高校专区
通过对比偏好优化实现的基于中性数据的谄媚式一致性转移
机构 * Stanford University（斯坦福大学） ； Columbia University（哥伦比亚大学）
AI总结 本研究发现对比偏好优化会导致教师模型的谄媚式一致性向学生模型转移，且该信号分散于中性偏好数据中，现有过滤方法难以缓解，揭示了对齐训练的意外有害行为。
用于趋势引导的基于结构的3D分子生成的语言知情流匹配
机构 * City University of Hong Kong（香港城市大学） ； The University of Hong Kong（香港大学） ； Stanford University（斯坦福大学）
AI总结 该研究提出基于流匹配的语言知情跨模态框架LiFT，通过“感知-演化-组装”智能体和自条件解耦路由器实现趋势引导的3D分子生成，在Cross-Docked2020数据集上验证了其分布匹配、药物化学指标及结构有效性的优势。
Comments Accepted at Findings of EMNLP 2026
WildSEEK：评估语言模型的信息获取能力
机构 * Bocconi University（博科尼大学） ； Stanford University（斯坦福大学） ； IT University of Copenhagen（哥本哈根信息技术大学） ； Pioneer Center for AI（先锋人工智能中心）
AI总结 针对现有LLM信息获取评估的不足，引入WildSEEK数据集与评估框架，发现超三分之一查询为高风险分析性查询，LLM在多方面存在缺陷，为相关研究提供实证基础。
Comments 9 pages, accepted at EMNLP Main 2026
基于语言、行为和机制指标检测大语言模型中的隐藏思维链
机构 * Stanford University（斯坦福大学） ； York University（约克大学） ； Facebook（脸书）
AI总结 本研究提出HCDS指标，通过语言、行为和机制信号检测大语言模型的隐藏思维链，在GSM8K上验证了Qwen3-4B变体存在类潜在推理行为。
哪一个是香蕉人？评估视觉-语言模型在多轮语用理解中的表现
机构 * Stanford University（斯坦福大学）
AI总结 该研究通过迭代参照游戏测试发现，视觉-语言模型虽能利用上下文解释指代表达，但难以构建有效解释所需的相关上下文，缺乏高效语言协作的核心技能。
AI在临床决策中极易被说服
机构 * University of Oxford（牛津大学） ； Stanford University（斯坦福大学）
AI总结 本文通过对照实验发现，AI在临床决策中极易被专业权威、声称的过往表现等因素说服，甚至会被编造的合理观点误导，因此AI需在被说服时保持合理判断以保障医疗决策安全。
MANTLE：基于模块化上行原理的自适应原位行星感知框架
机构 * Stanford University School of Medicine（斯坦福大学医学院） ； Jet Propulsion Laboratory（喷气推进实验室） ； California Institute of Technology（加州理工学院）
AI总结 本文提出名为MANTLE的多任务自适应网络，基于模块化上行原理实现行星感知，在火星地形分类和巨石分割任务上取得良好性能，支持任务生命周期内新增感知能力。
Comments 10 pages
TrAct：通过视觉轨迹连接机器人控制与视觉预测
机构 * University of Michigan（密歇根大学） ； Stanford University（斯坦福大学）
AI总结 TrAct是基于世界模型的机器人决策框架，以视觉轨迹为控制与预测的中间接口，在LIBERO-INTEGRAL基准和Franka任务上，相较基线π₀.5显著提升了操作成功率与视频预测质量。
SPADE：自适应合成可执行环境中的自博弈
机构 * University of Washington（华盛顿大学） ； Stanford University（斯坦福大学） ； Northeastern University（东北大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Massachusetts Institute of Technology（麻省理工学院） ； National University of Singapore（新加坡国立大学） ； Seoul National University（首尔大学） ； Stevens Institute of Technology（史蒂文斯理工学院） ； University of Chicago（芝加哥大学）
AI总结 SPADE是一种双角色自博弈强化学习框架，让单个LLM同时担任环境设计者与推理智能体，在多类基准上显著提升了语言智能体的性能，推动了开放式自我改进。
Comments Work in progress. Project page: https://spade-rl.github.io ; Code: https://github.com/spade-rl/spade
教师的少量步骤作用显著：智能体训练后基于策略的数据增强的成本效益
机构 * Stanford University（斯坦福大学） ； New York University（纽约大学）
AI总结 研究针对大语言模型智能体，将基于策略的数据构建视为预算分配问题，通过特定方式形式化设计空间，在多个任务中实验表明少量教师步骤在学习者诱导情境下更具成本效益。
Comments 8/28 update: added funding acknowledgements
用于稀疏视图神经重建的可靠性感知单目深度监督
机构 * Stanford University（斯坦福大学）
AI总结 研究稀疏视图神经重建的单目深度监督，用Depth Anything V2作密集单目深度先验，经尺度变换拟合对齐预测，通过仅RGB基线模型生成的光度掩码选择性应用深度监督，在不同场景评估，结果表明应选择性适度加权应用。
Comments 9 pages, 6 figures. All authors contributed equally
Mnemosyne: 用于验证和修复AI生成工作流的代理事务处理
机构 * Stanford University（斯坦福大学） ； QuadriumAI
AI总结 提出代理事务处理（ATP）模型，将生成动作视为不可信提案，通过确定性约束集验证后才提交，并实现运行时修复，确保状态正确性独立于生成层。
Comments 60 pages, added additional experiments
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。
学习概念，而非词元：语言模型的自我监督语义对齐
机构 * Stanford University（斯坦福大学）
AI总结 提出一种自我监督框架，通过预测语义等价词元集合（概念）替代下一个词元预测，提升语言模型的语义对齐能力，并在分类、聚类、重排序及下游推理任务中取得更优性能。
面向视角的对话编译器用于代理轨迹分析
机构 * Stanford University（斯坦福大学）
AI总结 本文提出VCC编译器，将原始代理JSONL日志转换为结构化视角，提升轨迹分析质量，减少token消耗并提升模型性能。
Comments Code: https://github.com/lllyasviel/VCC
知识多样性与大语言模型中的知识崩溃
机构 * University of Copenhagen（哥本哈根大学） ； Aalborg University Copenhagen（奥胡斯大学哥本哈根分校） ； Stanford University（斯坦福大学） ； University of Colorado Boulder（科罗拉多大学波德分校） ； Microsoft Research（微软研究院）
AI总结 本研究通过评估大语言模型的知识多样性，发现模型大小影响多样性，RAG技术提升多样性，但文化背景影响显著，且国家特定信息更偏向英语。
Comments Accepted to EMNLP 2026; 18 pages, 8 figures, 4 tables; v2: Fixed the modeling for table 3, random effect is the model version; v3: Fixed minor formatting issues in tables 2 and 3; v4: Fixed some typos and model description; v5: Updated metadata; v6: Improved search baseline, writing revisions, added comparisons to semantic similarity only approaches; v7 changelog: EMNLP camera ready
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