Stanford University（斯坦福大学）

Case-Specific Rubrics for Clinical AI Evaluation: Methodology, Validation, and LLM-Clinician Agreement Across 823 Encounters

针对具体病例的评估量表：方法、验证及LLM与医生一致性的823次病例研究

Aaryan Shah, Andrew Hines, Alexia Downs, Denis Bajet, Paulius Mui, Fabiano Araujo, Laura Offutt, Aida Rutledge, Elizabeth Jimenez

机构 * Canvas Medical ； Department of Biomedical Data Science, Stanford University（斯坦福大学生物医学数据科学系） ； XPC (X Primary Care)（XPC（X初级保健）） ； FCA Consulting（FCA咨询） ； Department of Pediatrics, University of Nevada, Reno, NV, USA（内华达大学拉斯维加斯分校儿科系） 纠错

AI总结 本文提出针对具体病例的评估量表方法，验证了LLM生成的量表在医生一致性上的有效性，展示了在823次病例中医生与LLM的一致性提升。

Comments 14 pages, 2 figures, 3 tables, submitted to JAMIA

MUSIC: Learning Muscle-Driven Dexterous Hand Control

MUSIC: 学习肌肉驱动的灵巧手控制

Pei Xu, Yufei Ye, Shuchun Sun, Yu Ding, Elizabeth Schumann, C. Karen Liu

机构 * Stanford University（斯坦福大学） ； Clemson University（克莱姆森大学） 纠错

AI总结 本文提出一种数据驱动的方法，用于基于物理的肌肉驱动灵巧控制，使肌骨系统手部能精准演奏新音乐作品。通过结合高频肌肉层面控制与低频潜在空间协调，实现双臂动作的高精度合成。

Comments Website: https://pei-xu.github.io/music

Cooptimizing Safety and Performance Using Safety Value-Constrained Model Predictive Control

通过安全价值约束模型预测控制优化安全与性能

Hao Wang, Nam Nguyen, Armand Jordana, Ludovic Righetti, Somil Bansal

机构 * Ming Hsieh Department of Electrical and Computer Engineering, University of Southern California（南加州大学明希德电气与计算机工程系） ； Department of Aeronautics and Astronautics, Stanford University（斯坦福大学航空与航天系） ； Electrical and Computer Engineering Department, New York University（纽约大学电气与计算机工程系） 纠错

AI总结 本文提出基于安全价值函数的终端约束MPC方法，实现安全与性能的协同优化，通过仿真和硬件实验验证了其在约束满足和鲁棒性方面的改进。

FunRec: Reconstructing Functional 3D Scenes from Egocentric Interaction Videos

FunRec：从第一人称交互视频重建功能3D场景

Alexandros Delitzas, Chenyangguang Zhang, Alexey Gavryushin, Tommaso Di Mario, Boyang Sun, Rishabh Dabral, Leonidas Guibas, Christian Theobalt, Marc Pollefeys, Francis Engelmann, Daniel Barath

机构 * ETH Zurich（苏黎世联邦理工学院） ； Max Planck Institute for Informatics（马克斯·普朗克研究所（信息学）） ； Stanford University（斯坦福大学） ； Microsoft（微软） ； USI Lugano（USI卢加诺） 纠错

AI总结 FunRec通过直接从第一人称RGB-D交互视频重建室内场景的3D数字双胞胎，实现了无需控制环境或多状态采集的交互式3D场景重建，提升了部分分割和重建精度。

Comments CVPR 2026. Project page: https://functionalscenes.github.io

Shuffle and Joint Differential Privacy for Generalized Linear Contextual Bandits

洗牌与联合差分隐私用于广义线性上下文老虎机

Sahasrajit Sarmasarkar

机构 * Stanford University（斯坦福大学） 纠错

AI总结 本文提出在洗牌差分隐私和联合差分隐私下，针对广义线性上下文老虎机的首个算法，解决了无闭式估计器、多变化设计矩阵隐私追踪及优化误差分析等挑战。

Using Language Models as Closed-Loop High-Level Planners for Robotics Applications: A Brief Overview and Benchmarks

利用语言模型作为闭环高层规划器用于机器人应用：简要概述与基准测试

Hao Wang, Sathwik Karnik, Bea Lim, Somil Bansal

机构 * Ming Hsieh Department of Electrical and Computer Engineering, University of Southern California（南加州大学明希德电气与计算机工程系） ； Department of Aeronautics and Astronautics, Stanford University（斯坦福大学航空航天工程系） ； Department of Mechanical Engineering, Stanford University（斯坦福大学机械工程系） 纠错

AI总结 本文研究了语言模型在机器人闭环高层规划中的应用，探讨了控制时间跨度和预热启动对性能的影响，并通过实验提供改进建议。

Polychromic Objectives for Reinforcement Learning

多色目标用于强化学习

Jubayer Ibn Hamid, Ifdita Hasan Orney, Ellen Xu, Chelsea Finn, Dorsa Sadigh

机构 * Stanford University（斯坦福大学） 纠错

AI总结 本文提出多色目标用于强化学习，通过强制探索和多样化生成来改进预训练策略，实验表明在多个任务中提升了成功率和泛化能力。

SARM: Stage-Aware Reward Modeling for Long Horizon Robot Manipulation

SARM：面向长时间 horizon 的机器人操控阶段感知奖励建模

Qianzhong Chen, Justin Yu, Mac Schwager, Pieter Abbeel, Yide Shentu, Philipp Wu

机构 * Stanford University（斯坦福大学） ； UC Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出一种基于视频的阶段感知奖励建模框架，通过自然语言子任务标注实现一致标签，提升长horizon任务的鲁棒性和泛化能力，实验表明其在真实世界和人类验证中表现优异。

The Surprising Effectiveness of Membership Inference with Simple N-Gram Coverage

基于简单n-gram覆盖的成员推断的惊人效果

Skyler Hallinan, Jaehun Jung, Melanie Sclar, Ximing Lu, Abhilasha Ravichander, Sahana Ramnath, Yejin Choi, Sai Praneeth Karimireddy, Niloofar Mireshghallah, Xiang Ren

机构 * University of Southern California（南加州大学） ； University of Washington（华盛顿大学） ； Stanford University（斯坦福大学） 纠错

AI总结 本文提出基于文本输出的成员推断攻击，通过n-gram重叠度评估模型生成文本与真实后缀的相似性，验证了其在黑盒模型上的有效性，并发现攻击成功率随计算预算增加而提升。

Comments CoLM 2025. v2: update citation

Ulterior Motives: Detecting Misaligned Reasoning in Continuous Thought Models

隐秘动机：在连续思维模型中检测不一致的推理

Sharan Ramjee

机构 * Stanford University（斯坦福大学） 纠错

AI总结 本文研究了连续思维模型中如何检测不一致的推理，提出MoralChain基准测试，并通过双触发方法训练模型，揭示了潜在空间中不一致推理的存在及早期规划阶段的安全监控重要性。

Comments 15 pages with 2 figures

Journal ref International Conference on Learning Representations (ICLR) Latent & Implicit Thinking (LIT) Workshop 2026

V-GRPO: Online Reinforcement Learning for Denoising Generative Models Is Easier than You Think

V-GRPO：去噪生成模型的在线强化学习比你想象的更容易

Bingda Tang, Yuhui Zhang, Xiaohan Wang, Jiayuan Mao, Ludwig Schmidt, Serena Yeung-Levy

机构 * Stanford University（斯坦福大学） ； Tsinghua University（清华大学） ； Amazon FAR（亚马逊FAR） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 本文提出V-GRPO方法，通过结合ELBO近似与GRPO算法，实现稳定高效的去噪生成模型在线强化学习，优于传统MDP方法，在文本到图像合成中取得最佳性能。

Cooperative Informative Sensing for Monitoring Dynamic Indoor Environments via Multi-Agent Reinforcement Learning

通过多智能体强化学习进行协作信息感知以监控动态室内环境

Kanghoon Lee, Matthew M. Sato, Jinnyeong Yang, Seungro Lee, Sujin Lee, Jiachen Li, Kuk-Jin Yoon, Jinkyoo Park, Kincho H. Law, Yoonjin Yoon

机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院） ； Stanford University（斯坦福大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of California, Riverside（加州大学河滨分校） 纠错

AI总结 本文提出利用多智能体强化学习进行协作信息感知，以提高动态室内环境监控的准确性，优于传统覆盖和学习无关的多机器人方法。

Comments 8 pages, 10 figures, 2 tables

A satellite foundation model for improved wealth monitoring

一种用于改进财富监测的卫星基础模型

Zhuo Zheng, Iván Higuera-Mendieta, Richard Lee, David Newhouse, Talip Kilic, Stefano Ermon, Marshall Burke, David B. Lobell

机构 * Department of Computer Science, Stanford University（斯坦福大学计算机科学系） ； Department of Earth System Science, Stanford University（斯坦福大学地球系统科学系） ； Center on Food Security and the Environment, Stanford University（斯坦福大学食品安全与环境中心） ； Development Economics Data Group, World Bank Group（世界银行发展经济学数据组） ； Department of Environmental Social Science, Stanford University（斯坦福大学环境社会科学系） 纠错

AI总结 本文提出Tempov模型，通过自监督学习预训练并高效微调，实现大规模高精度财富映射与动态监测，减少对昂贵标签的依赖，并在非洲大陆层面取得良好性能。

Comments 22 pages, 10 figures, technical report

Breaking Lock-In: Preserving Steerability under Low-Data VLA Post-Training

打破锁定：在低数据VLA后训练中保持可引导性

Suning Huang, Jiaqi Shao, Ke Wang, Qianzhong Chen, Jiankai Sun, Yanjiang Guo, Mac Schwager, Jeannette Bohg

机构 * Stanford University（斯坦福大学） 纠错

AI总结 本文提出DeLock方法，通过保留视觉 grounding 和测试时对比提示指导，解决VLA策略在低数据后训练中因过度专业化导致的概念和空间锁定问题，实验证明其优于现有基线方法。

CheXmix: Unified Generative Pretraining for Vision Language Models in Medical Imaging

CheXmix：用于医学影像的统一生成预训练

Ashwin Kumar, Robbie Holland, Corey Barrett, Jangwon Kim, Maya Varma, Zhihong Chen, Yunhe Gao, Greg Zaharchuk, Tara Taghavi, Krishnaram Kenthapadi, Akshay Chaudhari

机构 * Stanford AIMI, Stanford University（斯坦福大学AIMI研究所，斯坦福大学） ； Oracle Health AI（Oracle健康AI） ； Department of Radiology, Stanford University（斯坦福大学放射科） 纠错

AI总结 CheXmix通过统一早融合生成方法，在医学影像中实现更精确的联合表征学习，优于现有生成模型，在多个任务上表现突出。

Comments CVPR Findings (2026)

RecoverFormer: End-to-End Contact-Aware Recovery for Humanoid Robots

RecoverFormer: 末端执行器感知的人形机器人恢复控制

Zihui Liu

机构 * Stanford University（斯坦福大学） 纠错

AI总结 本文提出RecoverFormer，一种端到端的人形机器人恢复策略，通过学习切换恢复行为（如补偿步态、手-环境接触、质心重塑）实现鲁棒恢复，验证了其在多种扰动条件下的泛化能力。

CoFi-PGMA: Counterfactual Policy Gradients under Filtered Feedback for Multi-Agent LLMs

CoFi-PGMA：在多智能体LLM中基于过滤反馈的反事实策略梯度

Stela Tong, Elai Ben-Gal

机构 * Stanford Graduate School of Business（斯坦福商学院） ； Stanford University（斯坦福大学） ； Department of Mathematics（数学系） 纠错

AI总结 针对多智能体LLM中过滤反馈导致的RLHF目标不准确问题，提出CoFi-PGMA框架，通过边际贡献反事实目标修正路由和协作机制下的学习信号，并提供实用训练算法和实证研究。

Comments 17 pages, 0 figures

SMP: Reusable Score-Matching Motion Priors for Physics-Based Character Control

SMP：基于物理的字符控制的可重用评分匹配运动先验

Yuxuan Mu, Ziyu Zhang, Yi Shi, Dun Yang, Minami Matsumoto, Kotaro Imamura, Guy Tevet, Chuan Guo, Michael Taylor, Chang Shu, Pengcheng Xi, Xue Bin Peng

机构 * Simon Fraser University（西蒙 Fraser大学） ； Stanford University（斯坦福大学） ； Snap Inc.（Snap公司） ； National Research Council Canada（加拿大国家研究理事会） ； NVIDIA（NVIDIA公司） 纠错

AI总结 本文提出SMP，利用预训练的运动扩散模型和评分蒸馏采样生成可重用的运动先验，适用于多种任务，能合成新风格并产生高质量动作。

Comments To appear in ACM Transactions on Graphics (SIGGRAPH 2026)

Resolution scaling governs DINOv3 transfer performance in chest radiograph classification

分辨率缩放决定了DINOv3在胸部X光分类中的转移性能

Soroosh Tayebi Arasteh, Mina Shaigan, Christiane Kuhl, Jakob Nikolas Kather, Sven Nebelung, Daniel Truhn

机构 * Lab for AI in Medicine, RWTH Aachen University（人工智能医学实验室，亚琛工业大学） ； Department of Diagnostic and Interventional Radiology, University Hospital RWTH Aachen（诊断与介入放射学部门，亚琛大学医院） ； Department of Urology, Stanford University（泌尿科，斯坦福大学） ； Department of Radiology, Stanford University（放射科，斯坦福大学） ； Institute for Computational Genomics, Joint Research Center for Computational Biomedicine, University Hospital RWTH Aachen（计算基因组研究所，计算生物医学联合研究中心，亚琛大学医院） ； Else Kroener Fresenius Center for Digital Health, Technical University Dresden（数字健康中心，德累斯顿技术大学） ； Department of Medicine I, University Hospital Dresden（第一医学部，德累斯顿大学医院） ； National Center for Tumor Diseases (NCT), University Hospital Heidelberg（肿瘤疾病国家中心（NCT），海德堡大学医院） 纠错

AI总结 本文评估了DINOv3在胸部X光分类中的性能，发现其在512x512像素下表现最佳，尤其在ConvNeXt-B模型中，但高分辨率1024x1024并未带来显著提升，反而增加计算成本。

PoseX: AI Defeats Physics Approaches on Protein-Ligand Cross Docking

PoseX：人工智能击败物理方法在蛋白质-配体交叉对接

Yize Jiang, Xinze Li, Yuanyuan Zhang, Jin Han, Youjun Xu, Ayush Pandit, Zaixi Zhang, Mengdi Wang, Mengyang Wang, Minjie Shen, Guang Yang, Yejin Choi, Wu-Jun Li, Tianfan Fu, Fang Wu, Junhong Liu

机构 * Microcyto ； Purdue University（普渡大学） ； State Key Laboratory for Novel Software Technology at Nanjing University（南京大学新型软件技术国家重点实验室） ； Anew Therapeutics ； Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学） ； Peking University（北京大学） ； Virginia Tech（弗吉尼亚理工大学） ； Imperial College London（伦敦帝国理工学院） 纠错

AI总结 PoseX设计了一个开放源代码的基准测试，评估自我对接和交叉对接，通过23种方法和718/1312个数据集，发现AI方法在对接成功率上优于物理方法，并通过放松方法和结合口袋信息提升性能。