Stanford University（斯坦福大学）

To Lie or Not to Lie? Investigating The Biased Spread of Global Lies by LLMs

说谎还是不说谎？研究LLMs在全球谎言传播中的偏见

Zohaib Khan, Mustafa Dogan, Ifeoma Okoh, Pouya Sadeghi, Siddhartha Shrestha, Sergius Justus Nyah, Mahmoud O. Mokhiamar, Michael J. Ryan, Tarek Naous

机构 * Fatima Fellowship（法蒂玛奖学金） ； Stanford University（斯坦福大学） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 研究LLMs在多语言多地区传播虚假信息的行为，揭示低资源语言和低HDI国家中谎言传播的系统性差异，提出GlobalLies数据集以支持减少全球虚假信息传播的策略。

Comments Accepted at ACL 2026 Main Conference

MedConclusion: A Benchmark for Biomedical Conclusion Generation from Structured Abstracts

MedConclusion：一个用于从结构化摘要中生成生物医学结论的基准数据集

Weiyue Li, Ruizhi Qian, Yi Li, Yongce Li, Yunfan Long, Jiahui Cai, Yan Luo, Mengyu Wang

机构 * Harvard AI and Robotics Lab, Harvard Medical School（哈佛大学医学院哈佛人工智能与机器人实验室） ； University of Southern California（南加州大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Stanford University（斯坦福大学） ； Kempner Institute for the Study of Natural and Artificial Intelligence, Harvard University（哈佛大学肯普纳自然与人工智能研究所） 纠错

AI总结 本文提出MedConclusion数据集，包含570万篇PubMed结构化摘要，用于生物医学结论生成。通过配对摘要非结论部分与原始结论，提供证据到结论推理的自然监督。数据集还包含期刊级元数据，支持跨生物医学领域的子组分析。

Toward a universal foundation model for graph-structured data

迈向图结构数据的通用基础模型

Sakib Mostafa, Lei Xing, Md. Tauhidul Islam

机构 * Stanford University（斯坦福大学） 纠错

AI总结 本文提出一种通用图基础模型，通过学习可迁移的结构表示，提升跨领域图数据分析能力，在生物医学领域表现优异。

Comments 19 pages, 5 figures, 12 supplementary figures

RAGEN-2: Reasoning Collapse in Agentic RL

RAGEN-2：代理强化学习中的推理崩溃

Zihan Wang, Chi Gui, Xing Jin, Qineng Wang, Licheng Liu, Kangrui Wang, Shiqi Chen, Linjie Li, Zhengyuan Yang, Pingyue Zhang, Yiping Lu, Jiajun Wu, Li Fei-Fei, Lijuan Wang, Yejin Choi, Manling Li

机构 * Northwestern University（西北大学） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； Independent（独立研究者） ； Imperial College London（伦敦帝国学院） ； Oxford University（牛津大学） ； University of Washington（华盛顿大学） ； Microsoft（微软） ； Stanford University（斯坦福大学） 纠错

AI总结 研究发现代理强化学习中推理稳定性受模板崩溃影响，通过引入互信息代理提升推理质量与任务表现。

$S^3$: Stratified Scaling Search for Test-Time in Diffusion Language Models

$S^3$：分层缩放搜索用于扩散语言模型的测试时间

Ahsan Bilal, Muhammad Ahmed Mohsin, Muhammad Umer, Asad Aali, Muhammad Usman Khanzada, Muhammad Usman Rafique, Zihao He, Emily Fox, Dean F. Hougen

机构 * University of Oklahoma（俄克拉荷马大学） ； Stanford University（斯坦福大学） ； University of Göttingen（哥廷根大学） ； Zoox ； Meta 纠错

AI总结 本文提出$S^3$方法，通过在去噪过程中重新分配计算资源提升生成质量，实验证明其在数学推理任务中表现最佳。

Comments Submitted to COLM 2026

FLeX: Fourier-based Low-rank EXpansion for multilingual transfer

FLeX：基于傅里叶的低秩扩展用于多语言迁移

Gaurav Narasimhan

机构 * Stanford University（斯坦福大学） 纠错

AI总结 本文研究了通过低秩适应和优化器改进提升Python到Java等语言的跨语言迁移效果，发现低秩适应和傅里叶正则化能显著提升迁移性能。

Comments 19 pages, 25 figures, Stanford CS224N Custom Project

k-Maximum Inner Product Attention for Graph Transformers and the Expressive Power of GraphGPS

Jonas De Schouwer, Haitz Sáez de Ocáriz Borde, Xiaowen Dong

机构 * Stanford University（斯坦福大学） ； University of Oxford（牛津大学） 纠错

Comments Accepted at the ICLR 2026 GRaM Workshop. 9 pages, 9 figures, 16 tables; 30 pages of supplementary material

Diagnosing and Mitigating Sycophancy and Skepticism in LLM Causal Judgment

诊断和缓解大语言模型因果判断中的阿谀和怀疑

Edward Y. Chang

机构 * Stanford University（斯坦福大学） 纠错

AI总结 本文提出CAUSALT3基准测试，通过三个轴评估分解性能，识别并缓解因果判断中的阿谀和怀疑陷阱，通过Regulated Causal Anchoring方法改进推理控制。

Comments 19 pages, 3 figures, 15 tables

MAE-SAM2: Mask Autoencoder-Enhanced SAM2 for Clinical Retinal Vascular Leakage Segmentation

MAE-SAM2：基于掩码自编码器的SAM2用于临床视网膜血管渗漏分割

Xin Xing, Irmak Karaca, Amir Akhavanrezayat, Samira Badrloo, Quan Dong Nguyen, Mahadevan Subramaniam

机构 * University of Nebraska Omaha（内布拉斯加大学奥马哈分校） ； Columbia University Irving Medical Center（哥伦比亚大学欧文医学中心） ； Stanford University（斯坦福大学） 纠错

AI总结 本文提出MAE-SAM2，一种用于荧光素血管造影图像视网膜血管渗漏分割的新基础模型。通过结合自监督学习与SAM2，该方法在实验中优于现有模型，实现更高的Dice分数和IoU，性能提升5%。

AugLift: Depth-Aware Input Reparameterization Improves Domain Generalization in 2D-to-3D Pose Lifting

AugLift：基于深度的输入重参数化提升2D到3D姿态提升的领域泛化

Nikolai Warner, Wenjin Zhang, Hamid Badiozamani, Irfan Essa, Apaar Sadhwani

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Rutgers University（罗格斯大学） ； Amazon（亚马逊） ； Stanford University（斯坦福大学） 纠错

AI总结 AugLift通过将姿态提升的表示从2D坐标转换为6D几何描述，改进了领域泛化。在检测任务中，它减少了跨数据集MPJPE并提高了分布内准确性，展示了基础模型深度在补充显式3D增强方面的有效性。

Comments Preprint. Under review

Non-Expansive Mappings in Two-Time-Scale Stochastic Approximation: Finite-Time Analysis

双时间尺度随机逼近中的非膨胀映射：有限时间分析

Siddharth Chandak

机构 * Stanford University（斯坦福大学） 纠错

AI总结 本文研究双时间尺度随机逼近算法中慢时间尺度的非膨胀映射，证明其迭代误差衰减率为O(1/k^{1/4-ε})，并展示其在极小化优化、线性随机逼近和拉格朗日优化中的应用。

Comments Accepted for publication to SIAM Journal on Control and Optimization

Computational bottlenecks for denoising diffusions

去噪扩散中的计算瓶颈

Andrea Montanari, Viet Vu

机构 * Department of Statistics and Department of Mathematics, Stanford University（斯坦福大学统计系与数学系） ； Department of Statistics, Stanford University（斯坦福大学统计系） 纠错

AI总结 研究探讨了是否所有可采样的分布都能通过扩散过程采样，发现某些分布虽易采样但扩散过程的漂移项难以计算。

Comments 51 pages; 2 figures