Stanford University（斯坦福大学）

CLEAR: Continuous Latent Adapter Routing for Utility-Preserving LLM Safety Alignment

CLEAR：用于保持效用的大语言模型安全对齐的连续潜在适配器路由

Chengxiao Wang, Enyi Jiang, Xiaojing Liao, Sanmi Koyejo

机构 * Stanford University（斯坦福大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Siebel School of Computing and Data Science, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校西贝尔计算与数据科学学院） ； Computer Science, Stanford University（斯坦福大学计算机科学系） 纠错

AI总结 本研究提出CLEAR框架，通过轻量型隐藏状态门控控制安全低秩适配器的激活强度，在降低LLM有害输出的同时，减少了全局安全调优带来的效用损失，实现了安全与效用的更好平衡。

ConceptTS: LLM-Guided Concept Bottlenecks for Interpretable Multivariate Time-Series Forecasting

ConceptTS：用于可解释多变量时间序列预测的大语言模型引导概念瓶颈

Yichen Jiang, Yueqiao Chen, Dongyu Liu

机构 * Stanford University（斯坦福大学） ； University of California, Davis（加州大学戴维斯分校） 纠错

AI总结 ConceptTS是围绕人类可理解概念的可解释多变量时间序列预测框架，利用大语言模型生成概念与标注规则，在空气质量数据集上达到与黑箱基线相当的准确率，且决策过程可解释。

Self-Supervised Speech Representations Track Spoken Language Convergence to Adult Models in Infants and Children Who Are Deaf/Hard-of-Hearing

自监督语音表征追踪聋/弱听婴幼儿向成人模型的口语语言收敛过程

L. Choy, A. S. Khan, S. Patrizi, D. Ye, J. Gross, M. Cychosz

机构 * Stanford University（斯坦福大学） 纠错

AI总结 本研究利用HuBERT-BASE提取的语音嵌入，发现聋/弱听儿童与照料者的嵌入距离随听觉年龄减小，且该距离与言语语言标准化测量相关，为口语发展评估提供了可扩展的语言无关路径。

Comments 10 pages, 5 figures, 2026 ACL CDL Workshop

ImmigrationReason: A Structured Dataset of U.S. Immigration Appeals for Legal Reasoning Research

ImmigrationReason：面向法律推理研究的美国移民上诉结构化数据集

Amirhossein Afsharrad, Seyed Shahabeddin Mousavi

机构 * Stanford University（斯坦福大学） 纠错

AI总结 本研究推出ImmigrationReason大规模结构化数据集，涵盖美国移民上诉裁决相关数据，可支撑法律推理领域的结果预测、错误分析及高风险监管智能体设计等研究方向。

An ambiguity taxonomy for evaluating large language model performance on clinical registry abstraction: a multi-site prospective study

用于评估大型语言模型在临床登记处抽象任务中性能的歧义分类：一项多中心前瞻性研究

James Matheson, Betsy Castillo, Andrew Y. Shin, David Scheinker

机构 * Carta Healthcare（卡塔医疗） ； Stanford University School of Medicine（斯坦福大学医学院） 纠错

AI总结 本多中心前瞻性研究评估LLM在临床登记处抽象任务中的性能，发现其准确率远低于人类抽象人员，且随问题歧义度和临床推理要求升高而降低。

MeshFlow: Mesh Generation with Equivariant Flow Matching

MeshFlow: 基于等变流匹配的网格生成

Qi Sun, Kiyohiro Nakayama, Jing Nathan Yan, Qixing Huang, Alexander Rush, Leonidas Guibas, Gordon Wetzstein, Jing Liao, Guandao Yang

机构 * City University of Hong Kong（香港城市大学） ； Stanford University（斯坦福大学） ； The University of Texas, Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 提出MeshFlow，利用等变最优传输流匹配模型直接生成三角网格，避免序列化，通过改进扩散变压器架构实现等变性，推理速度提升约18倍。

Comments SIGGRAPH 2026

INFUSER: Influence-Guided Self-Evolution Improves Reasoning

INFUSER: 影响力引导的自我进化提升推理能力

Siyu Chen, Miao Lu, Beining Wu, Heejune Sheen, Fengzhuo Zhang, Shuangning Li, Zhiyuan Li, Jose Blanchet, Tianhao Wang, Zhuoran Yang

机构 * Yale University（耶鲁大学） ； Stanford University（斯坦福大学） ； University of Chicago（芝加哥大学） ； Toyota Technological Institute at Chicago（芝加哥丰田技术研究所） ； University of California, San Diego（圣地亚哥大学） 纠错

AI总结 提出INFUSER框架，通过生成器与求解器的协同进化，利用影响力分数和DuGRPO优化，从文档池中自适应生成训练数据，显著提升模型推理性能。

Comments 67 pages, 17 figures