Decoding Task Progress from VLA Representations
从视觉-语言-动作模型（VLA）表征中解码任务进度
机构 * Cornell University（康奈尔大学）
AI总结 该研究利用机制可解释性探究VLA的π₀.₅残差流，发现任务进度可从激活值线性读取，基于此构建的探测器可作为无标签OOD检测器，性能接近最先进方法，为监控部署的视觉运动策略提供轻量可解释路径。
高校专区
Cornell University（康奈尔大学）
ReconSpan: Reconstruction-Guided Adaptive Latent Tokenization
ReconSpan：重建引导的自适应隐式分词
机构 * Cornell University（康奈尔大学）
AI总结 本文提出ReconSpan，一种重建引导的自适应隐式分词方法，可将文本划分为特定块并保留前缀码作为隐式token，在匹配平均长度下其边界比随机边界保留更多文本，能可靠传递主题信息但难以提取精确细节。
Comments 16 pages, 3 figures
Which Site, and When: A Free-Satellite-Data Test of Himalayan Glacial Lake Bursts, Landslides, and Ice Floods
哪个地点，以及何时：基于免费卫星数据的喜马拉雅冰川湖溃决、滑坡与冰洪测试
机构 * Cornell University（康奈尔大学） ； Institute of Engineering, Tribhuvan University（特里布万大学工程学院） ； University of Alabama at Birmingham（阿拉巴马大学伯明翰分校） ； University of Bristol（布里斯托大学）
AI总结 该研究利用免费卫星数据，构建模型预测喜马拉雅地区冰川湖溃决、滑坡等三类灾害的易感性地点与触发时间，发现简单梯度提升基线模型表现优于多数深度学习模型，还给出了尼泊尔灾害预警优先级清单。
Agentic Neurosymbolic Collaboration for Mathematical Discovery: A Case Study in Combinatorial Design
代理神经符号协作用于数学发现：组合设计的一个案例研究
机构 * Algorithms and Complexity Group, TU Wien（算法与复杂性组，维也纳技术大学） ； Department of Computer Science, Cornell University（计算机科学系，康奈尔大学）
AI总结 本文通过代理神经符号协作方法，在组合设计理论中发现了一个新的紧下界，展示了人类与AI协作在数学发现中的有效性。
A Prior-Aware Metric for Efficiently Distinguishing Memorization from Generalization in Large Language Models
先验意识记忆：一种区分记忆与泛化在大语言模型中的高效度量标准
机构 * Cornell University（康奈尔大学） ； Boston University（波士顿大学） ； NVIDIA（英伟达）
AI总结 本文提出Prior-Aware Memorization，一种基于模型先验的轻量级度量标准，用于区分大语言模型中的真实记忆与统计上常见序列，揭示低频率不足以证明记忆，强调需考虑模型先验以评估数据泄露风险。
Comments COLM 2026 Camera Ready
Pixel-Space Diffusion Transformers
像素空间扩散变换器
机构 * Peking University（北京大学） ； Nanjing University（南京大学） ； Stanford University（斯坦福大学） ； Cornell University（康奈尔大学） ； University of Oulu（奥卢大学）
AI总结 本文探讨像素空间扩散变换器，针对潜在扩散模型的局限，研究直接对原始像素建模的像素空间扩散方法，介绍其在高维建模中的挑战与多模态建模优势，从多方面回顾pDiTs，总结方法、识别挑战并展望未来方向。
The CASE Framework: A Multi-Disciplinary Control Architecture for Governing Enterprise Agentic AI
CASE框架：用于管控企业智能体AI的多学科控制架构
机构 * Cornell University（康奈尔大学） ； Johns Hopkins University（约翰斯·霍普金斯大学） ； AI71
AI总结 针对企业智能体AI管控的“涌现缺口”问题，提出含四层架构的CASE框架，经实证验证可提升治理有效性，满足欧盟AI法案要求。
Comments 34 pages in total, 4 figures, 2 tables, code at https://github.com/srinivastelukunta/case_framework_arxiv_codes
A case study of evaluating AI agents on a neuroscience data-to-discovery pipeline
评估AI代理在神经科学数据到发现流程中的案例研究
机构 * Cornell University（康奈尔大学） ； HHMI Janelia Research Campus（霍华德·休斯医学研究所贾雷尔研究园区）
AI总结 本研究评估通用编码代理在果蝇光遗传学数据到发现流程中的表现，发现代理能解决单个阶段任务，但端到端流程仍超出其能力，主要挑战包括缺乏预定义迭代标准和科学判断能力。
Comments Peer-reviewed conference paper
Journal ref Third Conference on Language Modeling (COLM 2026)
Validated Synthetic Patient Generation for Small Longitudinal Cohorts: Coagulation Dynamics Across Pregnancy
小纵向队列的验证合成患者生成：妊娠期间的凝血动力学
机构 * Robert F. Smith School of Chemical and Biomolecular Engineering, Cornell University（康奈尔大学罗伯特·F·史密斯化学与生物分子工程学院） ； Department of Biochemistry, The Robert Larner, M.D. College of Medicine, University of Vermont Medical Center（佛蒙特大学医学中心罗伯特·拉纳医学院生物化学系） ； Department of Obstetrics, Gynecology, and Reproductive Sciences, The Robert Larner, M.D. College of Medicine, University of Vermont Medical Center（佛蒙特大学医学中心罗伯特·拉纳医学院妇产科与生殖科学系）
AI总结 本文提出基于Hopfield网络理论的多重加权随机注意机制，用于生成小纵向队列的合成患者，通过Langevin动力学在连续能景中插值存储模式，保留原始队列的几何结构，并在推理时放大罕见临床亚组，验证了其在凝血动力学中的有效性。
Matryoshka Language Model Suites
套娃语言模型套件
机构 * Cornell University（康奈尔大学）
AI总结 该研究提出Matryoshka训练框架，将尺寸递增的子模型堆叠为端到端嵌套架构，训练含5亿、15亿、30亿参数子模型的套件，其性能与基线相当，训练计算量减少36%，推测解码吞吐量提升14-26%。
Not All Visual Tokens Are Equally Safe to Remove:Consequence-Sensitive Visual Token Compression
并非所有视觉 token 都可安全移除：后果敏感型视觉 token 压缩
机构 * The University of Sydney（悉尼大学） ； Tongji University（同济大学） ； University of Surrey（萨里大学） ； Nankai University（南开大学） ； Cornell University（康奈尔大学） ； City University of Hong Kong（香港城市大学）
AI总结 该研究针对视觉语言模型提出后果敏感型视觉 token 压缩方法，可在相同总 token 预算下降低高风险错误，还能减少代价加权错误并降低延迟，泛化性良好。
HOPPER: Learnable Hop Extraction for Linearized Graph Sequence Models
HOPPER：用于线性化图序列模型的可学习跳提取方法
机构 * Carnegie Mellon University（卡内基梅隆大学） ； UC Berkeley（加州大学伯克利分校） ； Cornell University（康奈尔大学）
AI总结 HOPPER是LGSM的可学习扩展，可提取跳序列以实现自适应图传播，在ECHO-Synth基准表现最优或具竞争力，调整结构记忆窗口可优化LRIM基准准确率，为长距离图表示学习提供灵活方法。
Comments 24 pages, 1 figure, 4 tables
Curriculum Generation under Structured Parametric Environments for Robust Navigation Policies
结构化参数环境下用于鲁棒导航策略的课程生成
机构 * Cornell University（康奈尔大学）
AI总结 本文针对结构化参数环境提出重参数化课程生成框架，结合分布偏移正则化，在OpenAI Gym的两类连续控制环境中，显著优于多种基线方法，提升了导航策略的鲁棒性。
Comments 22 pages, 5 figures
Hybrid Quantum-Classical PINNs for Scientific Computing: A Multi-GPU Open-Source Framework
PINNACLE：一种用于经典和量子PINN的开源计算框架
机构 * Faculty of Mechanical Engineering, Technion Israel Institute of Technology, Haifa, Israel（技术学院机械工程系，以色列技术学院，海法，以色列） ； Andrew and Erna Viterbi Faculty of Electrical & Computer Engineering, Technion Israel Institute of Technology, Haifa, Israel（安德鲁和伊尔纳·维特比电气与计算机工程学院，技术学院，海法，以色列） ； Helen Diller Quantum Center, Technion Israel Institute of Technology, Haifa, Israel（海伦·迪尔量子中心，技术学院，海法，以色列） ； Faculty of Electrical and Computer Engineering, Cornell University, Ithaca, NY, USA（电气与计算机工程学院，康奈尔大学，纽约州伊萨克，美国）
AI总结 PINNACLE框架整合了现代训练策略和混合量子经典架构，通过统一模块化工作流系统评估PINN在不同基准问题中的性能，支持多种增强方法并提供全面的基准研究。
From Words to Widgets for Controllable LLM Generation
从词语到小部件：可控制的LLM生成
机构 * Cornell University（康奈尔大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Loyola University Maryland（路易斯安那大学马里兰分校）
AI总结 本文提出Malleable Prompting技术，通过将自然语言提示中的偏好转化为可视化的小部件，使用户能更精确地控制LLM生成，提升可控性和透明度。
Comments UIST 2026
Raster2Seq: Polygon Sequence Generation for Floorplan Reconstruction
Raster2Seq：用于平面图重建的多边形序列生成
机构 * Cornell University（康奈尔大学）
AI总结 本文提出Raster2Seq，将平面图重建视为序列到序列任务，通过自回归解码器生成带有几何和语义信息的多边形序列，实现复杂平面图的高精度重建。
Comments Accepted to SIGGRAPH 2026. Project page: https://cornell-vailab.github.io/Raster2Seq/
Dynamics of Learning under User Choice: Overspecialization and Peer-Model Probing
学习动态中的用户选择：过度专业化与同伴模型探测
机构 * Electrical and Computer Engineering, University of Washington（华盛顿大学电气与计算机工程学院） ； Computer Science, Cornell University（康奈尔大学计算机科学系）
AI总结 本文研究了用户选择对学习动态的影响，提出通过探测同伴模型预测来避免过度专业化陷阱，从而提升模型的全局性能。
Long-term Measurements: Towards a Longitudinal Understanding of Human-AI Interactions
长期测量：迈向对人机交互的纵向理解
机构 * Google Research（谷歌研究院） ； Cornell University（康奈尔大学） ； Stanford University（斯坦福大学） ； Google DeepMind（谷歌DeepMind）
AI总结 本研究针对语言模型融入生活引发的长期人机交互风险，结合社会科学测量与NLP计算方法，提出通过长期测量建模人类行为变化，实现问题行为在线检测以缓解用户长期风险。
ORCA-bench: How Ready Are Language Model Agents for Oncall?
ORCA-bench：语言模型智能体的值班待命准备程度如何？
机构 * Cornell Tech（康奈尔科技学院） ； Traversal ； Columbia University（哥伦比亚大学）
AI总结 该研究推出ORCA-bench基准，评估编码智能体在生产级值班待命场景下的根本原因分析能力，发现现有前沿智能体表现不佳，凸显其距离安全胜任生产可靠性工作仍有较大差距。
A More Accurate Algorithm Comparison through A/B Testing using Offline Evaluation Methods
通过离线评估方法的A/B测试实现更准确的算法比较
机构 * Hakuhodo DY Holdings Inc.（博报堂DY控股公司） ； Cornell University（康奈尔大学）
AI总结 揭示A/B测试可能比离线评估产生更高算法选择错误率的反直觉现象，提出通过引入假设中间算法并逐步估计性能差异来诱导正相关，从而减少关键选择错误。
Comments 13 pages, 10 figures. Accepted at KDD 2026; this version extends the camera-ready with additional experiments in Appendix B
Esoteric Language Models: A Family of Any-Order Diffusion LLMs
深奥语言模型：一类任意阶扩散LLM
机构 * Cornell University（康奈尔大学） ； NVIDIA（英伟达）
AI总结 提出Eso-LMs模型，融合自回归与掩码扩散范式，通过因果注意力实现精确似然计算和KV缓存，在速度-质量帕累托前沿上达到新最优。
Comments ICML 2026 Camera Ready
Fundamentals of quantum Boltzmann machine learning with visible and hidden units
量子玻尔兹曼机学习的基本原理：可见单元与隐藏单元
机构 * School of Electrical and Computer Engineering, Cornell University（电气与计算机工程学院，康奈尔大学）
AI总结 本文提出量子玻尔兹曼机中可见和隐藏单元的梯度估计方法，通过模块化流生成的单元ary旋转实现量子算法，用于生成建模和量子态学习。
Comments v2: 62 pages, 1 figure, minor changes
A Graph Signal Processing Perspective on Numerical Sequence Representations in LLM In-Context Learning
大语言模型上下文学习中数值序列表示的图信号处理视角
机构 * Cornell University（康奈尔大学） ； Goodfire AI（古德火人工智能公司） ； Imperial College London（伦敦帝国学院）
AI总结 本文从图信号处理视角研究LLM上下文学习中数值序列的表示，发现数值推理的内部特征随上下文长度和输入动态复杂性变化，且在不同模型家族间一致。
SoniSpeech: A Large-Scale Open-Vocabulary Tri-Modal Dataset for Wearable Silent Speech Interfaces
SoniSpeech：面向可穿戴静默语音接口的大规模开放词汇三模态数据集
机构 * Cornell University（康奈尔大学）
AI总结 针对可穿戴静默语音接口词汇量受限的问题，提出首个基于声学传感眼镜的大规模开放词汇三模态数据集SoniSpeech，构建了该任务的首个基准并取得26.3%的词错误率。
MetaRoute-Bench: Evaluating Meta-Decision Policies for Agentic Workflow Routing
MetaRoute-Bench：评估智能体工作流路由的元决策策略
机构 * Anote AI（阿诺特人工智能公司） ； Cornell University（康奈尔大学） ； CUNY（纽约城市大学） ； Stevens Institute of Technology（史蒂文斯理工学院）
AI总结 该研究提出MetaRoute-Bench框架，构建含180个任务的基准，对比8种路由策略，发现任务感知组合策略成功率优于静态策略，明确路由组合与验证的关键作用，为智能体工作流路由评估提供可复现方法。
Comments 6 pages, 1 figure; DAI 2026 submission
Quantitative Sobolev Approximation Bounds for Neural Operators with Empirical Validation on Burgers Equation
神经算子在Burgers方程上的定量Sobolev近似界及实证
机构 * Department of Mathematics, Cornell University（康奈尔大学数学系）
AI总结 本文提出基于Sobolev空间的算子学习框架，通过傅里叶神经算子在Burgers方程上的实证，证明了神经算子在Sobolev范数下的近似精度与参数数量的关系。
Expert-Choice Routing Enables Adaptive Computation in Diffusion Language Models
专家选择路由使扩散语言模型实现自适应计算
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Scitix ； Cornell University（康奈尔大学） ； Duke University（杜克大学） ； UC Davis（加州大学戴维斯分校） ； Southern University of Science and Technology（南方科技大学）
AI总结 本文提出专家选择路由方法，通过确定性负载平衡提升扩散语言模型的吞吐量和收敛速度，并展示如何通过时间步依赖的专家容量优化计算分配，从而在匹配FLOPs下提升性能。
Comments Accepted at COLM 2026
New York Smells: A Large Multimodal Dataset for Olfaction
纽约气味：一个大规模多模态数据集用于嗅觉
机构 * Columbia University（哥伦比亚大学） ； Cornell University（康奈尔大学） ； Osmo Labs（Osmo实验室）
AI总结 New York Smells 数据集通过多模态数据提升机器对嗅觉的感知能力，展示了视觉数据在跨模态学习中的作用。
Comments Project website at https://smell.cs.columbia.edu
PiDDM: Physics-Informed Differentiable Degradation Modeling for Lithium-Ion Battery State-of-Health Prediction
PiDDM：用于锂离子电池健康状态预测的物理信息可微退化建模
机构 * University of Notre Dame（圣母大学） ； The University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Cornell University（康奈尔大学）
AI总结 该研究提出PiDDM框架，将退化物理纳入神经网络训练，在55块电池的6种协议数据及外推任务中，其预测误差与均方误差均优于基线模型，可实现准确且物理一致的电池SOH预测。
OpenClaw and Ollama in Agentic AI: Toward Fully Autonomous and Scalable AI Agent Systems
智能体AI中的OpenClaw与Ollama：迈向完全自主且可扩展的AI智能体系统
机构 * University of the Peloponnese（伯罗奔尼撒大学） ； Cornell University（康奈尔大学）
AI总结 该研究提出智能体AI的分层架构，分析OpenClaw与Ollama组成的全栈系统，验证系统集成可提升智能体能力，指出相关挑战并提供路线图，所有资源公开以支持研究。
