高校专区
用于高效测试时缩放的前缀滑动
机构 * Stanford University（斯坦福大学） ； University of California at Santa Barbara（加州大学圣巴巴拉分校） ； Prime Intellect ； University of Washington（华盛顿大学）
AI总结 针对测试时推理内存成本过高问题，提出Prefix Sliding方法，通过丢弃非关键标记限制内存，无需训练可提速3倍，结合强化学习训练后性能更优且优于其他基线
Comments 28 pages (9 main), 22 figures, 3 tables
视觉通用智能：白皮书
机构 * National Institute of Advanced Industrial Science and Technology (AIST)（日本国立先进工业科学技术研究所（AIST）） ； Visual Geometry Group (VGG), University of Oxford（牛津大学视觉几何组（VGG）） ； CADDi（CADDi公司） ； OpenAI（OpenAI公司） ； University of Cambridge（剑桥大学） ； University of Technology Nuremberg（纽伦堡工业大学） ； University of Tsukuba（筑波大学） ； Google DeepMind（谷歌DeepMind） ； Carnegie Mellon University（卡内基梅隆大学） ； New York University（纽约大学） ； Imperial College London（伦敦帝国学院） ； Harvard University（哈佛大学） ； Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学）
AI总结 本文以视觉为中心探讨通用人工智能（AGI）路径，提出视觉通用智能（VGI）概念，明确AGI时代计算机视觉的发展原则、模态、基准等关键方向。
你的AI智能体能更便宜吗？探究智能体编码任务中任务规格对token消耗的影响
机构 * Stanford University（斯坦福大学）
AI总结 本文以Kimi K3模型为对象，探究智能体编码任务中任务规格对token消耗的影响，发现简化任务规格会提升token消耗，拟合的预测器可较优地预测token消耗，为评估AI编码工作流成本提供方法。
信任海量：KV缓存驱逐中的强制权重
机构 * Stanford University（斯坦福大学）
AI总结 该研究针对KV缓存驱逐规则，通过分析168192个注意力行的最优子集情况，提出无需训练的分配器ContourKV，其在配对比较中表现优于多数现有技术，且与最强基线持平。
FLARE：基于大语言模型定理证明的MILP重构验证方法
机构 * Stanford University（斯坦福大学）
AI总结 本文提出FLARE方法，结合LLM智能体与Lean证明助手验证MILP重构，在FormulationBench的NP-难子集达100%准确率，还提出无需证书的FLARE-NL，为自动化优化建模提供可靠验证。
对撞机实验中可解释异常检测的对比学习
机构 * Stanford University（斯坦福大学） ； SLAC National Accelerator Laboratory（SLAC国家加速器实验室）
AI总结 本研究针对对撞机异常检测的可解释性与能量依赖问题，提出ORCA两阶段框架，通过对比学习结合自编码器实现更优的信号灵敏度与可解释性，为对撞机异常搜索提供新途径。
鸽笼效应：不良提示导致模型崩溃和犯错
机构 * Stanford University（斯坦福大学） ； University of Washington（华盛顿大学）
AI总结 研究不良上下文导致大语言模型性能下降和模式崩溃的“鸽笼效应”，发现重复错误答案、收敛于狭窄答案集等问题，并提出RLVR合成错误缓解方法。
Comments EMNLP 2026 (Findings)
临床导向的医学语言模型隐私评估
机构 * Stanford University（斯坦福大学） ； Massachusetts Institute of Technology（麻省理工学院） ； American Board of Family Medicine（家庭医学认证委员会）
AI总结 提出临床导向框架，按对抗访问等级评估医学语言模型隐私泄露，发现常规元数据可导致高比率逐字记忆和敏感诊断恢复，但部分记忆源于模板化文档。
通过强化LLM进化搜索获得Zarankiewicz数的新界
机构 * Massachusetts Institute of Technology（麻省理工学院） ； ETH Zürich（苏黎世联邦理工学院） ； Stanford University（斯坦福大学）
AI总结 本文首次确定三个Zarankiewicz数的精确值，并通过强化LLM进化搜索方法为41个数建立下界，展示了LLM引导的进化搜索在数学研究中的潜力。
Comments *Jay Bhan and Nicole Nobili contributed equally to this work as first authors, and their order was determined via coin flip
通过直接偏好优化减轻LLM对虚假社会情境的偏见
机构 * Stanford University（斯坦福大学）
AI总结 本文研究了LLM对虚假社会情境的鲁棒性，提出Debiasing-DPO方法，通过自监督训练和监督微调减少偏见并提升预测准确性。
Comments COLM 2026, main text 10 pages
跨领域迁移与粒子物理基础模型：从喷注到中微子相互作用
机构 * Department of Physics, Stanford University（斯坦福大学物理系） ； Nagoya University, Kobayashi-Maskawa Institute（名古屋大学滨坂-马萨卡瓦研究所） ； Fundamental Physics Directorate, SLAC National Accelerator Laboratory（SLAC国家加速器实验室基础物理部门） ； Lawrence Berkeley National Laboratory（伯克利国家实验室）
AI总结 本文探讨了基于粒子物理基础模型的跨领域迁移能力，通过在中微子实验中实现能量回归和分类任务，验证了预训练模型在不同能量尺度和探测器技术下的泛化能力。
Comments 18 pages, 13 figures
潜在链式思维世界建模用于端到端驾驶
机构 * UT Austin（得克萨斯大学奥斯汀分校） ； NVIDIA（英伟达） ； Stanford University（斯坦福大学）
AI总结 本文提出Latent-CoT-Drive模型，通过潜在语言整合链式思维推理与决策，提升驾驶性能与安全性，实现更快推理和更优轨迹质量。
Comments Accepted to CVPR 2026
测试时强化学习的工具验证
机构 * Ludwig-Maximilians-University of Munich（慕尼黑路德维希-马克西米利安大学） ； Stanford University（斯坦福大学）
AI总结 T^3RL通过引入测试时工具验证机制，提升测试时强化学习在复杂问题上的表现，减少错误模式崩溃风险。
Comments 12 pages, 11 figures; Code: this https URL (https://github.com/mayhugotong/T3RL)
学习总结用户信息以实现基于人类反馈的个性化强化学习
机构 * Stanford University（斯坦福大学） ； University of Washington（华盛顿大学） ； DoorDash ； Microsoft Research Asia（微软亚洲研究院）
AI总结 PLUS通过学习用户信息摘要实现个性化强化学习，提升奖励模型准确性并实现零样本个性化。
Comments ICLR 2026; 10 pages for main text
通过LLM后训练实现Netflix作品个性化
机构 * Stanford University（斯坦福大学）
AI总结 通过LLM后训练实现Netflix作品个性化推荐，提升用户满意度和参与度。
Comments Pluralistic Alignment @ ICML 2026 Workshop; 6 pages
IDEAlign：将大语言模型的想法与领域专家进行比较
机构 * Stanford University（斯坦福大学）
AI总结 本研究提出IDEAlign方法，通过“挑出异类”任务评估LLM标注与专家标注的想法层面相似性，发现LLM作为评判者表现最佳但仍不及专家，为开放式LLM标注评估提供了可复用的基准测试协议。
Comments EACL 2026
生成式建模：综述
机构 * Stanford University, Graduate School of Business（斯坦福大学商学院） ； Chicago Booth（芝加哥商学院） ； George Mason University（乔治·马歇尔大学）
AI总结 本综述围绕三类生成器组织生成式建模文献，提出生成式贝叶斯计算方法，在埃博拉传播应用中验证其能低成本恢复准确后验，性能优于同类方法。
Comments arXiv admin note: substantial text overlap with arXiv:2305.14972 (https://arxiv.org/abs/2305.14972)
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈