Cornell University（康奈尔大学）

Physical Foundation Models: Fixed hardware implementations of large-scale neural networks

物理基础模型：大规模神经网络的固定硬件实现

Logan G Wright, Tianyu Wang, Tatsuhiro Onodera, Peter L. McMahon

机构 * Department of Applied Physics, Yale University, New Haven, CT 06520, USA（耶鲁大学应用物理系） ； School of Applied and Engineering Physics, Cornell University, Ithaca, NY 14853, USA（康奈尔大学应用与工程物理学院） ； Department of Electrical and Computer Engineering, Boston University, Boston, MA 02215, USA（波士顿大学电气与计算机工程系） ； NTT Physics and Informatics Laboratories, NTT Research, Inc., Sunnyvale, CA 94085, USA（NTT物理与信息学实验室，NTT研究公司） ； 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） 纠错

AI总结 本文探讨了物理基础模型（PFMs）的概念，提出通过物理设计实现神经网络，以提升能效、速度和参数密度，适用于大规模模型。

Understanding and Improving Length Generalization in Hierarchical Sparse Attention Models

理解并改进层次稀疏注意力模型中的长度泛化

Jiaqi Leng, Xiang Hu, Junxiong Wang, Jianguo Li, Wei Wu, Yucheng Lu

机构 * Fudan University（复旦大学） ； Tencent AI Lab（腾讯AI实验室） ； Cornell University（康奈尔大学） ； Ant Group（蚂蚁集团） ； Ant International（蚂蚁国际） ； NYU Shanghai（纽约大学上海分校） 纠错

AI总结 本文通过系统分析揭示了层次稀疏注意力模型中长度泛化的核心设计原则，提出三种关键组件：非线性Chunk编码器、旁路残差路径和预训练中的稀疏选择，从而在RULER和BABILong数据集上实现了免训练的长度外推。

Comments ICLR 2026 camera-ready version

Foreclassing: A new machine learning perspective on human decision making with temporal data

前瞻性：一种新的机器学习视角下的人类决策过程中的时间数据处理

Daniel Andrew Coulson, Martin T. Wells

机构 * Department of Statistics and Data Science, Cornell University（统计与数据科学系，康奈尔大学） 纠错

AI总结 本文提出Foreclassing问题，旨在通过统一的端到端模型自动化人类决策过程，结合时间序列预测和不确定性处理，提升决策准确性。

Comments 20 pages, 1 figure, 15 tables

Trace-Level Analysis of Information Contamination in Multi-Agent Systems

多智能体系统中信息污染的跟踪级分析

Anna Mazhar, Huzaifa Suri, Sainyam Galhotra

机构 * Cornell University（康奈尔大学） ； University of Illinois（伊利诺伊大学） 纠错

AI总结 研究多智能体系统中信息污染现象，通过跟踪差异量化污染影响，提出污染表现类型分类及测量框架，揭示验证防护失效原因。

FinChain: A Symbolic Benchmark for Verifiable Chain-of-Thought Financial Reasoning

FinChain：可验证链式思维金融推理的符号基准

Zhuohan Xie, Daniil Orel, Rushil Thareja, Dhruv Sahnan, Hachem Madmoun, Fan Zhang, Debopriyo Banerjee, Georgi Georgiev, Xueqing Peng, Lingfei Qian, Jimin Huang, Jinyan Su, Aaryamonvikram Singh, Rui Xing, Rania Elbadry, Chen Xu, Haonan Li, Fajri Koto, Ivan Koychev, Tanmoy Chakraborty, Yuxia Wang, Salem Lahlou, Veselin Stoyanov, Sophia Ananiadou, Preslav Nakov

机构 * MBZUAI ； Syllogia ； The University of Tokyo（东京大学） ； The Fin AI（Fin AI） ； Cornell University（康奈尔大学） ； The University of Melbourne（墨尔本大学） ； IIT Delhi（德里理工学院） ； The University of Manchester（曼彻斯特大学） 纠错

AI总结 FinChain通过符号模板和可执行代码实现可验证的金融链式推理，评估26种LLM发现其在符号金融推理中存在明显缺陷，领域适应和数学增强的微调模型能显著缩小差距。

Comments 24 pages, includes 12 figures and 9 tables; introduces the FinChain benchmark and ChainEval metric