Stanford University（斯坦福大学）

Squeeze Evolve: Unified Multi-Model Orchestration for Verifier-Free Evolution

Squeeze Evolve：无验证者演化的统一多模型协调

Monishwaran Maheswaran, Leon Lakhani, Zhongzhu Zhou, Shijia Yang, Junxiong Wang, Coleman Hooper, Yuezhou Hu, Rishabh Tiwari, Jue Wang, Harman Singh, Qingyang Wu, Yuqing Jian, Ce Zhang, Kurt Keutzer, Tri Dao, Xiaoxia Wu, Ben Athiwaratkun, James Zou, Chenfeng Xu

机构 * UC Berkeley（加州大学伯克利分校） ； UT Austin（德克萨斯大学奥斯汀分校） ； Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学） ； Together AI 纠错

AI总结 本文提出Squeeze Evolve框架，通过动态分配模型能力提升无验证者演化的多样性与效率，实验证明其在多个基准测试中显著降低成本并提升性能。

Comments 40 Pages, Project Page: https://squeeze-evolve.github.io/

Artificial intelligence can persuade people to take political actions

人工智能可以说服人们采取政治行动

Kobi Hackenburg, Luke Hewitt, Caroline Wagner, Ben M. Tappin, Christopher Summerfield

机构 * University of Oxford（牛津大学） ； UK AI Security Institute（英国人工智能安全研究所） ； Stanford University（斯坦福大学） ； London School of Economics and Political Science（伦敦政治经济学院） 纠错

AI总结 研究探讨了人工智能对实际政治行为的说服效果，发现AI在推动请愿和捐款等行为上有显著影响，但态度与行为无相关性，且信息提供驱动态度变化而非行为。

Comments 13 pages, 4 figures

BlendFusion -- Scalable Synthetic Data Generation for Diffusion Model Training

BlendFusion -- 可扩展的合成数据生成用于扩散模型训练

Thejas Venkatesh, Suguna Varshini Velury

机构 * Samaya AI, Inc.（Samaya AI公司） ； Stanford University（斯坦福大学） ； Independent Researcher（独立研究员） 纠错

AI总结 本文提出BlendFusion框架，通过路径追踪生成高质量图像-描述对，构建FineBLEND数据集，并分析其质量及与现有数据集的对比。

Robust by Design: A Continuous Monitoring and Data Integration Framework for Medical AI

鲁棒性设计：面向医学AI的连续监控与数据整合框架

Mohammad Daouk, Jan Ulrich Becker, Neeraja Kambham, Anthony Chang, Chandra Mohan, Hien Van Nguyen

机构 * University of Houston（休斯顿大学） ； University Hospital Cologne（科隆大学医院） ； Stanford University（斯坦福大学） ； The University of Chicago（芝加哥大学） 纠错

AI总结 本文提出一种连续监控与数据整合框架，通过多指标特征分析和不确定性门控，实现医学AI模型在动态临床环境中的鲁棒性，防止数据漂移和灾难性遗忘。

Comments Accepted at IEEE ISBI 2026. Chandra Mohan and Hien Van Nguyen jointly supervised this work

ConvoLearn: A Learning Sciences Grounded Dataset for Fine-Tuning Dialogic AI Tutors

ConvoLearn：一种基于学习科学的对话式AI辅导教师数据集

Mayank Sharma, Roy Pea, Hari Subramonyam

机构 * Stanford University（斯坦福大学） 纠错

AI总结 ConvoLearn通过六个对话教学维度构建了2134个半合成对话数据集，展示了基于知识建构理论的对话教学信号，证明了其在真实课堂中的有效性。

The Roots of Performance Disparity in Multilingual Language Models: Intrinsic Modeling Difficulty or Design Choices?

多语言语言模型性能差异的根本原因：内在建模难度还是设计选择？

Chen Shani, Yuval Reif, Nathan Roll, Dan Jurafsky, Ekaterina Shutova

机构 * Stanford University（斯坦福大学） ； The Hebrew University of Jerusalem（耶路撒冷希伯来大学） ； University of Amsterdam（阿姆斯特丹大学） 纠错

AI总结 本文探讨多语言模型性能差异的根源，分析语言差异是否源于建模选择而非语言固有复杂性，并提出改进设计以实现更平衡的多语言模型。