Cornell University（康奈尔大学）

The Efficiency Gap in Byte Modeling

字节建模中的效率差距

Celine Lee, Jing Nathan Yan, Chen Liang, Jiaxin Shi, Yin Zhang, Jeremiah Liu, Pengcheng Yin, Fernando Pereira, Ed Chi, Derek Cheng, Alexander M. Rush, Ruoxi Wang

机构 * Google DeepMind（谷歌DeepMind） ； Department of Computer Science, Cornell University（康奈尔大学计算机科学系） ； Work done while at Google DeepMind（曾在谷歌深Mind工作） 纠错

AI总结 研究字节建模与掩码扩散建模在计算成本上的差异，发现字节建模在掩码扩散建模中效率更低，需引入新的结构偏置以维持扩展性。

Prediction of Rectal Cancer Regrowth from Longitudinal Endoscopy

基于纵向内窥镜的直肠癌复发病灶预测

Jorge Tapias Gomez, Despoina Kanata, Aneesh Rangnekar, Christina Lee, Hannah Williams, Hannah Thompson, J. Joshua Smith, Francisco Sanchez-Vega, Mert R. Sabuncu, Julio Garcia-Aguilar, Harini Veeraraghavan

机构 * Department of Medical Physics, Memorial Sloan Kettering Cancer Center（医学物理部，纪念斯隆凯特勒癌症中心） ； School of Computer Science, Cornell University and Cornell Tech（计算机科学学院，康奈尔大学和康奈尔科技） ； Department of Surgery, Colorectal Service, Memorial Sloan Kettering Cancer Center（外科部，结直肠服务，纪念斯隆凯特勒癌症中心） ； Department of Radiology, Weill Cornell Medical College（放射科，韦尔医学院） ； School of Electrical and Computer Engineering, Cornell University and Cornell Tech（电气与计算机工程学院，康奈尔大学和康奈尔科技） 纠错

AI总结 本文提出TREX模型，通过结合纵向内窥镜图像进行深度学习分析，实现对直肠癌复发病灶的早期检测，提升了诊断准确率和灵敏度。

Comments 14 Pages, 9 figures, 2 tables

From Heuristics to Analytics: Forecasting Effort and Progress in Online Learning

从启发式到分析：在线学习中的努力和进度预测

Eric S. Qiu, Danielle R. Thomas, Boyuan Guo, Vincent Aleven, Conrad Borchers

机构 * Cornell University（康奈尔大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文通过ITS日志数据，利用监督学习方法预测学生每周练习时间和掌握新技能情况，展示基于特征的模型在降低MAE方面优于启发式基线，同时分析了预测特征的重要性，为 tutor-learner 目标设定提供支持。

Comments Accepted as full paper to the 19th International Conference on Educational Data Mining (EDM 2026)

CodeClash: Benchmarking Goal-Oriented Software Engineering

CodeClash：面向目标导向软件工程的基准测试

John Yang, Kilian Lieret, Joyce Yang, Carlos E. Jimenez, Muhtasham Oblokulov, Aryan Siddiqui, Ofir Press, Ludwig Schmidt, Diyi Yang

机构 * Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学） ； Cornell University（康奈尔大学） ； Technical University of Munich（慕尼黑技术大学） 纠错

AI总结 CodeClash通过多轮竞赛评估语言模型在无明确指导下迭代开发代码以实现开放性目标的能力，揭示了模型在战略推理和长期代码维护方面的局限性。