X-AGI 2026

演讲内容摘要

Understanding our brain has always been an original source of inspiration for the development of AGI and current AI. I will first introduce the challenges we face with the sheer amount of data collected in neuroscience, ranging from point fields to continuous random fields. By using and developing statistical tools, we are able to gradually peer through the layers of the mysterious computations implemented in the brain. Empowered by our current knowledge in neuroscience, we then move toward developing a whole-brain model at the neuronal scale, with 86 billion neurons and 100 trillion parameters to be learned: the Digital Twin Brain (DTB). Finally, I will introduce several applications of the DTB, including a clinical application platform, an experimental platform, and embodied AI.

演讲嘉宾简介

冯建峰

复旦大学 · 复旦大学类脑智能科学与技术研究院、大数据学院

冯建峰，国家高层次引进人才，长江学者，复旦大学浩清教授，现任复旦大学类脑智能科学与技术研究院、大数据学院院长，上海数学中心首席教授，英国华威大学计算机系教授。长期致力于数学、脑科学和计算机科学的交叉融合研究，推动计算脑科学及其应用领域的发展。 主要研究贡献包括：在精神疾病研究方向，提出并在治疗上论证了抑郁症“奖惩环路失衡”神经机制，通过大数据挖掘验证精神分裂的语言起源假说；在计算神经科学方向，发展了全世界首个全脑数字孪生脑模型和矩神经网络数学理论；在人工智能方向，发展了多种新型神经网络结构和算法等。共发表五百多篇学术文章，许多成果以通讯作者发表在Cell, Science, Nature子刊，Science子刊，Lancet子刊，JAMA子刊，IEEE TPAMI和PRL等。中国NIPs第一人，2011年获英国皇家学会沃夫森研究功勋奖（首位华人），2019年作为三十年来的首位华人受邀在剑桥大学做Paykel Lecture年度冠名讲座，2023年获洪堡研究奖。

演讲内容摘要

大语言模型（LLM）的高维激活空间中存在若干显著的涌现现象，尤以 Attention Sinks （少数词元获得异常偏高的注意力得分）与 Residual Sinks （少数固定维度持续保持较大幅值）最为典型。这些离群值常被视为异常或量化障碍，本文则提出一种统一的功能性视角：它们是实现高维缩放的关键机制。 具体而言，少量离群值与归一化层（如 Softmax、RMSNorm）协同，对非离群分量施加有效缩放，我们称之为离群值驱动的缩放（outlier-driven rescaling）。干预实验表明，离群值与归一化层联合发挥作用，主要充当缩放因子而非直接的语义载体：移除归一化层会使相应离群值消失，但训练稳定性下降；保留归一化层而裁剪离群值同样损害性能，表明该缩放机制对高维优化的稳定至关重要。这一视角亦为若干架构改进的有效性提供了统一解释。基于上述发现，我们进一步展示了将离群值吸收入可学习参数或引入显式门控缩放加以缓解的方法，有效提升了训练性能与量化鲁棒性。

演讲嘉宾简介

邱子涵

阿里巴巴 · Qwen 预训练

邱子涵本科毕业于清华大学姚班，现就职于 Qwen 预训练团队，专注于大模型架构与训练策略研究，基于模型机制提高训练稳定性和性能上限。已发表十余篇论文，其中一作论文荣获 NeurIPS 2025 最佳论文奖和 NAACL 2024 杰出论文奖。作为核心成员参与 Qwen2.5、Qwen3、Qwen3-Next、Qwen3.5、Qwen3.8-Flash-Next 等系列模型的研发，Google Scholar 引用量逾 18000。

演讲内容摘要

人工智能的蓬勃发展正重塑科学研究范式，数学与AI的深度交叉呈现出“双向赋能”的新格局。本报告将汇报团队近期在“Math4AI”（基于数学理论的深度学习机理解析）与“AI4Math”（基于人工智能的数学研究辅助）两个方向的初步探索。在Math4AI层面，我们引入几何测度论、动力系统与渐近分析方法，深入剖析深度学习的训练动力学机制，针对偏微分方程求解中的泛化失效、神经网络训练中的参数凝聚与秩坍缩现象，以及注意力机制中“聚焦-稀释”的多阶段演化规律提供了初步的理论诠释。在AI4Math层面，我们致力于弥合自然语言与形式语言的语义鸿沟，提出了算子树与结构化自然语言等创新性表示框架。该框架不仅显著提升了自动形式化的准确率与语义评估的鲁棒性，更为数学文献的智能检索与学生、专家的交互式研读提供了有力工具。报告最后将展望这一交叉领域的未来挑战与研究愿景。

演讲嘉宾简介

罗涛

上海交通大学 · 数学科学学院

罗涛，上海交通大学数学科学学院/自然科学研究院副教授。2012年获上海交通大学致远学院学士学位，2017年获香港科技大学博士学位，并获香港数学会最佳博士论文奖。2017至2020年，担任普渡大学数学系Golomb访问助理教授。研究方向为计算材料科学、深度学习数学理论（Math4AI）和数学智能（AI4Math）。研究内容包括材料科学的 Peierls–Nabarro 模型、Cauchy–Born 法则；深度学习的频率原则、凝聚理论；数学智能的自动形式化、语义评估、结构化自然语言等。在 ARMA/SIAM 系/M3AS/JMLR/NeurIPS/ICML/ICLR 等应用数学和机器学习期刊和会议发表论文 40 余篇。获NeurIPS 2021 Spotlight、NeurIPS 2025 Oral、ICML 2026 Oral等。

演讲嘉宾简介

张华清

清华大学 · 交叉信息研究院

Huaqing Zhang is a first-year PhD at IIIS, Tsinghua University, advised by Prof. Andrew Yao. His research interests lie in the theory and training of large language models. He has been fortunate to work closely with Prof. Jingzhao Zhang and Prof. Kaifeng Lyu. He is currently interning with the Qwen pretraining team, where he works on scaling laws and optimizers.

演讲内容摘要

Scaling large models requires optimization strategies that ensure rapid convergence grounded in stability. Maximal Update Parametrization (μP) provides a theoretical safeguard for width-invariant Θ(1) activation control, whereas emerging optimizers like Muon are only half-aligned with these constraints: they control updates but allow weights to drift. To address this limitation, we introduce the Spectral Sphere Optimizer (SSO), which enforces strict module-wise spectral constraints on both weights and their updates. By deriving the steepest descent direction on the spectral sphere, SSO realizes a fully μP-aligned optimization process. To enable large-scale training, we implement SSO as an efficient parallel algorithm within Megatron. Through extensive pretraining on diverse architectures, including Dense 1.7B, MoE 8B-A1B, and 200-layer DeepNet models, SSO consistently outperforms AdamW and Muon. Furthermore, we observe significant practical stability benefits, including im

演讲嘉宾简介

胡译文

中国人民大学 · 高瓴人工智能学院

中国人民大学博士研究生，导师为赵鑫老师。主要研究方向为大模型预训练和模型结构。曾获ICML Spotlight、ACL Oral等。

演讲内容摘要

The foundational capabilities of large language models are acquired during pretraining on internet-scale, highly heterogeneous data mixtures. In this work, we investigate an interesting geometric question regarding the converged state of pretraining: Does the model converge to a common minimizer across all data sources (e.g., \cref{fig:cwa_illustration:close}), or merely a minimizer of the summed loss (e.g., \cref{fig:cwa_illustration:distant})? We hypothesize that the geometric "closeness" of task-specific minima is intrinsically linked to downstream generalization. We reveal that standard optimizers (e.g., AdamW) often converge to points where task-specific minima are distant from each other. To address this, we propose the Nexus optimizer, which encourages the closeness of these minima by maximizing gradient similarity during optimization. Experiments across models ranging from 130M to 3B parameters, various data mixtures and hyperparameter schedules, show that Nexus \textit{significantly boosts downstream performance}, despite \textit{achieving the same pretraining loss} (see \cref{fig:demo:benchmark}). Notably, on the 3B model, Nexus reduces the out-of-distribution loss by 0.012 and yields up to a 15.0\% accuracy improvement on complex reasoning tasks (e.g., GSM8k). This finding challenges the reliance on pretraining loss as the sole proxy for model evaluation and demonstrates the importance of implicit biases in unlocking downstream generalization.

演讲嘉宾简介

陈焕然

清华大学/字节跳动 · 人工智能学院

I’m a PhD student at Tsinghua SAIL, advised by Prof. Jun Zhu and closely collaborating with Prof. Yinpeng Dong. I also work with Prof. Jingzhao Zhang’s group. I study the physics of deep learning: the optimization dynamics, geometry, and statistical mechanisms that could make neural-network training more explainable, predictable, and controllable.

演讲内容摘要

随着 LLM Agent 从代码生成和问答逐渐进入长流程的软件工程任务，它面对的问题已经不只是“生成结果是否正确”。当系统涉及并发操作、状态生命周期、重试、延迟结果、权限与所有权、外部副作用以及故障恢复时，很多错误本质上是状态机和时序约束被破坏，而不是一次模型调用的推理错误。 本次演讲将介绍一种 Formal Method Harness for LLM Agents：把 TLA+ 和模型检查放在 Agent 外部，作为一个可执行、可检查的形式化约束层。LLM Agent 可以辅助将自然语言需求转化为状态变量、状态迁移、不变量和活性属性，再通过 TLC 等工具搜索违反系统约束的执行路径，并将 counterexample 反馈给 Agent，用于诊断、修改模型、调整实现和补充测试。

演讲嘉宾简介

张华枫

为沃科技（南京）有限公司 · 技术研发部

清华大学计算机科学与技术博士，现任为沃科技（南京）技术有限公司 CTO。长期从事形式化方法、软件工程、编程语言与编译器、分布式系统等领域的研究与工程实践。近年来重点关注 AI Agent 与软件工程的结合，探索如何将形式化规格、模型检查和反例驱动的验证机制引入 LLM Agent，使 Agent 在处理并发、状态、重试、故障恢复和外部副作用等复杂软件工程问题时具备更强的可验证性和工程可靠性。

演讲内容摘要

面向多种异构算力，基于统一系统软件平台FlagOS，通过软硬件系统优化，打造高性价比的私有化与公有云Token工厂解决方案，满足当前AGI时代的降本增效需求。

演讲嘉宾简介

张先轶

澎峰科技 · 软件

中科院博士， UT Austin和MIT博后，CCF高性能计算专委常委，OpenBLAS开源项目发起人，澎峰科技创始人

演讲内容摘要

经济世界模型（Economic World Models，EWMs）是一类生成式经济模型，通过刻画异质主体及其信念与行动，以及主体互动形成宏观结果所依赖的市场与制度机制，内生地模拟经济系统的演化。本文提出一条经济世界模型的实现路线，将其构建为由异质主体持续行动、互动、适应，并与市场和制度共同演化的生成引擎，从而自下而上地产生经济动态。我们构建了一个六级能力体系，涵盖固定规则智能体世界、自适应规则智能体世界、基于大语言模型的智能体世界、自我演化智能体、演化中的制度世界，以及与现实观测持续对齐的“仿真到现实”经济孪生。基于该体系的系统性文献综述表明，现有研究仍主要集中于较低层级的智能体与仿真环境，而具备智能体自我演化、制度内生演化、持续实证对齐和经济机制验证能力的系统仍较为少见。通过将经济世界模型的研究愿景转化为可实施的系统蓝图，本文旨在推动下一代经济仿真环境的发展，使其既能作为人类决策者的高保真试验场，也能为智能体提供训练、规划、评估与安全验证的基础环境。

演讲嘉宾简介

韩佳乐

深圳河套学院 · 社会科学智能中心

韩佳乐，深圳河套学院社会科学智能中心研究助理教授，曾在香港科技大学商学院从事博士后研究，获北京邮电大学计算机科学博士学位。研究聚焦人工智能与经济金融交叉领域，重点关注经济世界模型，大语言模型驱动的社会模拟，以及自主经济与金融智能体。在 ICLR、ICML、ACL、IEEE TKDE 等AI会议和期刊发表论文30余篇，另有两篇论文在 UTD-24 商科顶级期刊处于大修阶段。研究成果曾获 COLING 2025 Outstanding Paper Award。在学术服务方面，担任 ACL 等国际会议领域主席，并长期为多个人工智能与商科领域重要会议和期刊担任审稿人，获 ICML 2026 Silver Reviewer Award。

演讲内容摘要

Who Verifies Decentralized Information? Economic Incentives, Accountability, and Trustworthy AI Across Oracle Protocols Blockchain oracles enable smart contracts to use external information, but their records remain fragmented and difficult to compare. The Oracle Incentive and Accountability Atlas integrates 56 oracle categories with data from UMA, Chainlink, Flare, Tellor, and Pyth. It reconstructs verification and dispute lifecycles, identifying actors, decisions, capital at risk, rewards, penalties, and outcomes across 105.6 million traceable records. By connecting computational infrastructure with mechanism design, the Atlas reveals how incentives shape participation, information quality, and accountability. It establishes a comparative science of decentralized verification and supports the design of more resilient oracle markets, safer digital finance, and trustworthy AI systems.

演讲嘉宾简介

Luyao Zhang

Duke Kunshan University · Digital Innovation Research Center and Social Science Division

Dr.Luyao Zhang is an Assistant Professor of Economics and Senior Research Scientist at the Digital Innovation Research Center at Duke Kunshan University. She earned her Ph.D. in Economics from The Ohio State University and holds a B.A. in Economics and a B.S. in Mathematics and Applied Mathematics from Peking University. Her continuing education through programs at the University of Oxford and MIT spans blockchain strategy, machine learning, generative AI, reinforcement learning, data engineering, and quantum computing. Her interdisciplinary research bridges economics and computational science, with publications including the Review of Economics and Statistics, Scientific Data (Nature Portfolio), NeurIPS, ACM CSCW, IEEE S&P, ACM CCS, and AAAI/ACM AIES. She leads a project funded by the National Natural Science Foundation of China titled “Trust Mechanism Design on Blockchain: An Interdisciplinary Approach of Mechanism Design, Reinforcement Learning, and Human–AI Interactions.” In education, she advances pedagogical innovation for the generative AI era through credit-bearing courses in Duke Kunshan University’s U.S.–China joint-degree program. Her approach integrates interdisciplinary research, project-based education, community-based learning, and the Industry 4.0 Open Education Resource Publication Initiatives. She guides students in transforming research, data, code, and interactive projects into openly accessible knowledge resources while cultivating their aspirations to become scientists, entrepreneurs, and philanthropists who benefit local communities and advance the United Nations Sustainable Development Goals (SDGs). Her public and professional service advances open science, responsible data governance, international standards, and trustworthy technological innovation in support of the UN SDGs. She serves on the Editorial Board of Scientific Data and is Secretary of the IEEE P3469 Working Group, which is developing an environmental-liability accounting process model for traceable supply-chain and product emissions. She also serves as Faculty Lead of the I-SEE (Intelligent and Sustainable Economic Ecosystem) Initiative at the Global Institute of Finance, Technology, and Society (GIFTS), founded by Professor Lin William Cong. She is Vice Chair of SG1 (Thematic Document Structure) within IEEE P7999, which is developing a standard for integrating organizational ethics oversight into projects and processes involving artificial intelligence. At Duke Kunshan University, she serves as the founding faculty advisor for the AI Club, Finance Club, DKU Hackathon, and Digital Innovation Contest.

演讲内容摘要

We show that a deep neural network (DNN) trained to construct a stochastic discount factor (SDF) admits an additive decomposition separating nonlinear characteristic discovery from the pricing rule that aggregates them. This decomposition yields a linear factor representation governed by the Portfolio Tangent Kernel (PTK), which summarizes the network’s learned features. In population, the implied SDF converges to a ridge-regularized version of the true SDF, with the degree of regularization determined by spectral complexity. Empirically, using U.S. equity data, the PTK representation delivers economically and statistically significant performance gains, while rising spectral complexity imposes tighter limits on finite-sample pricing.

演讲嘉宾简介

张元 / Yuan Zhang

上海财经大学 · 金融学院

Yuan Zhang is an Associate Professor of Finance at Shanghai University of Finance and Economics. His research spans asset pricing, financial intermediation, and machine learning in financial markets. He has published in the Review of Financial Studies and is currently developing AI-driven methods for factor modeling and portfolio optimization, including work on benchmarking large language models in quantitative finance at ICLR 2026. He received his Ph.D. from the Swiss Finance Institute at EPFL and was a visiting Ph.D. student at MIT Sloan.

演讲内容摘要

In offline RL, estimating the optimal action-value function can be formulated as solving the optimal Bellman equation based solely on offline observations. A fundamental challenge is that the reward function and transition kernel are unknown, so the optimal Bellman operator is not directly observable from data. To address this issue, we propose a novel framework that decouples operator estimation from value function learning. In this approach, we first formulate conditional diffusion models to estimate the reward law and transition kernel, which induces a data-driven approximation of the optimal Bellman operator. We then plug these estimators into the Bellman equation and obtain a deep estimator of by minimizing the empirical Bellman residual over a neural network function class. We establish sharp nonasymptotic convergence rates for learning the optimal Bellman operator through an end-to-end analysis of conditional diffusion estimation in total variation distance.

演讲嘉宾简介

焦雨领

武汉大学 · 人工智能学院

焦雨领，武汉大学人工智能学院，教授博导，副院长。入选教育部国家重大人才工程，主要研究机器学习、科学计算。近期关注深度学习数理基础，在计算数学、应用数学、统计学、电子工程、人工智能等领域的旗舰期刊和会议上发表论文四十多篇。主持国家重点研发计划课题、国家自然科学基金天元交叉重点项目、面上项目及一批同华为开展的校企合作项目。

演讲内容摘要

Sampling from a target probability density is a fundamental task in statistics, machine learning, and scientific computing. We introduce weighted Laplacian flow, a deterministic particle-flow method that transports samples from a tractable initial density to a target density known up to normalization. The method evolves the logarithmic density ratio between the target and the transported distribution and constructs the particle velocity by solving a weighted Poisson equation associated with the target density. We establish the global well-posedness of the proposed PDE system and prove that the transported density converges to the target density. Under a sublinear forcing condition, the method achieves exact convergence in finite time. Numerical experiments on multimodal, heavy-tailed, and ten-dimensional targets demonstrate that weighted Laplacian flow can perform long-range mass transport, overcome energy barriers.

演讲嘉宾简介

史作强

清华大学 · 数学中心

史作强，清华大学丘成桐数学科学中心长聘教授，北京雁栖湖应用数学研究院双聘研究员，主要研究方向为偏微分方程数值方法，微分方程与机器学习，非线性非平稳信号时频分析等，在国际知名学术期刊和学术会议发表文章100余篇。

演讲内容摘要

在生成式AI快速融入教育场景的当下，如何让AI真正赋能创造力培养而非替代人的思考，成为亟待回答的问题。本报告从设计思维与批判性思维出发，探讨AI赋能教育中的创造力支持路径。针对当前AI工具多作为“黑箱生成器”、难以促进深层认知发展的局限，提出一种可解释的人机协作范式：通过让AI暴露推理过程，引导学习者经历类比、发散、收敛与反思等高阶认知活动，从而在生成创意、形成方案、落地实现的全过程中，同时培育创造性思维与批判性思维。报告将结合创造力支持工具（Creativity Support Tools）与类比设计方法（Design-by-Analogy），介绍相关理论研究与应用，讨论如何将AI从“给出答案的生成器”转变为“可对话的协作者”，并探索其在创意教育中的实践路径与应用前景，为推动AI赋能教育提供理论支撑与工具参考。

演讲嘉宾简介

陈晴

同济大学 · 设计创意学院

陈晴，同济大学设计创意学院副教授、博士生导师。上海市海外高层次计划引进人才，入选上海市晨光计划。博士毕业于香港科技大学，曾担任法国巴黎综合理工大学(Ecole Polytechnique)及法国国家信息与自动化研究所(Inria)博士后研究员。研究方向包括信息可视化、人机交互、大数据可视分析、生成式人工智能及其在智慧教育、智慧医疗、智能设计及商业智能中的应用，研究成果获得CSIG自然科学奖、亚太地区ICT Awards等奖项。她担任多个顶级国际学术会议的程序委员会委员，IEEE VIS社区主席，CSIG 可视化专委会委员、CCF 人机交互专委会执行委员，主持多个国家自然科学基金项目及多项与阿里、蚂蚁、腾讯、智谱AI等公司的校企合作课题。更多信息请访问：http://qchen.cc

演讲内容摘要

大模型的快速发展为课程资源自动化建设带来了重要机遇，但当前课件生成仍存在流程冗长、成本高昂、交互性不足等问题。本报告介绍面向学习环境生成任务的课件生成模型 CogEvol：以一句话需求为输入，单次前向同时生成排版完整的幻灯片与可交互 HTML 学习环境，并以渲染像素与交互探针作为强化学习奖励，使模型与学习者真实体验对齐。27B 模型已在真实课堂规模化应用，开源 4B 模型可在普通笔记本离线运行。本报告将分享技术路线、评测结果并探讨端侧低成本部署对教育普惠的思考。

演讲嘉宾简介

涂尚卿

清华大学 · 计算机系

涂尚卿，清华大学计算机系博士生，师从李涓子教授。他的研究聚焦于大模型后训练与评估，致力于推动大模型在教育领域的应用。在智谱后训练组实习期间，他参与了 GLM-4.5/GLM-5 系列大模型的核心研发。以第一作者或共同一作在 ACL、KDD、ACM MM、ICLR 等国际顶尖会议发表 CCF-A 类论文 8 篇，谷歌学术总引用量超 2100 次。代表性成果包括长文本测试基准 LongBench v2（ACL25 引用量 Top 15）、以及面向教育领域的智能体框架 OpenMAIC(GitHub Star 超 28000)。曾获华为奖学金、青源 InnoVibe 2026最受瞩目学术新星等荣誉，获批国家自然科学基金青年学生基础研究项目（博士研究生）。

演讲内容摘要

基于国内各类层次高校落地实践经验，聚焦未来学习中心核心场景，系统探究AGI技术在高校教学赋能、师生交互、教学评价督导、智慧终端应用中的落地路径。结合高校样板间打造、产品迭代优化与场景规模化复制的实战案例，剖析AI教育产品在高等教育场景中的适配逻辑、算力管控方案与落地难点，总结AGI赋能高等教育的有效范式。同时辩证思考人工智能教育应用的边界与价值，平衡技术创新与教育本质，为新时代高校AI教育生态建设、未来学习中心标准化落地与全域推广提供可落地、可复制的实践参考与行业新思路。

演讲嘉宾简介

黄沛

华栖云 · 教育业务部

黄沛简介 黄沛，成都华栖云科技有限公司副总裁、华栖云教育研究院院长，国内资深教育技术与职业教育领域专家，商务部、人社部、全国妇联创业导师。毕业于北京理工大学，参与“国培计划”等多项国家级重点教育项目，创立“美蕙学院”及“家护在线”互联网学习平台，主持多本部级职业教育教材和智慧课程开发，参与包括复旦大学、浙江大学、北京理工大学等众多高校校级智慧平台建设，专注将前沿技术转化为教学场景落地，其成果覆盖学历教育与非学历教育全赛道。

演讲内容摘要

Genomic sequences exhibit widespread long‑range dependencies, and their data density is completely different from that of natural language. Architectures for information compression in natural language are not fully applicable to the genomic domain, and genome modeling requires its unique approaches. Studies including Gengram have introduced memory into genomic large models and achieved unprecedented performance across multiple tasks. Memory mechanisms can retain key biological features, mitigate attention computational costs, and improve the model’s ability to extract long‑range genomic signals, yielding promising effects for long‑sequence modeling.

演讲嘉宾简介

许慧楠

中国科学院大学 · 杭州高等研究院

中国科学院大学人工智能，研究方向为AI for Biology、基因组基座大模型大模型记忆、多模态大模型，在多个顶级期刊发表论文，参与Genos、CENO等重大课题，主导Meno的研发。

演讲内容摘要

聚变等离子体因其非线性、多尺度及强耦合特性，在仿真、实时控制与高精度诊断上面临巨大挑战。本报告将展示AI赋能这三方面的潜力与挑战，并介绍本组近期成果。在仿真方面，AI可加速大规模动力学模拟，显著提升计算效率；在控制方面，强化学习等算法能实现等离子体位形和不稳定性的自适应实时调节；在诊断方面，神经网络可高效处理多源诊断数据，实现关键参数的快速反演与异常检测。三者协同，为聚变堆的智能化运维奠定基础。

演讲嘉宾简介

吴泰霖

西湖大学 · 人工智能系

吴泰霖，西湖大学工学院人工智能系特聘研究员、助理教授，原力引擎创始人。北京大学物理学院本科，麻省理工学院物理系博士，斯坦福大学计算机系博士后。主要研究领域为开发机器学习方法用于大规模科学仿真、控制、设计和发现，并在聚变、流体、物理等领域科学和工程领域应用。主持国家基金委重大研究计划培育项目等。在人工智能顶级会议和物理学顶级期刊等发表文章40余篇，其中7篇被评为热点论文。

演讲内容摘要

精神疾病共病是精准精神病学研究与临床诊疗中的关键难题，其复杂的神经病理机制仍有待深入阐明。本报告将介绍围绕精神疾病共病机制开展的系列研究，我们构建了精神共病层级神经认知模型（NeuroHiP），首次识别出一种由前额叶执行控制环路高连接特征驱动、贯穿外化与内化核心症状的通用性神经精神病理因子，揭示了不同精神疾病共病背后的共性神经机制（Nature Medicine, 2023）。在此层级模型基础上，研究进一步实现了病理机制的精细化分解，分离出两类特异性神经病理因子：其一为与冲动特质相关的外化因子，主要表现为感觉运动环路连接异常增强；其二为与神经质特质相关的内化因子，核心特征为前额叶-眶额叶目标导向环路连接异常减弱（Nature Mental Health, 2026）。上述发现在覆盖青春前期至成人期的六个独立研究队列中得到系统验证，显示出良好的稳健性与可重复性。该系列研究构建了精神疾病共病的层级化神经认知机制框架，有助于厘清共病中的共性与特异性病理差异，并为精神疾病的分层早期干预、精准诊疗体系建设以及精准精神病学的发展提供新的科学视角与理论依据。

演讲嘉宾简介

谢超

清华大学 · 心理与认知科学系

谢超，清华大学心理与认知科学系助理教授。研究方向为脑发育与精神共病的神经认知机制，结合大规模脑影像、连接组预测建模、行为遗传与计算建模等手段。以第一作者身份在Nature Medicine、Nature Mental Health，Science Advances等期刊上发表论文，并获得博新计划和教育部珠峰计划等支持，主持国自然面上和青年项目等项目。

演讲内容摘要

Carbon是由北京中关村学院与HuggingFace联合开发的生成式基因组大模型，旨在降低基因组AI的应用门槛，使其不再高度依赖GPU集群资源。模型参数量为30亿，在多个基准任务上的表现优于70亿参数的Evo2模型，同时计算效率提升约275倍。Carbon在应用层面主要聚焦两个方向：其一，DNA序列设计，涵盖调控元件优化和mRNA疫苗设计等合成生物学与精准医学场景；其二，基因组注释，不依赖传统序列比对方法，而是基于序列内在特征直接解读DNA的功能信息，为比较基因组学、蛋白质发现和通路分析等下游任务提供基础支持。基于Carbon的注释能力，研究团队完成了对16万亿碱基序列的系统性注释，构建了目前已知规模最大的AI基因注释数据库Carbon Database，其数据量和物种多样性较现有公开资源扩大约8倍。该数据库对AI4S领域可作为训练DNA与蛋白语言模型的多源语料库；对生命科学领域则提供了识别新物种、新基因和新功能的潜在数据基础。Carbon模型与Carbon Database共同构成面向生命科学研究的基础设施框架。未来，北京中关村学院与HuggingFace计划进一步探索融合基因组理解与自然语言交互的模型体系，以支持更广泛的生命科学人机协作研究场景。

演讲嘉宾简介

李秋熠

北京中关村学院 · AI for Science

李秋熠，北京中关村学院AI for Science研究员，墨尔本大学应用数学博士，曾任阿里达摩院博士后、阿里云AI算法高级工程师。其研究主要聚焦大语言模型技术在生命科学，特别是基因组学中的应用。作为DNA大模型项目Gener Project的发起人与带头人，他主导研发了Gener系列基因组基础模型GENERator与GENERanno。在此基础上，他进一步联合国际知名开源社区Hugging Face推动新一代基因组基础模型Carbon的研发，在模型性能与计算效率方面均展现出国际竞争力，并拓展其在序列设计、功能分析、基因注释等场景中的应用，致力于打造生命科学领域的“DeepSeek”。

演讲内容摘要

梯度下降是优化与机器学习中最基础的算法之一。对于光滑凸优化问题，经典理论给出的收敛速度为 O(T^{-1})。近年来的一系列工作发现，无须引入动量或改变算法结构，仅通过精心设计步长序列，就可以将普通梯度下降加速至约 O(T^{-1.2716})。这自然引出了一个基本问题：仅依靠步长选择，梯度下降能否达到 Nesterov 加速方法所具有的最优 O(T^{-2}) 收敛速度？ 本报告将介绍我们在这一问题上的最新结果。针对使用预先设定的非负步长序列的梯度下降，我们证明了一个 \Omega(T^{-1.9319}) 的末次迭代收敛下界。这表明，无论如何设计此类步长序列，仅依靠步长调度都无法使普通梯度下降达到 O(T^{-2}) 的最优加速速度。 本工作的证明由 GPT-5.6 Sol Pro 在作者指导下完成，报告也将简要分享大语言模型参与数学研究与证明发现的过程。

演讲嘉宾简介

马鉴昊

清华大学 · 工业工程系

马鉴昊，清华大学工业工程系助理教授，研究方向为机器学习中的优化理论。2025年于美国密歇根大学工业与运筹工程系获得博士学位，导师为 Salar Fattahi 教授；随后在宾夕法尼亚大学统计与数据科学系从事博士后研究，合作导师为 Yuxin Chen 教授。相关成果发表于 JMLR、Mathematics of Operations Research、TMLR、COLT、ICML、ICLR、NeurIPS 等期刊与会议。

演讲内容摘要

在线学习是一种通过交互信息持续提升模型能力的学习范式，是解决序列预测与决策问题的重要技术手段。本次报告将首先介绍我们在非稳态在线学习方面的理论进展，提出“在线集成”框架实现最优的动态遗憾界保障，有效提升了开放环境下的稳健性。进一步，本报告还将介绍在线学习技术在大模型情境下的初探。特别以高效推理为例，针对自回归生成过程计算开销大、推理延迟高的问题，我们提出了在线学习驱动的推测解码方法：基于小模型生成草稿、大尺寸模型验证的推理范式，并构建“生成-验证-自适应更新”的在线学习闭环，通过反馈信息动态优化草稿策略，有效提高了推测解码系统的接收率和推理效率。同时，报告还将介绍基于扩散模型架构的草稿生成与并行树状解码等方向进展。

演讲嘉宾简介

赵鹏

南京大学 · 人工智能学院

赵鹏，南京大学人工智能学院准聘副教授，博士生导师，机器学习与数据挖掘所（LAMDA）成员。研究方向为机器学习基础理论，包括在线学习、随机优化、强化学习理论等。发表学术论文60余篇，包括JMLR、COLT、ICML、NeurIPS等顶级期刊和会议。担任Machine Learning、TMLR期刊执行编委、Frontiers of Computer Science期刊青年编委，担任ICML、NeurIPS等会议领域主席等。入选CCF优秀博士论文激励计划，曾获南京大学“小米青年学者-科技创新奖”等。

演讲内容摘要

随着大语言模型推理能力持续提升，Agent系统的性能瓶颈正逐步从模型本身扩展到规划、记忆、执行与工具编排等外部机制。本报告将介绍我们近期围绕自适应Agent架构的一系列研究，包括任务感知的执行结构、可演化的规划与记忆机制，以及Harness与模型策略的协同优化。相关工作旨在探索超越单纯模型规模扩展的新路径，使Agent系统具备面向任务动态构建、持续适应与自主进化的能力。

演讲嘉宾简介

常恒

Unity China · AI Hub

常恒博士，现任Unity China首席AI科学家，曾任华为终端云服务助理首席专家，华为天少少年计划。他于清华大学电子系获得工学学士学位，后于清华大学计算机系取得计算机科学博士学位，曾在UC Berkeley和Harvard进行研究工作。他当前的研究兴趣包括： LLM Agents，Agentic RL及其在垂域场景的应用。他在人工智能和数据挖掘领域的国际顶级会议与期刊上发表了六十余篇学术论文，并担任NeurIPS, ICLR, AAAI等国际顶级会议领域主席（Area Chair）。

演讲内容摘要

今天的 AI 很大程度上仍然依赖于规模化的试错：更大的模型、更多的数据、更昂贵的实验。但如果我们希望 AI 能够真正实现自主进化，一个更基础的问题是：我们是否能够理解、预测，并最终自动设计 AI 本身？ 本报告将介绍我们从 Science of AI 到 AI for AI 的一系列探索。首先，我们开发了 ComfyResearch，将神经网络训练变成一个可观测、可干预的实验系统，系统研究 scaling law、grokking、优化动力学等现象；在此基础上，我们进一步构建 Physics of AI Game，把这些研究问题转化为可控的“实验题”，训练人和 AI 从训练曲线与内部 observable 出发，通过提出假设、设计干预、总结规律来解决问题。进一步地，ArchitectureIQ 将这种能力扩展到模型架构：给定不同的网络结构与训练条件，测试一个智能体能否理解架构如何影响训练动力学，并找到更好的模型设计。 这些项目最终指向一个更长期的目标：构建能够理解 AI 的 Meta Model，以及能够自主开展研究的 Auto Research 系统。我们希望 AI 不再只是在巨大的架构空间中盲目搜索，而是像科学家一样，通过实验积累知识、形成规律，并利用这些规律提出新的架构和算法。 从观测 AI，到理解 AI；从预测 AI，到设计 AI；最终，让 AI 成为研究和进化 AI 自身的工具。这可能代表一种不同于单纯扩大算力的新路径：Scale insight, not compute.

演讲嘉宾简介

刘子鸣

清华大学 · 人工智能学院

刘子鸣，清华大学人工智能学院助理教授、上海期智研究院 PI、元环智能创始人。本科毕业于北京大学物理学院，博士毕业于 MIT 物理系，师从 Max Tegmark，曾于 Stanford University 从事博士后研究。 研究方向聚焦于 Science of AI、AI for AI 与 AI for Science，致力于理解人工智能系统背后的基本规律，并利用 AI 自动发现和设计更好的 AI。代表性工作包括 Kolmogorov-Arnold Networks（KAN）、PFGM/PFGM++、AI Poincaré、Grokking 等。目前重点探索 AI 训练动力学、模型架构自动发现、元模型（Meta Model）与世界模型，希望推动 AI 研发从依赖人工经验的试错范式，走向可理解、可预测、可自动化的科学范式。 曾获 Google PhD Fellowship，研究成果发表于 NeurIPS、ICML、ICLR 等国际会议，并受到 Quanta Magazine、Scientific American、MIT News 等媒体报道。

演讲内容摘要

We introduce Pion, a spectrum-preserving optimizer for large language model (LLM) training based on orthogonal equivalence transformation. Unlike additive optimizers such as Adam and Muon, Pion updates each weight matrix through left and right orthogonal transformations, preserving its singular values throughout training. This yields an optimization mechanism that modulates the geometry of weight matrices while keeping their spectral norm fixed. We derive the Pion update rule, systematically examine its design choices, and analyze its convergence behavior along with several key properties. Empirical results show that Pion offers a stable and competitive alternative to standard optimizers for both LLM pretraining and finetuning.

演讲嘉宾简介

刘威杨

香港中文大学 · 计算机科学与工程系

刘威杨，香港中文大学计算机科学与工程系助理教授、博导。于英国剑桥大学取得机器学习博士学位，于美国佐治亚理工学院取得计算机博士学位，曾任德国马克斯普朗克研究所博士后研究员。曾在Google DeepMind、Nvidia从事科研工作。主要研究方向为大规模机器学习、大模型高效稳定训练算法、形式化推理、符号推理等，在Nature Machine Intelligence、PNAS、IEEE TPAMI、NeurIPS、ICML、ICLR、AISTATS、UAI、CVPR、ICCV、ECCV等顶级期刊/会议发表论文80余篇。

演讲嘉宾简介

曹原

香港大学 · 计算与数据科学学院

Yuan Cao is an assistant professor in the School of Computing and Data Science at the University of Hong Kong. Before joining HKU, he was a postdoctoral scholar at UCLA. He received his B.S. from Fudan University and Ph.D. from Princeton University. Yuan’s research interests include deep learning theory, non-convex optimization, and high-dimensional statistics.

演讲内容摘要

Existing continuous frameworks still rely on decoders supervised with cross entropy (CE) because the flow trajectories are not guaranteed to terminate at valid token embeddings. Motivated by this limitation, we introduce ConvergeFlow, an embedding-space flow-based LM, which constrains the data predictor to the convex hull of token embeddings and trains it solely with the mean squared error objective induced by flow matching. Under suitable regularity conditions, we prove that the resulting flow converges to valid token embeddings despite errors in the data predictor, enabling direct token prediction without a CE-supervised decoder. We further develop three sampling mechanisms for controlling the trade-off between the generative perplexity and entropy. Experiments on OpenWebText demonstrate that ConvergeFlow achieves performance competitive with existing continuous and discrete diffusion LMs. These findings demonstrate the potential of the flow-based paradigm for language modeling.

演讲嘉宾简介

李根

香港中文大学 · 统计与数据科学

Gen Li is currently an assistant professor in the Department of Statistics and Data Science at the Chinese University of Hong Kong. His research interests include diffusion model, generative AI and reinforcement learning.

演讲内容摘要

摘要： 扩散模型展现出了卓越的生成性能，但其迭代采样过程仍然伴随着较高的计算成本。本次报告首先聚焦于标准扩散模型的超快速加速方法，包括 Diff-Instruct、Score Implicit Matching，以及它们所代表的分布匹配蒸馏范式。该类方法通过直接匹配预训练扩散教师模型的分布。我们将介绍其核心原理、理论联系，以及针对不同应用场景所发展出的实用变体。 第二部分将回顾连续语言扩散模型的近期进展。这类模型构建于概率空间或词元嵌入空间，为传统的自回归解码提供了一种潜在的超高速、大规模并行建模方案。我们将重点介绍其在模型设计、训练目标和解码方法方面的最新进展，并讨论其在生成质量、推理效率和可扩展性等方面仍然面临的开放挑战。

演讲嘉宾简介

罗维俭

小红书 · dots大模型

罗维俭博士是小红书（RedNote/Xiaohongshu）公司dots大模型团队（https://studio.dots.ai/）的多模态大模型研究员。他在北京大学（PKU）数学科学学院获得统计学博士学位和应用统计学硕士学位，本科阶段则毕业于中国科学技术大学（USTC）数学系，获数学学士学位。 维俭目前在dots大模型团队进行大型生成式理解模型等研究，其团队专注于开发高效可扩展的生成式理解模型，这类模型能够进行推理、理解人类意图，并实时生成视觉 - 音频响应。维俭在人工智能学术会议与期刊如ICML，NeurIPS，ICLR，CVPR，TMLR等发表论文十余篇。他曾邀担任前沿人工智能期刊如Nature Communications（Nat. Com），Journal of Machine Learning Research（JMLR），IEEE Transactions on Image Processing（TIP），Pattern Recognition（PR）等杂志审稿人。同时，他也参与人工智能会议审稿，包括 NeurIPS、ICML、ICLR、CVPR、ICCV、AISTATS、UAI 等。

演讲内容摘要

传统离线策略评估往往针对每一份新数据独立构建评估器，而忽视了大量已有评估任务中蕴含的可迁移经验。对此，本文提出一种具备复用能力的评估模型，通过在丰富多样的合成任务上进行预训练，使模型能够直接从新数据与目标策略中一次性推断出策略价值。该模型利用基于状态转移的注意力机制处理离散状态空间，并设计轨迹 - 片段层次结构来适应连续状态场景。理论分析与实验表明，引入先验任务可有效降低有限样本下的评估偏差，且先验贡献随实际数据量增长而自动衰减。在网格世界、非线性肿瘤模拟及真实重症监护数据等多个基准上，该方法不仅超越了传统单任务评估与非神经网络方案，也显著优于精细调参的神经网络基础模型。

演讲嘉宾简介

周帆

上海财经大学 · 统计与数据科学学院

周帆，上海财经大学统计与数据科学学院常任教授，应用统计与数据科学系系主任，教育部青年长江学者，博士毕业于美国北卡罗来纳大学教堂山分校，现担任统计学顶刊JASA的副主编与人工智能顶会NeurIPS等的领域主席。研究兴趣包括深度学习，强化学习的算法与理论，大模型微调与AI智能体，在统计学，机器学习顶刊和顶会上发表了数十篇文章，带领团队建立了大模型统计推理数据集与评价体系StatEval，数据科学评测基准DataSciEval与自动化统计定理证明智能体StatProver。曾获上海市自然科学二等奖，泛华统计协会国际会议新研究者奖,北卡教堂山分校James E. Grizzle Distinguished Alumnus Award和Barry H. Margolin Award。

演讲内容摘要

In this talk, I will present our recent work on the optimality of Approximate Message Passing (AMP) algorithms for spiked matrix models with rotationally invariant noise. We introduce a new AMP algorithm that employs a matrix denoiser - acting on the eigenvalues of the observed matrix - and an iterate denoiser - applied to the AMP iterates. The resulting dynamics admit a simple state-evolution characterization, which allows us to identify the optimal pair of denoisers achieving the minimum possible asymptotic estimation error among a broad class of iterative algorithms.

演讲嘉宾简介

马俊杰

中国科学院数学与系统科学研究院 · 计算数学与科学工程计算研究所

马俊杰，中国科学院数学与系统科学研究院长聘副研究员，2015年在香港城市大学取得博士学位。曾于哥伦比亚大学、哈佛大学从事博士后研究。研究兴趣为复杂信号处理的数学理论与算法，在AOS、IEEE TIT、NeurIPS、ICML等国际期刊和会议发表多篇学术论文。曾入选中科院百人计划，主持3项国家自然基金委项目（青年项目、面上项目、青年科学基金B类项目），并参与中科院先导科技专项、科技部重点专项等科研项目。担任中国运筹学会青年工作委员会副秘书长（2022-2024）、中国现场统计研究会随机矩阵理论与应用分会理事。

演讲内容摘要

蛋白质主链生成在从头蛋白质设计中占据核心地位，对众多生物与医学领域应用意义重大。尽管基于扩散模型与流模型的生成式模型为攻克这一难题提供了可行思路，但这类模型生成的蛋白质所依赖的SE(3)群插值技术同时存在数值稳定性差和计算效率低的问题。本文提出一种全新的四元数整流匹配方法（Rectified Quaternion Flow，简称ReQFlow），可以实现快速且高质量的蛋白质主链生成。具体而言，该方法从随机噪声中为蛋白质肽链内的每个氨基酸残基生成局部平移量与三维旋转量，将三维旋转以单位四元数形式表示，并通过指数形式的球面线性插值构建四元数流。研究依托具备数值稳定性保障的四元数流匹配策略完成模型训练，同时对四元数流模型进行整流匹配，以此加快模型推理速度、提升生成蛋白质主链的可设计性，最终构建出ReQFlow模型。实验结果表明，ReQFlow在蛋白质主链生成任务中能够达到同级别的生成效果，同时所需采样步数大幅减少，推理耗时显著降低（例如生成长度为 300 的蛋白质主链时，速度是 RFDiffusion 的 37 倍、Genie2 的 63 倍），充分印证了该方法兼具实用性与高效性。

演讲嘉宾简介

许洪腾

中国人民大学 · 高瓴人工智能学院

许洪腾，中国人民大学高瓴人工智能学院副教授，海外优青，2017年于佐治亚理工学院获得博士学位，2018至2020年担任杜克大学客座研究员，研究方向聚焦最优传输驱动的机器学习、大模型技术与科学智能。在科学智能方向，带领团队研发全球首个聚合物构象生成模型PolyConf和基准测试集。研究工作曾获得ICML2025 AI for Math研讨会杰出论文提名奖，入选《Environmental Science & Technology》副封面文章等荣誉。主持国家自然科学基金重大研究计划培育项目、中央引导地方人工智能专项等项目，常年担任ICML、NeurIPS、ICLR等国际会议领域主席，曾在KDD2019、AAAI2022、IJCAI2023、AAAI2026成功举办讲习班，获得国内外同行的关注。

演讲嘉宾简介

毛小介

清华大学 · 经济管理学院

毛小介，清华大学经济管理学院管理科学与工程系副教授。2016年获武汉大学数理经济与数理金融专业学士学位，2021年获得美国康奈尔大学统计与数据科学专业博士学位。主要研究方向为因果推断、数据驱动的决策理论与方法、统计机器学习。相关研究成果发表于Management Science、Operations Research、Information Systems Research、Journal of Machine Learning Research、Journal of the Royal Statistical Society Series B、NeurIPS、ICML、COLT等运筹管理、统计学与机器学习领域的知名学术期刊和学术会议。

演讲内容摘要

AI Cosmos是由清华大学计算机系交互式人工智能实验室（CoAI）研发的一款多智能体驱动的情景化教学系统（官网：aicosmos.ai），致力于将人工智能从简单的辅助教学工具进化为激发学生认知与创造力的核心伙伴。该系统突破传统AI教学工具的技术门槛，实现全流程自然语言交互，让使用者无需AI或编程基础即可通过多智能体自主编排，轻松构建涵盖多角色研讨、代码实训、交互式视频生成以及仿真实验室的虚实融合“实践空间”。AI Cosmos让师生能够全身心投入到“在做中学”的沉浸式教学体验中，实现教育创新与前沿AI技术的无缝衔接。

演讲嘉宾简介

王宏宁

清华大学 · 计算机系

王宏宁，清华大学计算机系长聘副教授，国家高层次人才，长期专注于强化学习、大模型技术的研究。曾任美国弗吉尼亚大学计算机系Copenhaver讲席副教授，2023年秋加入清华大学后，重点投身于AI赋能教育教学的探索与实践，积累了丰富的理论研究与实践经验。

演讲内容摘要

数学作为科学进步的重要基石，长期支撑着各学科的发展与突破。近年来，人工智能的迅猛发展正在推动科学研究范式发生深刻变革，也为数学研究带来了新的机遇与挑战。当 AI 遇见数学，尤其是当自然语言成为数学研究智能体理解问题、组织推理与协同探索的重要界面时，将会产生怎样的化学反应？本报告将围绕“自然语言驱动的数学研究智能体”这一主题，简要回顾 AI 在数学研究中的发展脉络与代表性进展，分析 AI 面向研究级数学问题时所面临的核心挑战。在此基础上，报告将重点介绍本团队研发的 AI 数学家系统 AIM，展示其如何通过自然语言交互与智能体协作机制，辅助数学问题探索、定理形成与可信验证。

演讲嘉宾简介

李鹏

清华大学 · 智能产业研究院

李鹏，清华大学智能产业研究院副研究员，主要研究方向包括大模型、智能体、AI4Math 与 AI 驱动的科学发现，在人工智能重要国际会议和期刊发表论文 100 余篇。曾获 ACL 2023 Outstanding Paper Award、ICAIS 2025 Responsible AI Research Award、中国中文信息学会钱伟长中文信息处理科学技术奖一等奖等荣誉，主持科技创新 2030 重大项目课题、国家自然科学基金面上项目等科研项目，曾担任 ICLR、ACL、EMNLP、NAACL 等国际会议领域主席。其研究成果在腾讯微信、百度等千万级日活产品中获得应用并取得显著成效。

演讲内容摘要

近年来，智能体技术经历了"推理能力增强 → 工具能力提升 → 复杂问题拆解"等发展阶段，正从"问答工具"和"专业智能体"迈向更具通用能力的智能体操作系统（Agent OS）。然而，当前Agent OS在多项目并行的记忆污染、不加区分的Token成本浪费、以及问答范式下的能动性缺失等方面仍存在显著瓶颈。 PilotDeck以"解放生产力的第一性原理 - 提供好的生产关系"为设计思路，为大型语言模型提供最适合其工作的生产环境与执行模式，核心创新包括独立工作舱、项目制白盒记忆、多模型智能路由、常驻式主动执行等方面。

演讲嘉宾简介

闫宇坤

启元实验室 · 大模型研究中心

闫宇坤，启元实验室（Qiyuan Lab）大模型中心副研究员，清华大学自然语言处理实验室（THUNLP）客座研究员，博士毕业于清华大学脑与智能实验室，主要研究方向为大模型知识增强与智能体技术。近年来，在ICLR、NeurIPS、ICML、ACL等人工智能顶级国际会议发表论文40余篇，Google引用超千次，多次担任领域主席与审稿人。主持负责大模型相关开源项目UltraRAG（Github Trending Rank 2）、PilotDeck等，累计星标量1万以上；主持负责开源模型MiniCPM-Emedding系列、VisRAG-Ret系列等，累计下载量超50万次。

演讲内容摘要

Large language models (LLMs) are increasingly used as assistants for statistical and data science work, yet existing evaluations largely assume the analysis target is already specified. In practice, users arrive with informal goals and heterogeneous data, leaving the model to decide what statistical task is implied and which data are relevant. We first formalize this upstream step as Statistical Problem Formulation and decompose it into two subtasks: (1) Statistical Problem Classification and (2) Variable Identification & Role Assignment. We then introduce StatFormBench, a benchmark built from five cross-domain statistics textbooks and a data science case library, covering diverse problem types, data representations, and scenario styles. It contains 1,013 samples spanning 20 coarse-grained and 85 fine-grained statistical problem categories. Across 14 LLMs, the best one reach only 72.0 fine-grained classification accuracy and 63.2 variable set overlap.

演讲嘉宾简介

从鑫

清华大学 · 统计与数据科学系

从鑫， 清华大学统计与数据科学系助理教授， 主要研究方向为人工智能、大语言模型、自主智能体、智能数据分析。曾在 ACL、ICLR、NeurlPS 等人工智能顶级国际学术会议或期刊上发表论文 40 余篇，Google Scholar 总引用 7000 余次。曾主持发布了大语言模型工具学习框架 ToolLLM、大语言模型驱动的自主智能体框架XAgent 等工作。 其中 ToolLLM 被 ICLR 2024 评选为 Spotlight 论文， XAgent 在世界影响力最大的开源平台 Github 上获得超过 8K 颗星标关注，受到了国内外众多知名学者和企业的高度评价。