Differentially Private Language Generation and Identification in the Limit
在极限下实现差分隐私的语言生成与识别
机构 * Stanford University（斯坦福大学） ； Google Research（谷歌研究院） ； Yale University（耶鲁大学）
AI总结 研究在极限下语言生成与识别的差分隐私约束，发现隐私生成无定性代价但有量化成本，而识别在极限下隐私导致根本障碍，区分了对抗与随机设置。
高校专区
Stanford University（斯坦福大学）
Synthetic Data for any Differentiable Target
为任何可微目标生成合成数据
机构 * Stanford University（斯坦福大学）
AI总结 本文提出Dataset Policy Gradient方法，通过合成数据生成器优化生成针对性示例，使目标模型在可微度量上表现优异，展示了通过合成数据改变模型属性的潜力。
Don't Overthink It: Inter-Rollout Action Agreement as a Free Adaptive-Compute Signal for LLM Agents
不要过度思考：跨回合动作一致性作为LLM代理的自由自适应计算信号
机构 * Stanford University（斯坦福大学）
AI总结 TrACE通过测量跨回合动作一致性，实现LLM代理的自适应计算分配，无需训练或外部验证，在多步序列决策任务中提升效率和准确性。
Reasoning Within the Mind: Dynamic Multimodal Interleaving in Latent Space
思维中的推理：潜在空间中的动态多模态交错
机构 * University of California, Santa Barbara（加州大学圣塔芭芭拉分校） ； Stanford University（斯坦福大学） ； University of California, Santa Cruz（加州大学圣克鲁兹分校）
AI总结 本文提出DMLR框架，通过动态潜在策略梯度优化和视觉注入策略，在潜在空间中实现视觉与文本的动态交错推理，提升多模态推理性能并保持高效推理。
Large Language Models versus Classical Machine Learning: Performance in COVID-19 Mortality Prediction Using High-Dimensional Tabular Data
大语言模型与经典机器学习：在使用高维表格数据预测新冠死亡率中的表现
机构 * Research Institute for Gastroenterology and Liver Diseases, Shahid Beheshti University of Medical Sciences（沙希德·贝赫什提医科大学胃肠病与肝病研究所） ； Faculty of Medicine, Isfahan University of Medical Sciences（伊斯法罕医科大学医学院） ； Faculty of Business and Information Technology, Ontario Tech University（安大略理工大学商业与信息技术学院） ； School of Medicine, Shahid Beheshti University of Medical Sciences（沙希德·贝赫什提医科大学医学院） ； Digestive Disease Research Institute, Tehran University of Medical Sciences（德黑兰医科大学消化疾病研究所） ； Department of Surgery, The Johns Hopkins University（约翰霍普金斯大学外科学系） ； Student Research Committee, School of Nursing and Midwifery, Shahid Beheshti University of Medical Sciences（沙希德·贝赫什提医科大学护理与助产学院学生研究委员会） ； MPH department, Shiraz University of Medical Sciences（设拉子医科大学公共卫生硕士系） ； Department of Emergency Medicine, School of Medicine, Safety Promotion and Injury Prevention Research Center, Imam Hossein Hospital, Shahid Beheshti University of Medical Sciences（沙希德·贝赫什提医科大学伊玛目侯赛因医院医学院急诊医学系安全促进与伤害预防研究中心） ； Karsh Division of Gastroenterology and Hepatology, Cedars-Sinai Medical Center（西达赛奈医疗中心卡什胃肠病与肝病科） ； Department of Medicine, Stanford University（斯坦福大学医学系） ； Division of Data Driven and Digital Health (D3M), The Charles Bronfman Institute for Personalized Medicine, Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院查尔斯·布朗夫曼个性化医学研究所数据驱动与数字健康部） ； Infectious Diseases and Tropical Medicine Research Center, Shahid Beheshti University of Medical Sciences（沙希德·贝赫什提医科大学传染病与热带医学研究中心） ； Department of Infectious Diseases, Loghman Hakim Hospital, Shahid Beheshti University of Medical Sciences（沙希德·贝赫什提医科大学洛格曼·哈基姆医院传染病科） ； National Institute for Health and Care Research (NIHR), Nottingham Biomedical Research Centre, Hearing Sciences, Mental Health and Clinical Neurosciences, School of Medicine, University of Nottingham（诺丁汉大学医学院国家健康与护理研究所诺丁汉生物医学研究中心听力科学、心理健康与临床神经科学）
AI总结 本文比较了经典特征机器学习模型与大语言模型在预测新冠死亡率中的性能，发现经典模型在处理高维表格数据方面仍占优势，但通过微调大语言模型可显著提升其效果。
Comments Code is available at: https://github.com/mohammad-gh009/Large-Language-Models-vs-Classical-Machine-learning and https://github.com/Sdamirsa/Tehran_COVID_Cohort. The datasets are available from the corresponding author on reasonable request (sdamirsa@ymail.com)
Journal ref Scientific Reports 15, 42712 (2025)
Vision-Language and Large Language Model Performance in Gastroenterology: GPT, Claude, Llama, Phi, Mistral, Gemma, and Quantized Models
视觉-语言与大语言模型在胃肠病学中的表现：GPT、Claude、Llama、Phi、Mistral、Gemma及量化模型
机构 * Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院） ； University of Texas Health（德克萨斯大学健康科学中心） ； Virginia Hospital Center（弗吉尼亚医院中心） ； Shahid Beheshti University of Medical Sciences（沙希德·贝赫什提医科大学） ； Stanford University（斯坦福大学） ； Cedars-Sinai Medical Center（西达赛奈医疗中心） ； Inova Fairfax Medical Campus（伊诺瓦费尔法克斯医疗中心） ； University of California–Los Angeles（加州大学洛杉矶分校） ； NYU Grossman School of Medicine（纽约大学格罗斯曼医学院） ； Columbia University（哥伦比亚大学）
AI总结 本研究评估了大语言模型和视觉-语言模型在胃肠病学中的医学推理性能，比较了不同模型配置、参数及提示工程策略对性能的影响，发现专有模型在准确性上优于开源模型，且图像描述对视觉-语言模型性能有显著影响。
Comments Manuscript Pages: 34, Figures: 7, Tables: 2, Supplementary File Pages: 35, Data Transparency Statement: Code is available at: https://github.com/Sdamirsa/LLM-VLM-in-Gastroenterology . Study data from American College of Gastroenterology (ACG) are restricted and available upon request with ACG permission. Correction: updated abstract considering Llama3.1 results
Journal ref npj Digital Medicine 8, 797 (2025)
On-Policy Distillation of Language Models for Autonomous Vehicle Motion Planning
语言模型在自动驾驶运动规划中的在线策略蒸馏
机构 * Stanford University（斯坦福大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of California, Santa Barbara（加州大学圣塔芭芭拉分校）
AI总结 本文研究如何将大模型的运动规划知识迁移到小模型，提出在线通用知识蒸馏方法，在nuScenes基准测试中表现优于强化学习基线，模型规模缩小5倍仍保持高性能。
ADAG: Automatically Describing Attribution Graphs
ADAG：自动描述归因图
机构 * Stanford University（斯坦福大学） ； Transluce
AI总结 ADAG通过自动化方法描述归因图，利用归因轮廓和聚类算法生成可解释的电路结构，并发现Llama 3.1 8B Instruct中的有害建议 jailbreak聚类。
Google, AI Literacy, and the Learning Sciences: Multiple Modes of Research, Industry, and Practice Partnerships
谷歌、人工智能素养与学习科学：多种研究、产业与实践伙伴关系模式
机构 * Stanford University（斯坦福大学） ； Google Research（谷歌研究） ； Raspberry Pi Foundation（树莓派基金会） ； Google DeepMind Impact Accelerator（谷歌DeepMind影响力加速器） ； Phantom LLC（Phantom有限责任公司） ； Massachusetts Institute of Technology（麻省理工学院） ； New York Jobs CEO Council（纽约就业CEO委员会） ； Digital Promise
AI总结 本文探讨谷歌在人工智能素养领域的多模式研究与产业合作，分析伙伴关系在生命周期中的交汇点、影响方向的因素及未来合作机会。
Capturing Unseen Spatial Heat Extremes Through Dependence-Aware Generative Modeling
通过依赖意识生成建模捕捉未见的空间热极值
机构 * National University of Singapore（新加坡国立大学） ； Southern University of Science and Technology（南方科技大学） ； Eastern Institute of Technology（东方理工高等研究院） ； Stanford University（斯坦福大学）
AI总结 本文提出DeepX-GAN模型，通过显式捕捉稀有极值的空间结构，模拟超出观测记录的统计合理极值，揭示未见热极值对高脆弱性国家的威胁，需空间适应性风险规划。
ChangeBridge: Spatiotemporal Image Generation with Multimodal Controls for Remote Sensing
ChangeBridge: 多模态控制下的遥感时空图像生成
机构 * State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University（武汉大学测绘遥感信息工程国家重点实验室） ； School of Computer Science and Technology, Xi’an Jiaotong University（西安交通大学计算机科学与技术学院） ； School of Computer Science, Wuhan University（武汉大学计算机学院） ； Zhongguancun Academy（中关村学院） ； Graduate School of Frontier Sciences, The University of Tokyo（东京大学新领域创成科学研究科） ； Department of Computer Science, Stanford University（斯坦福大学计算机科学系）
AI总结 本文提出ChangeBridge模型，通过多模态事件控制生成时空一致的遥感图像，解决了现有方法在跨时间变化建模上的不足，提升了土地利用规划和变化检测任务的数据生成能力。
Comments Accepted by CVPR 2026
