Cornell University（康奈尔大学）

Do Melody and Rhythm Coevolve?

旋律与节奏是否共进化？

Harin Lee, Rainer Polak, Manuel Anglada-Tort, Marc Schönwiesner, Minsu Park, Nori Jacoby

机构 * University of Cambridge, UK（剑桥大学，英国） ； RITMO Centre for Interdisciplinary Studies in Rhythm, Time and Motion, University of Oslo, Norway（节奏、时间与运动跨学科研究中心，奥斯陆大学，挪威） ； Department of Psychology, Goldsmiths College, University of London, UK（心理学系，伦敦大学金史密斯学院，英国） ； Department of Life Sciences, Leipzig University, Germany（生命科学系，莱比锡大学，德国） ； Division of Social Science, New York University Abu Dhabi, UAE（社会科学系，阿布扎赫尔新 york 大学，阿联酋） ； Department of Psychology, Cornell University, USA（心理学系，康奈尔大学，美国） 纠错

AI总结 研究通过分析27628首歌曲的旋律和节奏数据，发现两者在文化间存在差异，但节奏多样性与民族语言多样性相关，而旋律多样性无此关联，表明二者可能受不同文化压力影响。

Comments 6 pages, 3 figures, to be included in Proceedings of the Annual Meeting of the Cognitive Science Society

Bootstrapping Post-training Signals for Open-ended Tasks via Rubric-based Self-play on Pre-training Text

通过基于评分标准的自我博弈提升开放式任务的后训练信号

Chengyu Huang, Sheng-Yen Chou, Zhengxin Zhang, Claire Cardie

机构 * Department of Computer Science, Cornell University（康奈尔大学计算机科学系） 纠错

AI总结 本文提出POP框架，利用预训练语料生成评分标准，用于自我博弈训练LLM，提升其在医疗问答、创意写作等开放式任务上的性能。

Priming, Path-dependence, and Plasticity: Understanding the molding of user-LLM interaction and its implications from (many) chat logs in the wild

预设、路径依赖与可塑性：从（众多）真实聊天日志理解用户与大语言模型交互的塑造及其影响

Shengqi Zhu, Jeffrey M. Rzeszotarski, David Mimno

机构 * Cornell University（康奈尔大学） ； Loyola University Maryland（洛约拉大学马里兰分校） 纠错

AI总结 通过分析14万次聊天记录，研究发现用户与LLM的交互模式在早期迅速形成并稳定，长期结果与早期探索密切相关，揭示了用户行为的路径依赖和可塑性特征。

Scaling Pretrained Representations Enables Label-Free Out-of-Distribution Detection Without Fine-Tuning

预训练表示的扩展实现了无需微调的无标签分布外检测

Brett Barkley, Preston Culbertson, David Fridovich-Keil

机构 * Department of Electrical and Computer Engineering（电气与计算机工程系） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Department of Computer Science（计算机科学系） ； Cornell University（康奈尔大学） ； Department of Aerospace Engineering and Engineering Mechanics（航空航天工程与工程力学系） 纠错

AI总结 本文研究了通过扩展预训练表示实现无需微调的无标签分布外检测，展示了冻结表示的几何结构对检测性能的影响，证明了在不同任务中，表示质量提升可提高检测效果。

KFC-W: Generating 3D-Consistent Videos from Unposed Internet Photos

KFC-W: 从未经摆拍的互联网照片生成3D一致的视频

Gene Chou, Kai Zhang, Sai Bi, Hao Tan, Zexiang Xu, Fujun Luan, Bharath Hariharan, Noah Snavely

机构 * Cornell University（康奈尔大学） ； Adobe Research（Adobe研究） 纠错

AI总结 本文提出KFC-W模型，通过自监督学习从未经摆拍的互联网照片生成3D一致的视频，无需3D标注，优于现有方法，在几何和外观一致性上表现更佳，适用于3D高斯点扩散等应用。

Comments project page: https://genechou.com/kfcw/