中分析测试时适应的性能变化，探讨其有效性及限制，指出其在结构化任务中的优势及在开放生成任务中的不足。

When the City Teaches the Car: Label-Free 3D Perception from Infrastructure

当城市教导汽车：从基础设施实现无标签的3D感知

Zhen Xu, Jinsu Yoo, Cristian Bautista, Zanming Huang, Tai-Yu Pan, Zhenzhen Liu, Katie Z Luo, Mark Campbell, Bharath Hariharan, Wei-Lun Chao

机构 * The Ohio State University（俄亥俄州立大学） ； Google（谷歌） ； Cornell University（康奈尔大学） ； Stanford University（斯坦福大学） ； Boston University（波士顿大学） 纠错

AI总结 本文提出一种无标签的3D感知方法，利用道路设施作为无监督教师，通过固定视角和重复观测学习局部3D检测器，并广播预测作为伪标签监督，无需基础设施即可训练独立的车辆检测器。

Comments Project Page: https://jinsuyoo.info/civet/

High-dimensional estimation with missing data: Statistical and computational limits

高维数据缺失下的估计：统计与计算限制

Kabir Aladin Verchand, Ankit Pensia, Saminul Haque, Rohith Kuditipudi

机构 * Department of Data Sciences and Operations, University of Southern California（数据科学与运营系，南加州大学） ； Department of Statistics and Data Science, Carnegie Mellon University（统计与数据科学系，卡内基梅隆大学） ； Department of Computer Science, Stanford University（计算机科学系，斯坦福大学） 纠错

AI总结 研究在数据缺失情况下高维参数估计的统计与计算限制，证明在均值估计中需大量样本才能达到误差要求，而计算高效算法难以达到此下限，但在线性回归中则可近似达到信息论下限。

Characterizing Delusional Spirals through Human-LLM Chat Logs

通过人类-大语言模型聊天日志表征妄想螺旋

Jared Moore, Ashish Mehta, William Agnew, Jacy Reese Anthis, Ryan Louie, Yifan Mai, Peggy Yin, Myra Cheng, Samuel J Paech, Kevin Klyman, Stevie Chancellor, Eric Lin, Nick Haber, Desmond C. Ong

机构 * Stanford University（斯坦福大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Chicago（芝加哥大学） ； Independent Researcher（独立研究者） ； Harvard Belfer Center（哈佛贝尔弗中心） ； University of Minnesota（明尼苏达大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 本文通过分析19名受聊天机器人影响用户的历史对话日志，揭示了妄想螺旋中用户与聊天机器人互动模式及心理危害，提出28项代码用于评估对话中的妄想、自伤和AI拟人化现象。

Comments To appear at ACM FAccT 2026

W2T: LoRA Weights Already Know What They Can Do

W2T: LoRA 权重已经知道它们能做什么

Xiaolong Han, Ferrante Neri, Zijian Jiang, Fang Wu, Yanfang Ye, Lu Yin, Zehong Wang

机构 * University of Surrey（萨里大学） ； Stanford University（斯坦福大学） ； University of Notre Dame（诺丁汉大学） 纠错

AI总结 W2T通过将LoRA权重转换为token化嵌入，验证了在消除因子化歧义后，LoRA权重能可靠指示模型行为，适用于属性分类、性能预测和适配器检索。

MedArena: Comparing LLMs for Medicine-in-the-Wild Clinician Preferences

MedArena: 比较医疗领域LLM的临床医生偏好

Eric Wu, Kevin Wu, Jason Hom, Paul H. Yi, Angela Zhang, Alejandro Lozano, Jeff Nirschl, Jeff Tangney, Kevin Byram, Braydon Dymm, Narender Annapureddy, Eric Topol, David Ouyang, James Zou

机构 * Department of Electrical Engineering, Stanford University（斯坦福大学电气工程系） ； Department of Biomedical Data Science, Stanford University（斯坦福大学生物医学数据科学系） ； Division of Hospital Medicine, Department of Medicine, Stanford School of Medicine（斯坦福医学院医学部住院医学科） ； Department of Radiology, St. Jude Children's Research Hospital（圣 Jude 儿童研究医院放射科） ； University of California, San Francisco（旧金山大学） ； Department of Pathology and Laboratory Medicine, University of Wisconsin School of Medicine and Public Health（威斯康星大学医学与公共卫生学院病理学与实验室医学系） ； Doximity, San Francisco, CA, USA（Doximity公司） ； Department of Medicine, Division of Rheumatology and Immunology, Vanderbilt University Medical Center（范德比尔特大学医学中心医学系风湿病与免疫学科） ； Department of Neurology, Charleston Area Medical Center（查尔斯顿医疗中心神经科） ； Department of Translational Medicine, Scripps Research Translational Institute（斯克里普斯研究转化研究所转化医学系） ； Kaiser Permanente Division of Research（凯撒医疗集团研究部） 纠错

AI总结 MedArena通过真实临床问题和医生偏好比较LLM，揭示临床实用性与基准性能的差异，强调可读性和临床细节的重要性。

Tokenization Tradeoffs in Structured EHR Foundation Models

结构电子健康记录基础模型中的分词权衡

Lin Lawrence Guo, Santiago Eduardo Arciniegas, Joseph Jihyung Lee, Adam Paul Yan, George Tomlinson, Jason Fries, Lillian Sung

机构 * Child Health Evaluative Sciences（儿童健康评估科学） ； The Hospital for Sick Children（圣迈克尔医院） ； University Health Network（大学健康网络） ； Department of Medicine（医学部） ； Division of Computational Medicine, Department of Medicine（计算医学科，医学部） ； Stanford University（斯坦福大学） 纠错

AI总结 本文研究了结构化电子健康记录基础模型中分词设计对性能和效率的影响，通过实验发现联合事件编码和时间位置编码在多个临床预测任务中表现更优，且计算效率更高。