University of Toronto（多伦多大学）

PreSight: Preoperative Outcome Prediction for Parkinson's Disease via Region-Prior Morphometry and Patient-Specific Weighting

PreSight：通过区域先验形态学和患者特异性加权进行帕金森病术前预后预测

Yand Wang, Chen Zhang, Lanyun Zhu, Yixin Chen, Qunbo Wang, Yutong Bai, Jurgen Germann, Yinghong Wen, Shuai Shao

机构 * Beijing Jiaotong University（北京交通大学） ； Nanyang Technological University（南洋理工大学） ； Institute of Medical Technology, Peking University（北京大学医学技术研究院） ； Beijing Tiantan Hospital, Capital Medical University（北京天坛医院） ； University Health Network, University of Toronto（多伦多大学健康网络） ； Suzhou Institute for Advanced Research, University of Science and Technology of China（中国科学技术大学苏州研究院） 纠错

AI总结 PreSight通过结合临床先验与区域自适应形态学，实现帕金森病术前预后预测，提升术后运动改善预测的准确性和临床实用性。

SCATR: Mitigating New Instance Suppression in LiDAR-based Tracking-by-Attention via Second Chance Assignment and Track Query Dropout

SCATR: 通过二次分配和轨迹查询丢弃缓解基于LiDAR的跟踪-注意力中的新实例抑制

Brian Cheong, Letian Wang, Sandro Papais, Steven L. Waslander

机构 * University of Toronto（多伦多大学） 纠错

AI总结 SCATR通过二次分配和轨迹查询丢弃缓解基于LiDAR的跟踪-注意力中的新实例抑制，实现性能提升

When Does RL Help Medical VLMs? Disentangling Vision, SFT, and RL Gains

当RL帮助医疗VLMs时？解构视觉、SFT和RL增益

Ahmadreza Jeddi, Kimia Shaban, Negin Baghbanzadeh, Natasha Sharan, Abhishek Moturu, Elham Dolatabadi, Babak Taati

机构 * University of Toronto, Canada（多伦多大学） ； Vector Institute, Canada（向量研究所） ； KITE Research Institute, University Health Network, Canada（KITE研究机构） ； York University, Canada（约克大学） 纠错

AI总结 研究通过解构视觉、SFT和RL增益，发现RL在模型已有支持时最有效，SFT扩展支持使RL有效，提出边界意识的配方并实现强性能。

Semantic XPath: Structured Agentic Memory Access for Conversational AI

语义XPath：面向对话AI的结构化代理内存访问

Yifan Simon Liu, Ruifan Wu, Liam Gallagher, Jiazhou Liang, Armin Toroghi, Scott Sanner

机构 * University of Toronto（多伦多大学） ； Vector Institute of Artificial Intelligence（人工智能向量研究所） 纠错

AI总结 本文提出语义XPath，一种基于树状结构的对话AI内存模块，通过提升性能和降低token消耗，为任务导向的对话系统提供新方法。

VoMP: Predicting Volumetric Mechanical Property Fields

VoMP：预测体积机械属性场

Rishit Dagli, Donglai Xiang, Vismay Modi, Charles Loop, Clement Fuji Tsang, Anka He Chen, Anita Hu, Gavriel State, David I. W. Levin, Maria Shugrina

机构 * NVIDIA ； University of Toronto（多伦多大学） 纠错

AI总结 VoMP通过训练几何变换器预测3D物体的体积机械属性场，结合多视角特征和现实世界数据集，实现高精度和高速度的属性估计。

Comments Project Page and hi-res paper: https://research.nvidia.com/labs/sil/projects/vomp

Training Large Language Models To Reason In Parallel With Global Forking Tokens

训练大型语言模型以并行推理与全局分叉标记

Sheng Jia, Xiao Wang, Shiva Prasad Kasiviswanathan

机构 * University of Toronto（多伦多大学） ； Amazon（亚马逊） ； Vector Institute（向量研究所） 纠错

AI总结 本文提出SSFT和GFPO方法，通过集合基于的损失和双射匹配，提升大型语言模型在并行推理中的多样性和准确性，从而在数学推理和代码生成任务中取得优于传统SFT的性能。

Comments Accepted at ICLR 2026

Journal ref The Fourteenth International Conference on Learning Representations (ICLR 2026), https://openreview.net/forum?id=xBQvvkg4Wc

QANTIS: A Hardware-Validated Quantum Platform for POMDP Planning and Multi-Target Data Association

QANTIS：一种经过硬件验证的量子平台，用于POMDP规划和多目标数据关联

Bayram Yüksel Eker, Suayb S. Arslan, Özgür Nazlı, Mustafa Serhat Demirgil, Furkan Deligöz

机构 * Neura Parse Ltd.（Neura Parse有限公司） ； Department of Computer Engineering, Boğaziçi University（博耶奇大学计算机工程系） ； Faculty of Engineering, University of Toronto（多伦多大学工程学院） ； Istanbul Technical University（伊斯坦布尔技术大学） 纠错

AI总结 QANTIS通过量子算法和优化方法，实现了在超导硬件上对POMDP规划和多目标数据关联的高效解决，并验证了量子计算在实际应用中的可行性。

Comments 31 pages, 4 figures, 12 tables; 45-experiment hardware study on IBM Heron QPUs

ArtiFixer: Enhancing and Extending 3D Reconstruction with Auto-Regressive Diffusion Models

ArtiFixer：利用自回归扩散模型增强和扩展3D重建

Riccardo de Lutio, Tobias Fischer, Yen-Yu Chang, Yuxuan Zhang, Jay Zhangjie Wu, Xuanchi Ren, Tianchang Shen, Katarina Tothova, Zan Gojcic, Haithem Turki

机构 * NVIDIA ； NVIDIA Santa Clara USA（NVIDIA） ； NVIDIA Zurich Switzerland（NVIDIA） ； Cornell University（康奈尔大学） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所） 纠错

AI总结 ArtiFixer通过自回归扩散模型提升3D重建质量，解决现有方法在未观测区域的外推问题。

Comments Video results: https://artifixer2026.github.io/

Texterial: A Text-as-Material Interaction Paradigm for LLM-Mediated Writing

Texterial: 一种基于文本作为材料的交互范式用于大语言模型辅助写作

Jocelyn Shen, Nicolai Marquardt, Hugo Romat, Ken Hinckley, Nathalie Riche, Fanny Chevalier

机构 * Microsoft Research（微软研究院） ； MIT Media Lab（麻省理工学院媒体实验室） ； University of Toronto（多伦多大学） 纠错

AI总结 Texterial提出一种将文本视为可塑材料的交互范式，通过手势塑形和植物生长的机制，提升大语言模型辅助写作的用户体验和操作灵活性。

Journal ref Proceedings of the 2026 ACM CHI Conference on Human Factors in Computing Systems (ACM CHI 2026)

Scalable Gaussian process modeling of parametrized spatio-temporal fields

可扩展的高斯过程建模：参数化时空场的数据驱动学习

Srinath Dama, Prasanth B. Nair

机构 * University of Toronto Institute for Aerospace Studies（多伦多大学航空航天研究所） 纠错

AI总结 本文提出了一种可扩展的高斯过程框架，结合深度乘积核，用于高精度参数化时空场的数据驱动学习，实现了高效的不确定性量化和高准确性。

When AI Gives Advice: Evaluating AI and Human Responses to Online Advice-Seeking for Well-Being

当AI提供建议：评估AI与人类对在线寻求幸福建议的反应

Harsh Kumar, Jasmine Chahal, Yinuo Zhao, Zeling Zhang, Annika Wei, Louis Tay, Ashton Anderson

机构 * University of Toronto（多伦多大学） ； Harvard University（哈佛大学） ； Purdue University（普渡大学） 纠错

AI总结 研究评估AI与人类在在线幸福建议寻求中的表现，发现LLMs在多项指标上优于人类，且人类建议可通过打磨与AI建议竞争。

Comments CHI 2026