高校专区
字节建模中的效率差距
机构 * Google DeepMind（谷歌DeepMind） ； Department of Computer Science, Cornell University（康奈尔大学计算机科学系） ； Work done while at Google DeepMind（曾在谷歌深Mind工作）
AI总结 研究字节建模与掩码扩散建模在计算成本上的差异，发现字节建模在掩码扩散建模中效率更低，需引入新的结构偏置以维持扩展性。
基于纵向内窥镜的直肠癌复发病灶预测
机构 * Department of Medical Physics, Memorial Sloan Kettering Cancer Center（医学物理部，纪念斯隆凯特勒癌症中心） ； School of Computer Science, Cornell University and Cornell Tech（计算机科学学院，康奈尔大学和康奈尔科技） ； Department of Surgery, Colorectal Service, Memorial Sloan Kettering Cancer Center（外科部，结直肠服务，纪念斯隆凯特勒癌症中心） ； Department of Radiology, Weill Cornell Medical College（放射科，韦尔医学院） ； School of Electrical and Computer Engineering, Cornell University and Cornell Tech（电气与计算机工程学院，康奈尔大学和康奈尔科技）
AI总结 本文提出TREX模型，通过结合纵向内窥镜图像进行深度学习分析，实现对直肠癌复发病灶的早期检测，提升了诊断准确率和灵敏度。
Comments 14 Pages, 9 figures, 2 tables
从启发式到分析：在线学习中的努力和进度预测
机构 * Cornell University（康奈尔大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文通过ITS日志数据，利用监督学习方法预测学生每周练习时间和掌握新技能情况，展示基于特征的模型在降低MAE方面优于启发式基线，同时分析了预测特征的重要性，为 tutor-learner 目标设定提供支持。
Comments Accepted as full paper to the 19th International Conference on Educational Data Mining (EDM 2026)
CodeClash：面向目标导向软件工程的基准测试
机构 * Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学） ； Cornell University（康奈尔大学） ； Technical University of Munich（慕尼黑技术大学）
AI总结 CodeClash通过多轮竞赛评估语言模型在无明确指导下迭代开发代码以实现开放性目标的能力，揭示了模型在战略推理和长期代码维护方面的局限性。
提升流：用于流匹配的锐度感知采样
机构 * Lawrence Berkeley National Laboratory（伯克利国家实验室） ； International Computer Science Institute（国际计算机科学研究所） ； Department of Mathematics, KTH Royal Institute of Technology（皇家理工学院数学系） ； Nordita, KTH Royal Institute of Technology and Stockholm University（KTH皇家理工学院与斯德哥尔摩大学联合研究所） ； Center for Applied Mathematics, Cornell University（康奈尔大学应用数学中心）
AI总结 本文提出SharpEuler，一种无需训练的采样器，通过预训练模型离线分析校准轨迹上学习速度场变化最快的位置，生成时间步网格以优化生成效率，提升样本质量。
DisagMoE：通过解耦的AF-Pipe并行性实现计算-通信重叠的MoE训练
机构 * University of Washington（华盛顿大学） ； Cornell University（康奈尔大学）
AI总结 DisagMoE通过解耦注意力与FFN层，优化模型放置与调度，提升MoE训练效率，实验显示在16节点8xH800集群上实现1.8倍加速。
一个算子用于多种密度：通过神经算子实现条件化的消融近似
机构 * Operations Research Center（运筹学研究中心） ； Massachusetts Institute of Technology（麻省理工学院） ； Department of Computing and Mathematical Sciences（计算与数学科学系） ； California Institute of Technology（加州理工学院） ； Laboratory for Information and Decision Systems（信息与决策系统实验室） ； Center for Computational Science and Engineering（计算科学与工程中心） ； Department of Mathematics（数学系） ； Cornell University（康奈尔大学） ； Oden Institute for Computational Engineering and Sciences（计算工程与科学学院）
AI总结 本文提出通过神经算子近似条件化算子，解决概率条件化问题，展示了其在高斯混合模型中的应用，为概率条件化提供了理论基础。
Comments 27 pages (10 main text, 14 appendix, and 3 references pages), 2 figures, 2 tables
层级神经选项与抽象世界模型的联合学习
机构 * Cornell University（康奈尔大学） ； Google Deepmind（谷歌DeepMind）
AI总结 本文提出AgentOWL方法，通过高效样本学习抽象世界模型和层级神经选项，使智能体在Object-Centric Ataris游戏中以更少数据学习更多技能。
在需要的地方计算：自优化语言模型
机构 * Cornell University（康奈尔大学）
AI总结 本文提出自优化语言模型(SOL)，通过轻量策略网络动态分配计算预算，提升解码效率与生成质量，在不同模型和计算条件下优于静态分配和随机搜索。
Comments Accepted at ICML'26 Code: https://github.com/akhauriyash/SOL
适应测量的本征任务表示用于光子受限的光学读取
机构 * Department of Electrical and Computer Engineering, Princeton University, Princeton, NJ 08544, USA（普林斯顿大学电气工程与计算机工程系） ； School of Applied and Engineering Physics, Cornell University, Ithaca, NY 14853, USA（康奈尔大学应用与工程物理学院） ； USRA Research Institute for Advanced Computer Science, Mountain View, CA 94035, USA（美国研究机构高级计算机科学研究所） ； Kavli Institute at Cornell for Nanoscale Science, Cornell University, Ithaca, NY 14853, USA（康奈尔大学纳米科学学院）
AI总结 本文提出了一种适应测量的本征任务表示方法，用于提升光子受限条件下光学读取的性能，通过优化特征可分辨性，提高了低样本量下的分类效果。
Comments 15+14 pages, 4+9 figures, 55 references
CALYREX：跨注意力层扩展变换器用于系统提示锚定
机构 * Cornell University（康奈尔大学）
AI总结 CALYREX通过跨注意力机制在系统提示和输入之间建立结构隔离，提升模型在指令遵循和多轮指令遵守任务中的性能，同时降低 jailbreaking 攻击成功率。
Comments Preprint. 25 pages, 4 figures, 9 tables
你的模拟运行但解错了物理：基于PDE的意图验证用于LLM生成的多物理场模拟代码
机构 * Cornell University（康奈尔大学） ； Columbia University（哥伦比亚大学） ； Harvard University（哈佛大学） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出基于PDE的意图验证方法，用于检查LLM生成的多物理场模拟代码是否符合预期物理，通过确定性重构和比较PDE结构提升代码的意图保真度。
Comments Preprint
没有平均特征：为上下文压缩提供简单且强大的基线
机构 * Department of Computer Science and Cornell Tech（计算机科学系和康奈尔科技）
AI总结 本文提出BenchPress评估套件和简单高效基线，用于上下文压缩，通过双向注意力和均值池化方法提升性能。
Comments Code available at https://github.com/lil-lab/benchpress
基于大语言模型的化学合成与设计决策程序
机构 * École Polytechnique Fédérale de Lausanne (EPFL)（瑞士联邦理工学院洛桑校区） ； National Centre of Competence in Research (NCCR) Catalysis（催化领域竞争力研究国立中心） ； Harvard University（哈佛大学） ； Cornell University（康奈尔大学）
AI总结 本文提出利用大语言模型增强的 retrosynthesis 规划方法，通过高效编码反应路径和新的路线搜索策略，提升多步合成规划与可合成分子设计能力。
Comments ICML 2025
切片内积Gromov-Wasserstein距离
机构 * Center for Applied Mathematics, Cornell University（康奈尔大学应用数学中心） ； Department of Mathematics, Imperial College London（伦敦帝国理工学院数学系） ； 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 本文提出切片内积Gromov-Wasserstein距离，解决高维问题的统计和计算扩展性问题，通过旋转不变性性质进行结构和计算性质研究，并在文本聚类和语言模型比较中验证。
Comments 49 pages, 8 figures
序列模型的连续性法则
机构 * Center for Applied Mathematics, Cornell University（康奈尔大学应用数学中心） ； University of California, Berkeley（加州大学伯克利分校） ； Lawrence Berkeley National Laboratory（伯克利国家实验室） ； International Computer Science Institute（国际计算机科学研究所）
AI总结 本文研究序列模型中未被探索的连续性诱导偏差，通过时间连续性分析S4和S6模型的连续行为，发现连续性与任务连续性及性能相关，提出时间连续性度量方法提升效率和性能。
Turbo-GS: 加速3D高斯拟合以实现高质量辐射场
机构 * Indian Institute of Science（印度科学研究院） ； Brown University（布朗大学） ； Cornell University（康奈尔大学） ； Samsung R&D Institute India - Bangalore（三星印度研发中心-班加罗尔）
AI总结 本文提出Turbo-GS方法，通过减少计算开销和提升学习效率加速3D高斯拟合，实现4K分辨率快速拟合并保持高质量视图渲染。
Comments Accepted to CVPR 2026. Project page: https://ivl.cs.brown.edu/research/turbo-gs
DUET：基于可验证奖励的强化学习中优化令牌预算分配
机构 * Cornell University（康奈尔大学） ； University of California, Berkeley（加州大学伯克利分校） ； Columbia University（哥伦比亚大学）
AI总结 DUET通过联合调整令牌预算分配的两个维度，提升强化学习的推理质量和训练效率，同时在多个基准测试中表现优异，且在预算减少时性能优势扩大。
DARE：扩散语言模型激活重用以提高推理效率
机构 * Chandra Family Department of Electrical and Computer Engineering（查德拉家族电子与计算机工程系） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Cornell University（康奈尔大学）
AI总结 DARE通过利用扩散语言模型中token级冗余性，提高推理效率，减少计算量，同时保持生成质量。
面向现实代理系统的正式政策执行
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Cornell University（康奈尔大学） ； Langroid
AI总结 本文提出基于面向切面编程的框架，通过Datalog语言实现跨代理系统的政策执行，解决传统方法无法保证正式执行的问题。
基于SMT的加权自动机主动学习
机构 * University College London（伦敦大学学院） ； Cornell University（康奈尔大学）
AI总结 本文提出基于SMT的加权自动机主动学习算法，能生成最小自动机，实验表明其在有限和无限半环上均优于基线方法，且生成更小自动机。
Comments Appearing in CAV 2026
在现实世界中大型语言模型的幻觉：来自不存在引用的大规模证据
机构 * Department of Information Science, Cornell University（信息科学系，康奈尔大学） ； Department of Sociology, University of California Los Angeles（社会学系，加州大学洛杉矶分校） ； Department of Computer Science and Technology, Tsinghua University（计算机科学与技术系，清华大学） ； Haas School of Business, University of California Berkeley（哈斯商学院，加州大学伯克利分校）
AI总结 研究通过验证引用数据揭示LLM生成虚假引用的问题，发现2025年存在146932个虚假引用，且在AI应用快速发展的领域和语言特征显示AI辅助写作的论文中尤为严重，影响科学认可的公平性。
RNE: 可插拔的扩散推理时间控制与基于能量的训练
机构 * University of Cambridge（剑桥大学） ； Cornell University（康奈尔大学） ； Xaira Therapeutics
AI总结 本文提出RNE，通过路径分布密度比的概念，建立了边际密度与转移核之间的联系，统一了扩散密度估计、推理时间控制和基于能量的扩散训练。实验显示RNE在推理时间控制和训练能量扩散模型方面表现优异。
Comments Accepted at ICLR 2026
CLIPer：通过分类器引导的推理时个性化实现多样化用户偏好
机构 * Cornell University（康奈尔大学）
AI总结 CLIPer通过分类器引导在推理时个性化，实现多样化用户偏好，无需大量微调，具有高效可控的个性化能力。
符号名称不应起作用：一种逻辑理论的鲜符号分类
机构 * Department of Statistics and Data Science, Cornell University, Ithaca, NY 14850（统计与数据科学系，康奈尔大学，纽约州伊萨卡市，14850）
AI总结 本文研究了固定标签分类问题，探讨了模型如何在符号重命名不变的情况下学习决策规则，通过分析正则化核逻辑分类，提出了鲜符号分类的理论框架。
通过可行性保持图神经网络求解最大割问题的全局最优解
机构 * Davidson School of Chemical Engineering, Purdue University（普渡大学化学工程大卫逊学院） ； Faculty of Computer Science, RWTH Aachen University（亚琛工业大学计算机科学学院） ； Jacobs Technion-Cornell Institute, Cornell Tech（技术学院-康奈尔研究所）
AI总结 本文提出一种专门用于最大割问题的图神经网络，作为轻量级的SDP求解器替代品，能有效降低精确求解最大割问题的计算成本。
超越单一真实参考：参考一元论在语音识别评估中的知识不正义
机构 * Department of Information Science, Cornell University（康奈尔大学信息科学系） ； Department of Computer Science, Texas A&M University（德克萨斯农工大学计算机科学系） ； Rev AI ； Tundra Technical Solutions（Tundra技术解决方案） ； Division of Liberal Studies, Kangwon National University（康sworth国立大学文科系）
AI总结 本文探讨语音识别评估中单一参考标准的不公正性，提出通过不同注释惯例衡量ASR性能，并引入Epistemic Injustice Distance来量化其影响。
在深度强化学习中整合因果DAG：通过多阶暴露激活最小马尔可夫状态
机构 * Cornell Tech（康奈尔科技）
AI总结 本文研究了如何在深度强化学习中构建满足马尔可夫性质的MDP状态，提出MOSE方法通过多阶历史状态提升性能，证明了最小充分性不足，需引入受控冗余以利用因果状态信息。
PLOT：通过最优传输进行神经因果抽象的渐进定位
机构 * Cornell University（康奈尔大学）
AI总结 PLOT通过最优传输框架实现因果变量的定位，能够在不同复杂度的实验中高效定位因果抽象，提升因果解释的效率和准确性。
MELD：多任务平衡学习检测器用于AI生成文本
机构 * Cornell University（康奈尔大学） ； Weill Cornell Medicine（韦尔医学院） ； Cornell Tech（康奈尔科技）
AI总结 MELD通过多任务学习提升AI生成文本检测的鲁棒性与泛化能力，结合生成器、攻击类型和源域头，平衡损失函数以提高检测精度和低误报率。
Comments 17 pages, 6 figures
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈