Cornell University（康奈尔大学）

Point Prompting: Counterfactual Tracking with Video Diffusion Models

点提示：基于视频扩散模型的反事实跟踪

Ayush Shrivastava, Sanyam Mehta, Daniel Geng, Andrew Owens

机构 * University of Michigan（密歇根大学） ； Cornell University（康奈尔大学） 纠错

AI总结 本文提出利用视频扩散模型进行零样本点跟踪，通过提示模型在视频中标记移动点，实现反事实生成，实验表明其跟踪效果优于传统方法且能克服遮挡。

Comments ICLR 2026. Project link: https://point-prompting.github.io

Ultra-low-light computer vision using trained photon correlations

利用训练的光子相关性实现超低光照计算机视觉

Mandar M. Sohoni, Jérémie Laydevant, Mathieu Ouellet, Shi-Yuan Ma, Ryotatsu Yanagimoto, Benjamin A. Ash, Tatsuhiro Onodera, Tianyu Wang, Logan G. Wright, Peter L. McMahon

机构 * School of Applied and Engineering Physics, Cornell University, Ithaca, NY 14853, USA（应用与工程物理学院，康奈尔大学，纽约州伊萨卡市，14853，美国） ； NTT Physics and Informatics Laboratories, NTT Research Inc., Sunnyvale, CA 94085, USA（NTT物理与信息实验室，NTT研究公司，硅谷，加利福尼亚州94085，美国） ； Department of Electrical and Computer Engineering, Boston University, Boston, MA 02215, USA（电气与计算机工程系，波士顿大学，马萨诸塞州波士顿市，02215，美国） ； Department of Applied Physics, Yale University, New Haven, CT 06511, USA（应用物理系，耶鲁大学，新 Haven，康涅狄格州06511，美国） ； Kavli Institute at Cornell for Nanoscale Science, Cornell University, Ithaca, NY 14853, USA（康奈尔大学纳米科学研究所，康奈尔大学，纽约州伊萨卡市，14853，美国） 纠错

AI总结 本文提出通过训练光子相关性增强的光子照明源与Transformer后端进行物体识别，提升低光照和噪声条件下的分类准确率，比传统方法提高15个百分点。

Comments 49 pages, 47 figures

Why Did Apple Fall: Evaluating Curiosity in Large Language Models

苹果为何坠落：评估大语言模型中的好奇心

Haoyu Wang, Sihang Jiang, Yuyan Chen, Xiaojun Meng, Jiansheng Wei, Yitong Wang, Yanghua Xiao

机构 * Shanghai Key Laboratory of Data Science, School of Computer Science, Fudan University（上海数据科学 key laboratory，计算机科学学院，复旦大学） ； Huawei Large Model Data Technology Lab（华为大模型数据技术实验室） ； Cornell University（康奈尔大学） 纠错

AI总结 本文基于人类好奇心评估量表，设计评估框架，发现大语言模型对知识有更强的渴求，但在不确定环境中仍保守，好奇心可提升推理与学习能力。

Comments ACL 2026 findings paper