Cornell University（康奈尔大学）

SceneAligner: 3D-Grounded Floorplan Localization in the Wild

SceneAligner: 在真实场景中实现基于3D的平面定位

Junhyeong Cho, Ruojin Cai, Hadar Averbuch-Elor

机构 * Cornell University（康奈尔大学） ； Kempner Institute, Harvard University（哈佛大学 Kempner 院） 纠错

AI总结 本文提出了一种在真实场景中实现基于3D重建的平面定位方法，通过将任务 grounding 在场景的重建3D表示中，解决了现有方法在大规模建筑和栅格化平面图中应用受限的问题。

Comments Project Page: https://Cornell-VAILab.github.io/SceneAligner

From Sequential Nodes to GPU Batches: Parallel Branch and Bound for Optimal $k$-Sparse GLMs

从顺序节点到GPU批处理：并行分支限界法用于最优k-稀疏广义线性模型

Jiachang Liu, Andrea Lodi

机构 * Jacobs Technion-Cornell Institute, Cornell Tech and Technion–IIT（雅各布斯技术学院-康奈尔学院，康奈尔科技与技术学院） 纠错

AI总结 本文提出了一种CPU-GPU框架，通过批量处理GPU上的分支限界节点，显著加速了大规模优化问题的求解，特别是在具有离散变量、组合结构和非线性目标的优化问题中，如验证卡数约束下的最优广义线性模型解。

How Sparsity Allocation Shapes Label-Free Post-Pruning Recoverability

稀疏性分配如何塑造无标签后剪枝恢复能力

Qishi Zhan, Minxuan Hu, Liang He

机构 * Marquette University（马凯特大学） ； Cornell University（康奈尔大学） ； Tongji University（同济大学） 纠错

AI总结 本文研究了在固定激活统计修复后端下，稀疏性分配如何影响后修复恢复能力，通过比较ERK和LAMP分配在不同数据集和模型上的表现，发现分配选择对后修复准确性有显著影响，并揭示了修复敏感的过渡区域。

Comparing LLM and Fine-Tuned Model Performance on NVDRS Circumstance Extraction with Varying Prompt Complexity

对比LLM和微调模型在不同提示复杂度下的NVDRS情境提取性能

Geoffrey Martin, Xuan Zhong Feng, Yifan Peng

机构 * Department of Population Health Sciences, Weill Cornell Medicine（人群健康科学系，威尔·康奈尔医学学院） ； Systems Engineering, Cornell University（系统工程，康奈尔大学） 纠错

AI总结 本文研究了在不同提示复杂度下，LLM与微调模型在NVDRS情境提取任务中的表现差异，提出了一种复杂度评分算法，并展示了一个混合方法，通过不同情境选择提示策略，发现LLM在低 prevalence 情境中表现更优，且框架能跨不同前沿LLM通用。

Comments Accepted at IEEE ICHI 2026

Flat-Pack Bench: Evaluating Spatio-Temporal Understanding in Large Vision-Language Models through Furniture Assembly

Flat-Pack Bench: 通过家具组装评估大视觉-语言模型的时空理解

Aditya Chetan, Eric Cai, Peeyush Kushwaha, Bharath Raj Nagoor Kani, Utkarsh Mall, Qianqian Wang, Noah Snavely, Bharath Hariharan

机构 * Cornell University（康奈尔大学） ； Cornell Tech（康奈尔科技） ； MBZUAI（麦吉尔-伯克利-浙江大学人工智能研究院） ； UC Berkeley（伯克利大学） 纠错

AI总结 本文提出Flat-Pack Bench基准，用于评估大视觉-语言模型在复杂视频场景中的时空理解能力，发现当前模型在细粒度时空推理上存在显著不足。

Comments CVPR 2026

Predicting Performance of Symbolic and Prompt Programs with Examples

通过示例预测符号程序和提示程序的性能

Chengqi Zheng, Keya Hu, Shuzhi Liu, Tao Wu, Kevin Ellis, Yewen Pu

机构 * Nanayang Technological University, Singapore（南洋理工大学，新加坡） ； Massachusetts Institute of Technology, USA（麻省理工学院，美国） ； Cornell University, USA（康奈尔大学，美国） 纠错

AI总结 本文研究了通过示例预测程序性能的问题，提出了一种基于简单硬币翻转模型的方法，利用观察到的执行结果和性能先验知识来预测程序性能，并开发了RAP方法来构建代理先验以提高预测效果。