Tapered Language Models
锥形语言模型
机构 * Mila ； Cornell University（康奈尔大学） ； Université de Montréal（蒙特利尔大学） ； CIFAR AI Chair（CIFAR人工智能教席）
AI总结 针对现有语言模型各层参数均匀分配的问题，提出锥形语言模型（TLM），在固定预算下单调递减层容量，实验表明MLP宽度按余弦调度锥形化可提升困惑度和下游性能。
高校专区
Cornell University（康奈尔大学）
KITE: Decoupling Kinematics and Interaction for Zero-Shot Cross-Embodiment Manipulation
KITE：解耦运动学和交互以实现零样本跨实体操作
机构 * Cornell University（康奈尔大学）
AI总结 提出KITE框架，通过解耦任务推理与实体特定运动控制，利用接触模式学习交互意图的潜在表示，实现零样本跨实体操作迁移。
Quantifying Theoretical AI Alignment Guarantees: Receiver-Utility Bounds in Bayesian Persuasion
量化理论上的AI对齐保证：贝叶斯说服中的接收者效用界
机构 * Cornell University（康奈尔大学）
AI总结 通过贝叶斯说服模型，研究AI发送者优化错位目标时，人类接收者仍能获得多少有用信息，证明接收者效用比不超过3/2，并给出紧性下界。
Comments 12 pages, EC 2026 Poster and EC 2026 Incentive-Based AI Alignment Workshop Poster
Patched Flow Matching: Generative Wall-Pressure Reconstruction Beyond Training-Domain Scales from Sparse Sensors
补丁流匹配：基于稀疏传感器的训练域尺度外生成壁面压力重建
机构 * Sibley School of Mechanical and Aerospace Engineering, Cornell University（康奈尔大学机械与航空航天工程系） ； Department of Aerospace and Mechanical Engineering, University of Notre Dame（诺丁汉大学航空航天与机械工程系）
AI总结 提出补丁流匹配（Patched FM）生成框架，通过补丁局部先验和稀疏传感器测量，实现超出训练域尺度的壁面压力场重建，并利用内尺度坐标实现雷诺数迁移。
Artificial collectives of specialists and generalists excel at different tasks
专家与通才的人工集体在不同任务中表现出色
机构 * Cornell University（康奈尔大学） ； University of Vermont（佛罗里达大学） ； Santa Fe Institute（圣达菲研究所） ； Northeastern University（东北大学）
AI总结 通过优化代理的系统实验，研究代理解释能力、理性边界和任务质量如何影响集体绩效，发现通才集体在生成、选择和协调任务上更优，而专家集体在谈判任务上更优。
Comments 10 pages, 4 figures
Unified Motion-Action Modeling for Heterogeneous Robot Learning
统一运动-动作建模用于异构机器人学习
机构 * Cornell University（康奈尔大学）
AI总结 提出UMA模型，利用3D物体运动轨迹作为共享接口，通过掩码生成目标统一视觉运动控制和动力学建模，实现跨异构数据源的多任务预训练，并在部署时支持多种推理模式。
Comments https://uma-manipulation.github.io/
Sampling Triangulations and Calabi-Yau Threefolds with Autoregressive GNNs
使用自回归图神经网络采样三角剖分和卡拉比-丘三维流形
机构 * Department of Physics, Cornell University（康奈尔大学物理系）
AI总结 提出dualGNN，一种自回归消息传递图神经网络，用于采样凸多面体的精细正则三角剖分，并应用于弦论中均匀采样卡拉比-丘三维流形，模型参数少、训练快、泛化能力强。
Comments 53 pages, 27 figures, 3 tables
Towards Considerate Human-Robot Coexistence: A Dual-Space Framework of Robot Design and Human Perception in Healthcare
迈向体贴的人机共存：医疗保健中机器人设计与人类感知的双空间框架
机构 * Cornell Tech（康奈尔科技） ； Cornell University（康奈尔大学） ； University of Maryland（马里兰大学）
AI总结 通过14周联合设计研究的后续访谈，识别人类感知空间的四个解释维度，提出人机共存作为设计空间与感知空间共同演化的循环，强调人类作为解释者和中介者的角色。
Comments This paper has been accepted for publication at the 35th IEEE International Conference on Robot and Human Interactive Communication (RO-MAN 2026)
Achieving $\widetilde{O}(1/ε)$ Sample Complexity for Bilinear Systems Identification under Bounded Noises
在有限噪声下实现双线性系统辨识的 $\widetilde{O}(1/ε)$ 样本复杂度
机构 * Department of Electrical and Computer Engineering, University of Washington（华盛顿大学电气与计算机工程系） ； Cornell University AI for Science Institute, Cornell University（康奈尔大学AI for Science研究所）
AI总结 针对有界对称对数凹扰动下的离散时间双线性系统，提出有限样本集成员辨识方法，证明可行参数集直径以 $\widetilde{\mathcal O}(1/\epsilon)$ 的样本复杂度收缩，并通过仿真验证了不确定性量化的优势。
Comments 14 pages, 2 figures. Accepted by IEEE Control Systems Letters
Beyond the LUMIR challenge: The pathway to foundational registration models
超越LUMIR挑战：走向基础配准模型
机构 * The Russell H. Morgan Department of Radiology（Russell H. Morgan放射科） ； Radiological Science, Johns Hopkins Medical School（约翰霍普金斯医学院放射科学） ； Department of Computer Science, Aalto University（阿尔托大学计算机科学系） ； Cornell University（康奈尔大学） ； Canon Medical Systems (China) Co. Ltd.（佳能医疗系统（中国）有限公司） ； School of Biomedical Engineering, Shenzhen University Medical School（深圳大学医学院生物医学工程学院） ； Department of Imaging Physics, Delft University of Technology（代尔夫特理工大学成像物理系） ； Technical University of Munich（慕尼黑技术大学） ； Radboud University Medical Center（拉德伯德大学医学中心） ； Inria, Paris, France（法国巴黎Inria）
AI总结 提出LUMIR挑战，通过大规模无监督脑MRI配准任务，验证深度学习方法在生成解剖合理变形场和跨域鲁棒性上的优势，推动通用医学图像配准基础模型的发展。
Comments Accepted to Medical Image Analysis ((c) MedIA). Code available at https://github.com/JHU-MedImage-Reg/LUMIR_L2R
A Framework for Deductive Semantic Content Analysis at Scale in Science Education Using Text Embeddings
使用文本嵌入进行科学教育中大规模演绎语义内容分析的框架
机构 * Center for Interdisciplinary Education, University of Oslo（interdisciplinary Education 中心，奥斯陆大学） ； Laboratory of Atomic and Solid State Physics, Cornell University（原子与固体物理实验室，康奈尔大学） ； Department of Physics, California State University Fullerton（物理系，弗里蒙特加州州立大学） ； Center for Computing in Science Education, University of Oslo（科学教育计算中心，奥斯陆大学）
AI总结 提出基于文本嵌入的分类框架DeSCA，仅需少量示例即可实现大规模开放题编码，与人类编码者高度一致，并支持编码一致性审计。
Comments 47 pages plus supplementary information, 5 figures. Version 2 has been lightly edited and formatted to fit better with the field of science education research, including updating the title and adding a brief literature review of NLP methods applied to textual datasets in science education. Results are unchanged since original version
SHIELD: Safety on Humanoids via CBFs In Expectation on Learned Dynamics
SHIELD: 基于学习动力学期望的控制障碍函数实现人形机器人安全
机构 * Mechanical and Civil Engineering, California Institute of Technology（加州理工学院机械与土木工程系） ； Aerospace Engineering and Engineering Mechanics, UT Austin（德克萨斯大学奥斯汀分校航空航天工程与工程力学系） ； Computer Science, Cornell University（康奈尔大学计算机科学系）
AI总结 提出SHIELD框架，通过训练随机动力学残差模型并利用随机离散时间CBF在概率上保证安全，为黑箱RL控制器添加最小侵入式安全层，在Unitree G1人形机器人上实现安全导航。
Comments Accepted to the 2025 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2025). Copyright transferred to IEEE. Video at https://youtu.be/-Qv1wR4jfj4
