Thinking in Blender: Staged Executable Inverse Graphics with Vision-Language Models
在Blender中思考：基于视觉语言模型的分阶段可执行逆向图形
机构 * Cornell University（康奈尔大学）
AI总结 提出分阶段可执行逆向图形（SEIG）框架，利用预训练视觉语言模型直接从单张图像重建可编辑的Blender程序，无需专用基础模型或可微渲染，通过逐步细化几何、材质、组合和光照提升重建保真度。
高校专区
Cornell University（康奈尔大学）
Gate the Filter, Not the Message: Node-Channel Mixtures for Pre-Propagation GNNs
门控滤波器而非消息：预传播图神经网络中的节点-通道混合
机构 * School of Electrical and Computer Engineering, Cornell University（康奈尔大学电气与计算机工程学院）
AI总结 针对预传播图神经网络中复杂跳聚合器性能不佳的问题，提出FilterMoE模型，通过3D门控张量联合路由节点和通道上的可学习切比雪夫滤波器专家，在11个同质和异质基准测试中平均提升1.53个测试分数。
UniD$^3$: A Knowledge Graph-Enhanced RAG Framework for Drug-Disease Discovery and Reasoning
UniD$^3$：一种用于药物-疾病发现与推理的知识图谱增强RAG框架
机构 * Department of Health Outcomes and Biomedical Informatics, University of Florida（佛罗里达大学健康成果与生物医学信息学系） ； Department of Hematology, H. Lee Moffitt Cancer Center and Research Institute（血液科，H. Lee Moffitt癌症中心与研究院） ； Center for Bioinformatics and Computational Biology, Houston Methodist Research Institute（生物信息学与计算生物学中心，休斯顿方法主义研究学院） ； Department of Cardiothoracic Surgery, Weill Cornell Medicine, Cornell University（心胸外科，Weill Cornell医学，康奈尔大学） ； Department of Biostatistics and Health Data Science, Indiana University School of Medicine（生物统计学与健康数据科学系，印第安纳大学医学院）
AI总结 提出UniD$^3$框架，结合大语言模型与知识图谱增强检索生成（KG-RAG），从生物医学文献中提取、组织和验证药物-疾病知识，生成结构化数据集并提升推理可靠性。
Reasmory: 3D Reconstruction as Explicit Memory for VLMs Spatial Reasoning
Reasmory: 3D重建作为VLMs空间推理的显式记忆
机构 * Cornell Tech, Cornell University（康奈尔科技学院、康奈尔大学） ； NVIDIA（英伟达） ； illoca AI（illoca人工智能） ； The University of California, Merced（加州大学梅尔塞德斯分校）
AI总结 提出Reasmory框架，通过结构化程序执行重建的3D显式记忆，并引入轻量级领域特定语言约束VLM查询和操作，在空间推理任务上提升6-18%。
Graph Transfer Learning via Shared Latent Geometry: Theory and Applications
基于共享潜在几何的图迁移学习：理论与应用
机构 * University of Central Florida, USA（佛罗里达中央大学） ； Cornell University, USA（康奈尔大学）
AI总结 提出一种非对称双路径架构，通过教师编码器从高保真模拟器学习算子多项式特征，学生编码器从稀疏数据学习相同潜在几何，实现零样本迁移并给出可证明的误差界。
Algorithmic Fragility and Persona Bias in LLM-Generated Autistic Communication
LLM生成的自闭症交流中的算法脆弱性与人格偏见
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Georgia Institute of Technology（佐治亚理工学院） ； Cornell University（康奈尔大学） ； Cardiff University（卡迪夫大学）
AI总结 通过双人格改写范式，发现LLM在生成自闭症人格文本时存在词汇与情感偏离、输出坍塌等系统性失败，且对齐策略而非参数规模主导这些失败，表明当前对齐训练导致深层表征鸿沟。
Comments main paper: 9 pages; total: 19 pages; 2 figures; 5 tables
Hypothesis Generation and Inductive Inference in Children and Language Models
儿童与语言模型中的假设生成与归纳推理
机构 * Computer Science University of Waterloo（滑铁卢大学计算机科学系） ； Department of Computer Science Cornell University（康奈尔大学计算机科学系） ； Department of Computer Science Dalhousie University（达尔豪斯大学计算机科学系） ； Department of Psychology University of Toronto（多伦多大学心理学系）
AI总结 通过归纳推理盒子任务，结合贝叶斯粒子推断的程序归纳形式化，比较儿童与基于LLM的智能体在不确定性下的假设生成与证据寻求行为，发现两者在适应环境结构上相似但信息寻求成本与归纳偏差不同。
LISTEN to Your Preferences: An LLM Framework for Multi-Objective Selection
LISTEN 你的偏好：面向多目标选择的LLM框架
机构 * Cornell University（康奈尔大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 提出LISTEN框架，利用LLM作为决策代理，通过迭代优化内部偏好模型（LISTEN-U参数法或LISTEN-T非参数法）从自然语言中学习用户隐含偏好，实现多目标选择。
Comments Accepted at IJCAI-ECAI 2026 (the 35th International Joint Conference on Artificial Intelligence)
Ethical Fairness in Ubiquitous Health Sensing without Known Attributes
无已知属性下的普适健康感知伦理公平性
机构 * Ira A. Fulton Schools of Engineering, Arizona State University（亚利桑那州立大学弗里曼工程学院） ； Arizona State University（亚利桑那州立大学） ； Cornell University（康奈尔大学） ； University of Michigan（密歇根大学）
AI总结 针对普适健康感知中缺乏人口统计或异构属性时的公平性问题，提出基于Fisher信息引导的潜在子群学习与无害正则化框架Flare，通过优化几何实现伦理公平。
d2: Improving Reasoning in Diffusion Language Models via Trajectory Likelihood Estimation
d2: 通过轨迹似然估计改进扩散语言模型的推理能力
机构 * Cornell University, Cornell Tech（康奈尔大学，康奈尔科技）
AI总结 提出d2框架，通过新的策略梯度算法和轨迹似然估计，显著提升扩散语言模型在逻辑与数学推理任务上的性能。
Comments ICML 2026. project page: https://guanghanwang.com/d2
