Cornell University（康奈尔大学）

GeoPose: Patient-agnostic CTA-to-DSA registration through projection-space calibration

GeoPose：通过投影空间校准实现患者无关的CTA到DSA配准

Rudolf L. M. van Herten, Robert Graf, Paula Feldman, Johannes C. Paetzold

机构 * Weill Cornell Medicine, Cornell Tech（威尔康奈尔医学院、康奈尔理工学院） ； Technical University of Munich（慕尼黑工业大学） 纠错

AI总结 本研究提出经人群训练的GeoPose框架，通过投影空间校准实现患者无关的CTA到DSA配准，无需患者特定适配，在配准精度和速度上均优于基线方法，可为下游血管重建提供几何对应关系。

Incoherent by Design? On the Moral Self-Consistency of LLMs

天生不连贯？大型语言模型的道德自我一致性研究

Pegah Nokhiz, Aravinda Kanchana Ruwanpathirana, Helen Nissenbaum

机构 * Cornell University（康奈尔大学） ； Cornell Tech（康奈尔科技学院） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 本研究针对GPT、Mistral、Llama等LLM，在义务论等三大伦理框架下，发现其道德推理存在最高78%的矛盾率，内部不连贯是AI对齐的必要前提。

Comments 88 pages; pages 16 to 88 are the appendix

Real-time Estimator of Actuator Control and Health (REACH) on an Eel-Inspired Soft Robot

受鳗鱼启发的软体机器人的执行器控制与健康实时估计器（REACH）

Zhangjingyi Jiang, Myungsun Park, Michael T. Tolley, Mark Campbell

机构 * Cornell University（康奈尔大学） ； University of California San Diego（加利福尼亚大学圣迭戈分校） 纠错

AI总结 针对受鳗鱼启发的软体游泳机器人，本文提出REACH算法，结合软体机器人模型、sigma点滤波器和统计假设检验，可在不同传感器配置、游动步态下准确估计执行器健康，实验验证其在噪声数据和制造差异下的有效性。

Modeling and Control of an Eel-Inspired Soft Robot for Design Optimization

鳗鱼启发式软机器人的建模与控制及其设计优化

Zhangjingyi Jiang, Mark Campbell

机构 * Cornell University（康奈尔大学） 纠错

AI总结 本文建立鳗鱼启发式软机器人仿真模型，结合有限元法与流体力模型验证控制方法有效性，发现略不对称设计兼具相当速度与更强机动性，可指导机器人设计优化。

Beyond Pass@k: Measuring Reliability and Security of Agentic Code Generation

超越Pass@k：衡量智能体代码生成的可靠性与安全性

Jiajun Jiang, Sharon Zheng, Natan Vidra, Spurthi Setty

机构 * Stevens Institute of Technology（史蒂文斯理工学院） ； Cornell University（康奈尔大学） 纠错

AI总结 该研究指出AI编码智能体基准误用Pass@k指标，提出正确的Reliability@k及安全调整版，通过实验验证误用指标的偏差，还在SWE-bench试点中发现真实场景下的核心问题。

The Value of a Prompt: An LLM-Relative Kolmogorov-Complexity Approach

提示的价值：一种大语言模型（LLM）相对柯尔莫哥洛夫复杂度的方法

Rafael Pass

机构 * Cornell Tech（康奈尔科技学院） ； Technion（以色列理工学院） ； TAU（特拉维夫大学） 纠错

AI总结 该研究提出LLM相对的概率性Levin–柯尔莫哥洛夫复杂度pKt，将提示价值定义为相对于pKt的算法互信息，可高效估算，且提示价值b位对应无提示时复制z的中位数token成本为有提示时的2^b倍。

Sparse Prototype Code Underlies Classification and Prediction Across Modalities

跨模态分类与预测的稀疏原型编码

Yehonatan Avidan, Daniel D. Lee, Haim Sompolinsky

机构 * Hebrew University（希伯来大学） ； The Racah Institute of Physics（拉卡物理研究所） ； Edmond and Lily Safra Center for Brain Sciences（埃德蒙和莉莉·萨夫拉脑科学中心） ； Cornell Tech, Cornell University（康奈尔大学科技校区） ； Center for Brain Science, Harvard University（哈佛大学脑科学中心） 纠错

AI总结 该研究揭示跨模态AI模型分类任务存在通用表征几何，推导平均场理论准确预测分类准确率，发现分类由稀疏质心对齐结构支配，关联稀疏特征提取方法。

Comments 33 pages, 13 figures, 14 tables