Stanford University（斯坦福大学）

When Youth Enter The Chat: An Epistemic Shift in the Validation of LLM-Based Measures of Student Talk

当青少年参与对话：基于大语言模型（LLM）的学生话语测量验证中的认知转变

Liliana Santos-Deonizio, James Malamut, Ramón Antonio Martínez, Dorottya Demszky

机构 * Stanford University（斯坦福大学） 纠错

AI总结 该研究针对基于LLM的学生话语测量的认知排斥问题，通过多民族志方法让青少年参与研究，发现学生解读与LLM测量存在不一致，凸显青少年参与认知过程的必要性。

Comments under review

Pre-training Visual Dexterity in Simulation

在仿真环境中预训练视觉灵巧性

Sarthak Kamat, Adam Rashid, Satvik Sharma, Aseem Doriwala, Chelsea Finn, Phillip Isola, C. Karen Liu

机构 * Stanford University（斯坦福大学） ； MIT（麻省理工学院） ； Scale AI（Scale AI公司） 纠错

AI总结 该研究提出SPD仿真预训练框架，采集75小时多任务灵巧操作数据预训练因果Transformer，经微调后在真实任务中优于从头训练的行为克隆策略，为真实世界灵巧操作提供可行预训练来源。

Comments Project page: this https URL (https://spd.bot)

Harnessing the Collective Intelligence of AI Agents in the Wild for New Discoveries

利用野外AI代理的集体智慧实现新发现

Federico Bianchi, Yongchan Kwon, Aneesh Pappu, James Zou

机构 * Together AI ； Stanford University（斯坦福大学） 纠错

AI总结 提出EinsteinArena平台，通过开放分布式环境中的自主代理交互，在数学问题中实现12项新最优结果，展示了集体AI驱动研究的范式。

Comments Updated to correct a mistake

DataSTORM: Deep Research on Large-Scale Databases using Exploratory Data Analysis and Data Storytelling

DataSTORM：利用探索性数据分析和数据叙事进行大规模数据库的深度研究

Shicheng Liu, Yucheng Jiang, Sajid Farook, Camila Nicollier Sanchez, David Fernando Castro Pena, Monica S. Lam

机构 * Computer Science Department, Stanford University（斯坦福大学计算机科学系） 纠错

AI总结 DataSTORM通过探索性数据分析和数据叙事，实现对大规模结构化数据库的深度研究，提出基于论点的分析流程，并在InsightBench上取得新的最佳成绩。

Comments COLM 2026

A Very Big Video Reasoning Suite

一个非常大的视频推理套件

Maijunxian Wang, Ruisi Wang, Juyi Lin, Ran Ji, Thaddäus Wiedemer, Qingying Gao, Dezhi Luo, Yaoyao Qian, Lianyu Huang, Zelong Hong, Jiahui Ge, Qianli Ma, Hang He, Yifan Zhou, Lingzi Guo, Lantao Mei, Jiachen Li, Hanwen Xing, Tianqi Zhao, Fengyuan Yu, Weihang Xiao, Yizheng Jiao, Jianheng Hou, Danyang Zhang, Pengcheng Xu, Boyang Zhong, Zehong Zhao, Gaoyun Fang, John Kitaoka, Yile Xu, Hua Xu, Kenton Blacutt, Tin Nguyen, Siyuan Song, Haoran Sun, Shaoyue Wen, Linyang He, Runming Wang, Yanzhi Wang, Mengyue Yang, Ziqiao Ma, Raphaël Millière, Freda Shi, Nuno Vasconcelos, Daniel Khashabi, Alan Yuille, Yilun Du, Ziming Liu, Bo Li, Dahua Lin, Ziwei Liu, Vikash Kumar, Yijiang Li, Lei Yang, Zhongang Cai, Hokin Deng

机构 * University of California, Berkeley（加州大学伯克利分校） ； Nanyang Technological University（南洋理工大学） ； Northeastern University（东北大学） ； University of Tübingen（图宾根大学） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Michigan（密歇根大学） ； University of Southern California（南加州大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； Shanghai Jiao Tong University（上海交通大学） ； East China Normal University（华东师范大学） ； Stanford University（斯坦福大学） ； University of Texas at Austin（得克萨斯大学奥斯汀分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Cornell University（康奈尔大学） ； San Jose State University（圣何塞州立大学） ； University of California, Irvine（加州大学尔湾分校） ； Technical University of Munich（慕尼黑技术大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； Imperial College London（伦敦帝国学院） ； University of Wisconsin--Madison（威斯康星大学麦迪逊分校） ； University of Edinburgh（爱丁堡大学） ； Hong Kong University of Science（香港科学大学） ； New York University（纽约大学） ； Auburn University（阿伯丁大学） ； Columbia University（哥伦比亚大学） ； University of Bristol（布里斯托大学） ； University of Waterloo（滑铁卢大学） ； The Chinese University of Hong Kong（香港中文大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Oxford（牛津大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） 纠错

AI总结 VBVR数据集和评估框架旨在解决视频推理能力研究中的大规模数据缺乏问题，通过大规模实验观察到对未见任务的泛化能力。

Comments Homepage: this https URL (https://video-reason.com/?v=vbvr)

The Principles of Diffusion Models

扩散模型的原理

Chieh-Hsin Lai, Yang Song, Dongjun Kim, Yuki Mitsufuji, Stefano Ermon

机构 * MIT Press（MIT出版社） ； Sony AI（索尼人工智能） ； OpenAI（开放人工智能） ； Stanford University（斯坦福大学） ； Sony Group Corporation（索尼集团） 纠错

AI总结 本文从变分、基于分数和基于流三种视角统一阐述扩散模型的数学原理，并讨论可控生成、高效求解器和流映射模型等扩展。

Comments Supplementary materials for the book are available at the book website: this https URL (https://the-principles-of-diffusion-models.github.io/)

Are Large Language Models Effective Knowledge Graph Constructors?

大型语言模型是高效的知识图谱构建者吗？

Ruirui Chen, Weifeng Jiang, Chengwei Qin, Bo Xiong, Kaiwen Wei, Fiona Liausvia, Pei Fang Tan, Ker Yung Chua, Dongkyu Choi, Mukkesh Kumar, Evelyn C. Law, Dennis Wang, Boon Kiat Quek

机构 * Institute of High Performance Computing (IHPC), Agency for Science, Technology and Research (A*STAR), Singapore（高性能计算研究所（IHPC），科技研究局（A*STAR），新加坡） ； Nanyang Technological University, Singapore（南洋理工大学，新加坡） ； Hong Kong University of Science and Technology (Guangzhou), China（香港科技大学（广州），中国） ； Stanford University, United States（斯坦福大学，美国） 纠错

AI总结 该研究提出D2A-HKG框架，用7个前沿LLMs在CMW-Lit数据集上基准测试零样本KG构建，发现SOTA LLMs可生成相关三元组但阶段行为有差异，还发布了CMW-Lit及生成KG作为研究资源。