Columbia University（哥伦比亚大学）

EgoTL: Egocentric Think-Aloud Chains for Long-Horizon Tasks

EgoTL：用于长时任务的目视思考链

Lulin Liu, Dayou Li, Yiqing Liang, Sicong Jiang, Hitesh Vijay, Hezhen Hu, Xuhai Xu, Zirui Liu, Srinivas Shakkottai, Manling Li, Zhiwen Fan

机构 * UMN（明尼苏达大学） ； TAMU（德克萨斯农工大学） ； Brown University（布朗大学） ； McGill University（麦吉尔大学） ； UT Austin（德克萨斯大学奥斯汀分校） ； Columbia University（哥伦比亚大学） ； Northwestern University（西北大学） 纠错

AI总结 本文提出EgoTL，通过构建目视思考链管道，提升长时任务中视觉语言模型和世界模型的推理与规划能力，发现基础模型在作为目视助手或开放世界模拟器方面仍有不足。

Comments https://ego-tl.github.io/

CrashSight: A Phase-Aware, Infrastructure-Centric Video Benchmark for Traffic Crash Scene Understanding and Reasoning

CrashSight：面向交通事故场景理解与推理的相位感知、基础设施导向视频基准

Rui Gan, Junyi Ma, Pei Li, Xingyou Yang, Kai Chen, Sikai Chen, Bin Ran

机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of Wyoming（怀俄明大学） ； Columbia University（哥伦比亚大学） 纠错

AI总结 CrashSight通过真实道路摄像头数据构建大规模视频基准，评估视觉语言模型在交通事故场景中的理解与推理能力，揭示现有模型在时间与因果推理方面的不足。

Loom: A Scalable Analytical Neural Computer Architecture

Loom：一种可扩展的分析神经计算机架构

Mehmet Kerem Turkcan

机构 * Columbia University（哥伦比亚大学） 纠错

AI总结 Loom是一种可扩展的分析神经计算机架构，通过循环变压器执行编译后的C程序，具有固定成本和固定参数的高效执行机制。

MeshOn: Intersection-Free Mesh-to-Mesh Composition

MeshOn：无交集的网格到网格组合

Hyunwoo Kim, Itai Lang, Hadar Averbuch-Elor, Silvia Sellán, Rana Hanocka

机构 * Columbia University（哥伦比亚大学） ； University of Chicago（芝加哥大学） ； Cornell University（康奈尔大学） 纠错

AI总结 MeshOn通过多步骤优化框架实现两个输入网格的物理和语义真实组合，利用结构对齐方案和几何损失防止表面交叠，适用于多种材质配件的精准拟合。

Comments Project page: \hyperlink{https://threedle.github.io/MeshOn/}{this https URL}

A Method for Characterizing Disease Progression from Acute Kidney Injury to Chronic Kidney Disease

从急性肾损伤到慢性肾病的疾病进展表征方法

Yilu Fang, Jordan G. Nestor, Casey N. Ta, Jerard Z. Kneifati-Hayek, Chunhua Weng

机构 * Department of Biomedical Informatics, Columbia University（哥伦比亚大学生物医学信息学系） ； Department of Medicine, Division of Nephrology, Columbia University（哥伦比亚大学医学系肾脏病科） ； Department of Medicine, Division of General Medicine, Columbia University（哥伦比亚大学医学系全科医学） 纠错

AI总结 本文通过电子健康记录数据动态追踪AKI患者临床演变，利用多状态模型估计状态转移概率，识别CKD风险因素，发现15种不同AKI后状态，揭示不同临床状态下CKD发展概率差异。

Journal ref Journal of Biomedical Informatics 172 (2025) 104956