Model Hypnosis: Strong control of AI via additive subliminal effects
模型催眠：通过叠加阈下效应对AI进行强控制
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 该研究发现AI模型普遍存在模型催眠现象，可通过组合提示中微弱无关线索强控制模型行为，该现象跨模型家族且具迁移性，对AI安全与可解释性构成挑战。
高校专区
University of Pennsylvania（宾夕法尼亚大学）
CytoFormer: A Molecularly Supervised Cell Foundation Model for Histopathology Cell Classification
CytoFormer：用于组织病理学细胞分类的分子监督细胞基础模型
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Germantown Friends School（日耳曼敦贵格会学校）
AI总结 CytoFormer利用配对H&E染色与空间转录组学数据训练细胞基础模型，在细胞分类、迁移学习及主动学习中表现优异，为常规组织学的细胞分析提供高效可复用表示。
Comments 20 pages, 5 figures, 2 extended data figures
Observation-Constrained Joint-Space Viewpoint Optimization for Robotic Inspection of Cylindrical Cavities
面向圆柱腔体检修的观测约束关节空间视点优化
机构 * ShanghaiTech University（上海科技大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出一种机器人关节空间中观测约束圆柱腔体检修的自主优化方法，通过多起点无导数搜索优化关节构型，在 Isaac Sim 实验中表现优于基准方法，完成 92%目标构型且平均底部可见度达 91.65%。
Tabletop Pen Manipulation With a Vision-Guided 4-DoF Arm
基于视觉引导的4自由度机械臂的桌面钢笔操作
机构 * Dougherty Valley High School（多切蒂谷高中） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 该研究利用感知与运动规划，让无腕部旋转关节的4自由度Waveshare RoArm-M2-S机械臂，通过YOLO11n-OBB等算法，实现了桌面书写工具的检测、校正与颜色分类，补偿了缺失的自由度。
Comments 19 pages, 8 figures
Which Question Is Your Attention Metric Answering? Attention Rows as Compositional Data
你的注意力指标回答的是哪个问题？注意力行作为组成数据
机构 * The Wharton School, University of Pennsylvania（宾夕法尼亚大学沃顿商学院） ； Yale University（耶鲁大学）
AI总结 该研究指出注意力指标的汇点处理选择会反转结论，提出将注意力行视为组成数据分离汇点与内容项，明确训练中熵崩溃的原因，确定约定安全场景并发布复现代码。
Comments Preprint under submission
MathGen: Revealing the Illusion of Mathematical Competence through Text-to-Image Generation
MathGen：通过文本到图像生成揭示数学能力的幻觉
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Michigan（密歇根大学） ； The Ohio State University（俄亥俄州立大学） ； USTC（中国科学技术大学） ； City University of Hong Kong（香港城市大学） ； University of Wisconsin（威斯康星大学） ； UCSB（加州大学圣塔芭芭拉分校） ； University of Hong Kong（香港大学） ； Peking University（北京大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 MathGen通过900道跨七个核心领域的数学问题，评估生成模型在视觉化数学解答中的准确性，发现现有模型在数学 fidelity 上存在显著瓶颈。
Vision Language Models Cannot Plan, but Can They Formalize?
视觉语言模型（VLMs）无法规划，但它们能进行形式化吗？
机构 * Drexel University（德雷塞尔大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本研究提出5种VLM作为形式化器的流水线，评估后发现其表现优于端到端规划生成，较弱VLMs的瓶颈为物体关系视觉grounding，较强模型已克服该限制。
Score Attack: A Lower Bound Technique for Optimal Differentially Private Learning
Score Attack：最优差分隐私学习的下界技术
机构 * Department of Statistics and Data Science, The Wharton School, University of Pennsylvania（统计与数据科学系，沃顿商学院，宾夕法尼亚大学） ； Rutgers University（罗格斯大学）
AI总结 该研究提出score attack方法，基于追踪攻击概念为差分隐私约束的参数估计极小极大风险提供下界，经多类模型验证其有效性与最优性。
Limitations of Synthetic Data Generation in Specialized Data-Scarce Domains
合成数据生成在数据稀缺的专业领域中的局限性
机构 * University of Pennsylvania（宾夕法尼亚大学） ； The Hong Kong Polytechnic University (PolyU)（香港理工大学）
AI总结 该研究针对数据稀缺的专业视觉领域，评估两类生成式稀疏数据扩展方法的分类性能，发现其无法持续优于非生成式基线，且存在记忆坍缩等失败模式。
Auditable agentic AI for evidence-grounded thyroid ultrasound diagnosis and reporting
用于循证甲状腺超声诊断与报告的可审计智能体AI
机构 * School of Computer Science and Engineering, Sun Yat-sen University（中山大学计算机科学与工程学院） ； School of Software Engineering, Sun Yat-sen University（中山大学软件工程学院） ； School of Mathematical Sciences, Zhejiang University（浙江大学数学科学学院） ； Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院） ； Zhujiang Hospital, Southern Medical University（南方医科大学珠江医院） ； College of Mathematical Medicine, Zhejiang Normal University（浙江师范大学数学医学院）
AI总结 本文提出可审计的智能体AI系统ThyroidXAgent，基于多中心数据集开发，可协同完成甲状腺超声诊断多任务，提升分类准确率与报告一致性，缩短耗时，支持临床医生修正。
Comments Under review
Structure-preserving uncertainty quantification for GENERIC dynamics
GENERIC动力学的保结构不确定性量化
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 本研究提出保结构认知神经网络（S-PENNs）框架，用于带硬架构约束的科学机器学习模型的不确定性量化，在GENERIC动力学算例中验证其可生成符合热力学一致性的结果，且计算成本远低于深度集成。
Recursive Synthesis for Long-Horizon Terminal Tasks
长视界终端任务的递归合成
机构 * Tencent HY LLM Frontier（腾讯HY大模型前沿团队） ； University of Georgia（佐治亚大学） ； University of Maryland, College Park（马里兰大学帕克分校） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Minnesota, Twin Cities（明尼苏达大学双城分校） ； Indiana University（印第安纳大学） ； National University of Singapore（新加坡国立大学） ； Hong Kong Polytechnic University（香港理工大学）
AI总结 本文提出RST递归合成框架，低成本规模化生成3.7万余个长视界终端任务，经微调或PPO优化后，多款Qwen模型在多个终端基准任务上性能显著提升，且递归过程无明显上限。
Bayesian Distributional Models of Executive Functioning
执行功能的贝叶斯分布模型
机构 * Division of Computing and Data Science, Washington University（华盛顿大学计算与数据科学系） ； Department of Computer Science and Engineering, Washington University（华盛顿大学计算机科学与工程系） ； Department of Biomedical Engineering, Washington University（华盛顿大学生物医学工程系） ； Department of Psychology, University of Maribor（马里博大学心理学系） ； Department of Human Development and Quantitative Methodology, University of Maryland（马里兰大学人类发展与定量方法系） ； Department of Teaching and Learning, Policy and Leadership, University of Maryland（马里兰大学教学与学习、政策与领导系） ； Department of Psychology, Northeastern University（东北大学心理学系） ； Department of Computer and Information Science, University of Pennsylvania（宾夕法尼亚大学计算机与信息科学系）
AI总结 本研究使用已知真实参数的受控模拟，评估分布潜变量模型（DLVM）和贝叶斯分布主动学习（DALE）相比传统独立最大似然估计（IMLE）的优势，证明DLVM结合DALE能更高效地估计认知表现分布。
Comments 45 pages, 9 figures, 2 tables + supplemental info
Minimax and Adaptive Covariance Matrix Estimation under Differential Privacy
最小最大与自适应协方差矩阵估计在差分隐私下的研究
机构 * The Wharton School, University of Pennsylvania（宾夕法尼亚大学沃顿商学院） ； Department of Statistics and Data Science（统计与数据科学系） ； Tsinghua University（清华大学）
AI总结 本文研究在差分隐私约束下高维带状协方差矩阵的最小最大与自适应估计，提出一种新的差分隐私分块三对角估计器，达到运算规范和弗罗贝尼乌斯范数下的最优收敛速率，并引入自适应估计器在不预知衰减参数的情况下达到最优速率。
REHEARSE: Experiential Rehearsal for Verbal Confidence Calibration in Large Language Models
REHEARSE：大语言模型中用于语言置信度校准的经验式排练
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Southern California（南加州大学） ； University of Illinois Chicago（伊利诺伊大学香槟分校）
AI总结 针对大语言模型置信度与实际正确性不匹配的问题，提出无训练的Rehearse方法，通过置信度校准博弈的反馈生成校准信号，在多模型多基准实验中显著降低了预期校准误差并提升准确率。
GenFAR: A generalized representation of brain structure, derived from 49,246 multi-cohort MRIs via deep learning
GenFAR：基于49246例多队列MRI通过深度学习得到的脑结构通用表征
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Melbourne（墨尔本大学） ； University of Wisconsin School of Medicine and Public Health（威斯康星大学医学与公共卫生学院） ； CSIRO Health and Biosecurity（联邦科学与工业研究组织健康与生物安全部） ； CSIRO（联邦科学与工业研究组织） ； University of California, San Francisco（加利福尼亚大学旧金山分校） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； University of Washington（华盛顿大学） ； Wake Forest School of Medicine（维克森林医学院） ； Johns Hopkins University School of Medicine（约翰霍普金斯大学医学院） ； Indiana University（印第安纳大学） ； University of Southern California（南加利福尼亚大学）
AI总结 GenFAR是基于49246例多队列MRI的模块化深度学习框架，通过17类任务训练得到通用脑表征，可提升二级预测器的样本效率与准确性
CoDiR: Confidence-Guided Diffusion Refinement for Semi-Supervised Histopathology Segmentation
CoDiR：用于半监督组织病理学分割的置信度引导扩散精调
机构 * AI VIETNAM Lab（AI VIETNAM实验室） ； Portland Community College（波特兰社区学院） ； University of Science, VNU-HCM（胡志明市国家大学科学大学） ； Hanoi University of Science and Technology（河内科技大学） ； Jeonbuk National University（全北国立大学） ； Washington University School of Medicine（华盛顿大学医学院） ； Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院）
AI总结 针对半监督组织病理学分割的标注稀缺与伪标签不可靠问题，提出CoDiR框架，结合Mean Teacher与扩散模型精调伪标签，在GlaS、CRAG数据集上取得优异mDice指标，精调模块贡献显著
Comments Accepted to the MICCAI COMPAYL Workshop 2026 (11 pages, 2 figures, 6 tables)
ProBAG: Prototype-Guided Boundary-Aware Graph Diffusion for Weakly Supervised Histopathology Segmentation
ProBAG：用于弱监督组织病理学分割的原型引导边界感知图扩散
机构 * AI VIETNAM Lab（AI越南实验室） ； Washington University School of Medicine（华盛顿大学医学院） ； Jeonbuk National University（全北国立大学） ； Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院）
AI总结 ProBAG是一种新的弱监督组织病理学分割方法，通过结合视觉与文本原型、逐类功率重新校准及图扩散机制，在BCSS-WSSS和LUAD-HistoSeg数据集上取得优于现有方法的性能。
Comments 12 pages, 2 figures, 4 tables. Accepted by MICCAI Workshop (COMPAYL) 2026
A Reality Check of Language Models as Formalizers on Constraint Satisfaction Problems
语言模型作为形式化工具在约束满足问题上的现实检验
机构 * Drexel University（德雷塞尔大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Allen Institute for AI（艾伦人工智能研究所）
AI总结 研究评估了语言模型作为形式化工具在约束满足问题中的表现，发现其在15种模型-数据集组合中表现劣于作为求解器，尽管形式化更具可验证性和可解释性。
Learning to Coordinate via Quantum Entanglement in Multi-Agent Reinforcement Learning
通过量子纠缠协调多智能体强化学习
机构 * Nasdaq, Inc（纳斯达克公司） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出利用量子纠缠的框架，通过可微策略参数化和量子协调器架构，实现多智能体强化学习中的无通信协作策略，展现量子优势。
Un-EVIMO: Unsupervised Event-Based Independent Motion Segmentation
Un-EVIMO：基于事件的无监督独立运动分割
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Archimedes, Athena RC（阿基米德、阿泰纳RC）
AI总结 本研究提出首个利用几何约束生成IMO伪标签的无监督事件框架，在EVIMO数据集上评估显示其IMO分割性能与监督方法相当，可处理任意非预定物体且易扩展至无昂贵标注的数据集。
Comments European Conference on Computer Vision 2024
Reasoning Shortcuts and Value Symmetries: What Symmetry Permits, Architecture Realizes, and Optimization Selects
推理捷径与价值对称性：对称性允许什么、架构实现什么以及优化选择什么
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 该研究分析神经符号系统的推理捷径，发现现有框架的关键定义不适用于其评估的基准，重新测量揭示无法解释的对比例与可证明结构相关，还明确了对称性惰性、自同构存在性等问题的计算复杂度，区分了对称性允许与优化选择的内容。
Comments 55 pages, 2 figures, 8 tables
Hip Energized Monopedal Hopping
髋部驱动单足跳跃
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 针对俯仰未锁定平面单足机器人，利用PD+前馈控制器的俯仰稳定力矩补充能量，通过调整能量分配实现速度与高度平衡，经仿真和实验验证了该策略的有效性。
Comments 35 pages, 11 figures
Invertible Logits Transformation for Accuracy-Preserving Post-Hoc Uncertainty Calibration
用于保持准确率的事后不确定性校准的可逆对数变换
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 针对现有事后不确定性校准方法的缺陷，提出可逆对数变换InvLT，通过共享标量MLP实现参数不随类别数增长，在保留分类准确率的同时提升校准性能。
Navigating the Proximity-Safety Balance: Constraint Decomposition for Human Following in Pedestrian Crowds
权衡 proximity 与安全：人群中跟随目标行人的约束分解方法
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of California, Riverside（加州大学河滨分校） ； Stanford University（斯坦福大学） ； NVIDIA Research（英伟达研究院） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 该研究针对人群中行人跟随的 proximity 与安全平衡问题，提出多约束强化学习框架，量化行人运动不确定性以增强安全性，经实验和真实机器人部署验证了方法的有效性。
Comments IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026); Project Website: https://nav-ps-balance.github.io/
Frontier AI performance across the business disciplines: a case-grounded benchmark of knowledge work and analytical reasoning
跨商业学科的前沿人工智能性能：基于案例的知识工作和分析推理基准
机构 * The Wharton School, University of Pennsylvania（宾夕法尼亚大学沃顿商学院） ； Carnegie Mellon University（卡内基梅隆大学） ； Harvard Business School, Harvard University（哈佛大学哈佛商学院）
AI总结 研究针对人工智能在白领分析性知识工作衡量上的差距，利用顶尖商学院案例教学法构建BusinessCaseBench基准，发现前沿AI模型在此基准上得分高且能力提升快，为商学院及相关职业角色带来启示。
Instance-Adaptive Online Multicalibration
实例自适应在线多校准
机构 * Paul G. Allen School of Computer Science and Engineering, University of Washington（华盛顿大学保罗·G·阿伦计算机科学与工程学院） ； Department of Computer and Information Sciences, University of Pennsylvania（宾夕法尼亚大学计算机与信息科学系）
AI总结 本文提出了一种高效的实例自适应在线多校准算法，通过动态调整预测值的二进制网格来平衡最坏情况和易处理情况，实现了在不同实例下的最优误差控制。
Comments Affiliation update only; no changes to technical content
Flow-based conditional cardiac anatomy generation for virtual cohorts
基于流的虚拟队列条件心脏解剖结构生成
机构 * Delft University of Technology（代尔夫特理工大学） ； Hospital of the University of Pennsylvania（宾夕法尼亚大学医院） ； Ghent University（根特大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本研究提出CAN-FLOW框架，基于归一化流生成元数据条件化的双心室解剖结构，在英国生物银行数据集上验证其生成的解剖结构更贴合临床表型分布，可用于构建虚拟队列与计算机模拟临床试验。
From Manuals to Maintenance: Fine-Tuning MedGemma for Multi-Modal Imaging System Support in Low-Resource Settings
从手册到维护：在低资源场景中微调MedGemma以提供多模态成像系统支持
机构 * Carnegie Mellon University Africa（非洲卡内基梅隆大学） ； IngenziAI（因根齐人工智能公司） ； Federal University of Health Sciences Azare（阿扎雷联邦健康科学大学） ； University of Maiduguri Teaching Hospital（迈杜古里大学教学医院） ； Lawson Health Research Institute（劳森健康研究所） ； University of Pennsylvania（宾夕法尼亚大学） ； McGill University（麦吉尔大学）
AI总结 针对中低收入国家医疗设备维护难题，研究人员构建INGENZI_DatasetV1数据集，用QLoRA微调MedGemma-4b-it模型，使维修问答指标大幅提升，为低资源场景AI辅助医疗维护奠定基础。
Comments Accepted at the AFRICAI 2026 Workshop, a satellite event at MICCAI 2026. To appear in Springer Lecture Notes in Computer Science (LNCS)
MathDuels: A Self-Play Benchmark That Grows
MathDuels：评估大语言模型作为问题提出者和解决者
机构 * Department of Computer and Information Science, University of Pennsylvania（宾夕法尼亚大学计算机与信息科学系） ； Department of Mathematics, University of Pennsylvania（宾夕法尼亚大学数学系）
AI总结 MathDuels通过让模型同时扮演问题提出者和解决者角色，揭示了模型在两者能力上的差异，展示了评估方法在区分模型能力上的有效性。
