Stanford University（斯坦福大学）

An Empirical Study of SFT-DPO Interaction and Parameterization in Small Language Models

小语言模型中SFT-DPO交互与参数化的实证研究

Yuming Feng, Christy Yang

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

AI总结 本文通过对比SFT、DPO及分阶段训练方法，发现全参数微调在小模型中表现更优，而偏好优化和低秩适应带来的边际收益有限。

Heavy-Tailed and Long-Range Dependent Noise in Stochastic Approximation: A Finite-Time Analysis

在随机逼近中考虑厚尾和长程依赖噪声：有限时间分析

Siddharth Chandak, Anuj Yadav, Ayfer Ozgur, Nicholas Bambos

机构 * Department of Electrical Engineering, Stanford University（斯坦福大学电气工程系） ； School of Computer & Communication Sciences, EPFL（苏黎世联邦理工学院计算机与通信科学学院） 纠错

AI总结 本文研究了在厚尾和长程依赖噪声下通过随机逼近寻找强单增算子根的问题，建立了首个有限时间矩界，提供了明确的收敛速率，并通过数值实验验证了分析结果。

Comments Submitted to IEEE Transactions on Automatic Control

Physion-Eval: Evaluating Physical Realism in Generated Video via Human Reasoning

Physion-Eval：通过人类推理评估生成视频的物理真实性

Qin Zhang, Peiyu Jing, Hong-Xing Yu, Fangqiang Ding, Fan Nie, Weimin Wang, Yilun Du, James Zou, Jiajun Wu, Bing Shuai

机构 * Physion Labs（Physion实验室） ； Stanford University（斯坦福大学） ； MIT（麻省理工学院） ； Harvard University（哈佛大学） ； Character AI 纠错

AI总结 本文提出Physion-Eval基准，通过专家人类推理评估生成视频的物理真实性，揭示当前视频生成模型在物理关键场景中存在显著缺陷，83.3%的外向视角和93.5%的内向视角视频存在可识别的物理错误。

Data Analogies Enable Efficient Cross-Embodiment Transfer

数据类比促进高效的跨机体迁移

Jonathan Yang, Chelsea Finn, Dorsa Sadigh

机构 * Stanford University（斯坦福大学） 纠错

AI总结 研究探讨了如何通过数据类比提升机器人跨机体迁移效率，发现结构化多样性在感知变化中效果显著，而形态变化则更依赖数据类比。

Comments 14 pages, 11 Figures, 6 Tables

Pseudo-Simulation for Autonomous Driving

伪模拟用于自动驾驶

Wei Cao, Marcel Hallgarten, Tianyu Li, Daniel Dauner, Xunjiang Gu, Caojun Wang, Yakov Miron, Marco Aiello, Hongyang Li, Igor Gilitschenski, Boris Ivanovic, Marco Pavone, Andreas Geiger, Kashyap Chitta

机构 * University of Tübingen, Tübingen AI Center（图宾根大学，图宾根人工智能中心） ； NVIDIA Research（NVIDIA研究） ； Robert Bosch GmbH（罗伯特·博世集团） ； OpenDriveLab at Shanghai Innovation Institute（上海创新研究院自动驾驶实验室） ； University of Stuttgart（斯图加特大学） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； Stanford University（斯坦福大学） 纠错

AI总结 本文提出伪模拟方法，通过在真实数据上生成合成观测，提升自动驾驶评估的现实性和效率，实现与闭环模拟更紧密的关联。

Comments CoRL 2025, updated with leaderboard snapshot from March 2026

Optimal Scalar Quantization for Matrix Multiplication: Closed-Form Density and Phase Transition

矩阵乘法最优标量量化：闭式密度与相变

Calvin Ang, Sungyoon Kim, Mert Pilanci

机构 * Stanford University（斯坦福大学） 纠错

AI总结 研究矩阵乘法前的逐元素标量量化，推导高分辨率下MSE的闭式密度和相变特性，适用于矩阵乘法量化和大语言模型激活量化。

FDARxBench: Benchmarking Regulatory and Clinical Reasoning on FDA Generic Drug Assessment

FDARxBench：基于FDA通用药物评估的监管与临床推理基准测试

Betty Xiong, Jillian Fisher, Benjamin Newman, Meng Hu, Shivangi Gupta, Yejin Choi, Lanyan Fang, Russ B Altman

机构 * Stanford University（斯坦福大学） ； University of Washington（华盛顿大学） ； U.S. Food and Drug Administration（美国食品药品监督管理局） 纠错

AI总结 本文提出FDARxBench基准测试，用于评估基于文档的问答任务，通过FDA药物标签文档生成高质量问答示例，揭示语言模型在事实基础、长上下文检索和安全拒绝行为方面的差距。

Comments 4 pages, 2 figures

FalconBC: Flow matching for Amortized inference of Latent-CONditioned physiologic Boundary Conditions

FalconBC：用于潜伏条件生理边界条件的近似推断流匹配

Chloe H. Choi, Alison L. Marsden, Daniele E. Schiavazzi

机构 * Department of Mechanical Engineering, Stanford University（斯坦福大学机械工程系） ； Institute for Computational and Mathematical Engineering, Stanford University（斯坦福大学计算与数学工程研究所） ； Bioengineering, Stanford University（斯坦福大学生物工程系） ； Pediatric Cardiology, Stanford University（斯坦福大学儿科心脏病学） ； Department of Applied and Computational Mathematics and Statistics, University of Notre Dame（诺丁汉大学应用与计算数学与统计学系） 纠错

AI总结 本文提出FalconBC框架，通过概率流方法实现对患者特定生理边界条件的近似推断，解决了开放环路模型和血管病变解剖结构中边界条件无法孤立调节的问题。

CryoHype: Reconstructing a thousand cryo-EM structures with transformer-based hypernetworks

CryoHype：基于变换器的超网络重建千个冷冻电镜结构

Jeffrey Gu, Minkyu Jeon, Ambri Ma, Serena Yeung-Levy, Ellen D. Zhong

机构 * Princeton University（普林斯顿大学） ； Stanford University（斯坦福大学） 纠错

AI总结 CryoHype通过变换器超网络实现高通量冷冻电镜结构重建，解决混合分子物种的组分异质性问题，实现1000个结构的高精度重建。

Comments CVPR 2026

Can AI Truly Represent Your Voice in Deliberations? A Comprehensive Study of Large-Scale Opinion Aggregation with LLMs

AI能否真正代表您的声音进行辩论？基于大规模意见聚合的全面研究

Shenzhe Zhu, Shu Yang, Michiel A. Bakker, Alex Pentland, Jiaxin Pei

机构 * Stanford University（斯坦福大学） ； University of Toronto（多伦多大学） ； KAUST（卡塔尔大学） ； MIT（麻省理工学院） 纠错

AI总结 本文通过DeliberationBank数据集评估LLM在大规模辩论总结中的表现，发现其存在代表性不足和偏见问题，提出DeliberationJudge模型提升评估准确性。