$p1$: Better Prompt Optimization with Fewer Prompts
用更少提示实现更好的提示优化
机构 * Cornell University（康奈尔大学） ； Microsoft（微软） ； Harvard University（哈佛大学） ； Databricks AI Research（Databricks AI研究）
AI总结 研究揭示提示优化有效性取决于系统提示与响应方差，提出$p1$过滤方法提升优化效果，实验显示其在推理基准上优于基线方法。
高校专区
Cornell University（康奈尔大学）
MeshOn: Intersection-Free Mesh-to-Mesh Composition
MeshOn：无交集的网格到网格组合
机构 * Columbia University（哥伦比亚大学） ； University of Chicago（芝加哥大学） ； Cornell University（康奈尔大学）
AI总结 MeshOn通过多步骤优化框架实现两个输入网格的物理和语义真实组合，利用结构对齐方案和几何损失防止表面交叠，适用于多种材质配件的精准拟合。
Comments Project page: \hyperlink{https://threedle.github.io/MeshOn/}{this https URL}
Towards Rapid Constitutive Model Discovery from Multi-Modal Data: Physics Augmented Finite Element Model Updating (paFEMU)
面向多模态数据的快速本构模型发现：物理增强有限元模型更新（paFEMU）
机构 * University of Southern California（南加州大学） ； Cornell University（康奈尔大学） ； Ecole Polytechnique Federale de Lausanne (EPFL)（洛桑联邦理工学院） ； Pasteur Labs
AI总结 本文提出paFEMU方法，结合AI本构建模、稀疏化可解释模型发现和基于有限元的伴随优化，利用多模态数据实现快速本构模型发现。
On the Unique Recovery of Transport Maps and Vector Fields from Finite Measure-Valued Data
关于从有限测度数据中唯一恢复传输映射和向量场
机构 * Center for Applied Mathematics, Cornell University（康奈尔大学应用数学中心） ； Department of Mathematics, Cornell University（康奈尔大学数学系）
AI总结 本文研究了从有限测度数据中唯一恢复向量场和传输映射的条件，提出新的度量方法，并展示了其在生成模型和偏微分方程反问题中的应用。
ZipMap: Linear-Time Stateful 3D Reconstruction via Test-Time Training
ZipMap: 通过测试时训练实现线性时间的态持久3D重建
机构 * Google DeepMind（谷歌DeepMind） ； Cornell University（康奈尔大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 ZipMap通过测试时训练层实现线性时间双向3D重建，效率超过二次时间方法，能在10秒内处理700多帧。
Comments Project page: https://haian-jin.github.io/ZipMap
Attention Flows: Tracing LLM Conceptual Engagement via Story Summaries
注意力流动：通过故事摘要追踪LLM概念性参与
机构 * Cornell University（康奈尔大学） ； Aarhus University（奥胡斯大学）
AI总结 研究通过比较人类与LLM生成的故事摘要，分析模型在文本中的概念性参与模式，发现模型更关注文本结尾，揭示了摘要生成任务的复杂性。
Before Humans Join the Team: Diagnosing Coordination Failures in Healthcare Robot Team Simulation
在人类加入团队之前：医疗机器人团队模拟中的协调失败诊断
机构 * Cornell Tech（康奈尔科技校区） ； Department of Information Science, Cornell University（康奈尔大学信息科学系） ； University of Maryland, College Park（马里兰大学帕克分校） ； Imperial College London（伦敦帝国学院）
AI总结 本文通过模拟方法研究医疗机器人团队的协调失败问题，发现团队结构是协调的主要瓶颈，并提出安全的人机协作设计方法。
Comments Revised version incorporating new analysis and restructuring
Entropy After </Think> for reasoning model early exiting
推理模型早期退出后的熵
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Netflix Research（Netflix研究院） ； Cornell University（康奈尔大学）
AI总结 本文提出熵后</Think>信号(EAT)用于检测和防止推理模型过度思考，通过减少冗余推理token消耗提升效率，在数学问题数据集上验证了其有效性。
Comments Code and data assets are available at https://github.com/xidulu/EAT
The Model Agreed, But Didn't Learn: Diagnosing Surface Compliance in Large Language Models
模型已达成一致，但未学习：诊断大语言模型中的表面合规性
机构 * Independent Researcher（独立研究员） ； Cornell Tech（康奈尔科技校区） ； The Ohio State University（俄亥俄州立大学） ； The Pennsylvania State University（宾夕法尼亚州立大学）
AI总结 研究通过引入诊断框架，揭示大语言模型在记忆修改中存在表面合规现象，指出编辑方法可能仅模仿输出而非改变内部信念，导致认知不稳定和记忆不可逆。
Comments ACL 2026 Findings
On Dominant Manifolds in Reservoir Computing Networks
关于 reservoir computing 网络中的主导流形
机构 * Cornell University（康奈尔大学） ； University of British Columbia（不列颠哥伦比亚大学）
AI总结 研究了 reservoir computing 网络在时间预测任务中训练过程中低维主导流形的形成，揭示了主导模式与训练数据内在维度和信息含量的关系，并探讨了非线性 reservoir computing 的泛化方法。
Comments 6 pages, 3 figures
Cross-fitted Proximal Learning for Model-Based Reinforcement Learning
基于交叉验证的近端学习用于基于模型的强化学习
机构 * Cornell University（康奈尔大学）
AI总结 本文提出一种交叉验证的近端学习方法，用于解决基于模型的强化学习中因隐藏混淆导致的模型偏差问题，通过更高效利用数据提高估计精度。
Advancing AI Research Assistants with Expert-Involved Learning
通过专家参与学习推进AI研究助手
机构 * Yale University（耶鲁大学） ； Broad Institute of MIT and Harvard（麻省理工学院-哈佛大学博德研究所） ； Google DeepMind（谷歌DeepMind） ； Stanford University（斯坦福大学） ； Genentech（基因泰克） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Cornell University（康奈尔大学） ； Harvard University（哈佛大学）
AI总结 本文提出ARIEL框架，通过专家验证任务评估大语言模型和多模态模型在生物医学领域的表现，发现提示工程和轻量级微调能提升文本覆盖，计算扩展策略增强视觉问答能力，构建了集成文本和视觉线索的AI助手，提出可检验的机理假设。
Comments 43 pages, 7 figures
Cobblestone: A Divide-and-Conquer Approach for Automating Formal Verification
Cobblestone：一种用于自动化形式验证的分而治之方法
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Massachusetts（马萨诸塞大学） ； Cornell University（康奈尔大学） ； Rutgers University（罗格斯大学）
AI总结 Cobblestone通过大语言模型生成证明并分解问题，有效提升形式验证自动化水平，证明更多定理且成本低。
Comments 11 pages, 13 figures, Appearing at ICSE '26, Rio de Janeiro, Brazil
Minimaxity and Admissibility of Bayesian Neural Networks
贝叶斯神经网络的极小大性与可接受性
机构 * Department of Statistics and Data Science, Cornell University（康奈尔大学统计与数据科学系）
AI总结 本文研究了基于ReLU激活函数的深度全连接前馈BNN在正态位置模型下的决策规则，证明其非极小大，并提出超前先验以获得同时可接受和极小大的决策规则，进一步扩展到KL损失下的预测密度估计。
Comments 95 pages and 6 figures
Sandpiper: Orchestrated AI-Annotation for Educational Discourse at Scale
Sandpiper：大规模教育对话中的协同AI标注
机构 * National Tutoring Observatory（国家辅导观察站） ； FreshCognate ； Cornell University（康奈尔大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 Sandpiper通过结合交互式研究仪表板与大语言模型，实现高体积对话数据与人类定性专家的协同分析，提升研究效率和可靠性。
From Restless to Contextual: A Thresholding Bandit Reformulation For Finite-horizon Improvement
从动态到上下文：一种有限时间 horizon 改进的阈值老虎机重新公式化
机构 * Cornell Tech（康奈尔科技） ； Causal Foundry
AI总结 本文通过将在线动态老虎机重新公式化为预算阈值上下文老虎机，解决了现有算法在有限时间 horizon 性能差的问题，提出了一种实用学习策略，实现了亚线性遗憾，提升了累积奖励。
Leveraging ASIC AI Chips for Homomorphic Encryption
利用ASIC AI芯片进行同态加密
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Massachusetts Institute of Technology（麻省理工学院） ； Google（谷歌） ； NVIDIA（英伟达） ； Cornell University（康奈尔大学）
AI总结 本文探讨利用现有AI加速器如Google的TPU，通过CROSS编译器框架实现同态加密的高效能，解决GPU架构与同态加密算法的不匹配问题，提升能效。
Comments IEEE International Symposium on High-Performance Computer Architecture (HPCA) 2026; 18 pages, 16 figures, 5 algorithms, 10 tables. Leveraging Google TPUs for Homomorphic Encryption
Journal ref 2026 IEEE Symposium on High-Performance Computer Architecture
VERT: Reliable LLM Judges for Radiology Report Evaluation
VERT：用于放射学报告评估的可靠LLM评判者
机构 * Cornell University（康奈尔大学） ； Microsoft Healthcare & Life Sciences（微软医疗健康与生命科学）
AI总结 本文提出VERT作为LLM评判者，通过对比现有指标和实验验证，展示了其在多模态和解剖结构上的鲁棒性及轻量级微调的有效性。
Red-Teaming Vision-Language-Action Models via Quality Diversity Prompt Generation for Robust Robot Policies
通过质量多样性提示生成实现视觉-语言-动作模型的红队测试以获得鲁棒的机器人策略
机构 * Thomas Lord Department of Computer Science, University of Southern California（南加州大学托马斯·洛德计算机科学系） ； Sony AI（索尼AI） ； Sibley School of Mechanical and Aerospace Engineering, Cornell University（康奈尔大学西布利机械与航空航天工程学院）
AI总结 本文提出Q-DIG方法，通过生成多样化且相关的语言指令来发现VLA模型的漏洞，提升机器人策略的鲁棒性。
HyperCT: Low-Rank Hypernet for Unified Chest CT Analysis
HyperCT：用于统一胸部CT分析的低秩超网络
机构 * Cornell Tech and Cornell University（康奈尔科技校区与康奈尔大学） ； Columbia University Irving Medical Center（哥伦比亚大学欧文医学中心） ； Weill Cornell Medicine（威尔康奈尔医学院）
AI总结 HyperCT通过动态调整视觉Transformer骨干网络，结合低秩适应技术，实现高效的多任务统一分析，优于现有基线方法。
Comments MIDL 2026
Domain-Adapted Retrieval for In-Context Annotation of Pedagogical Dialogue Acts
领域适应的检索用于上下文注释教学对话行为
机构 * Cornell University（康奈尔大学）
AI总结 本文提出一种领域适应的RAG流水线，用于教学对话行为标注，通过轻量级嵌入模型在对话层面索引以提高标注精度，实验显示其在两个真实教学对话数据集上显著优于无检索基线。
Comments 20 pages, 20 tables, 4 figures
Communication-Efficient Distributed Learning with Differential Privacy
具有差分隐私的通信高效分布式学习
机构 * School of Civil and Environmental Engineering, Cornell University（康奈尔大学土木与环境工程学院） ； Department of Electronic and Electrical Engineering, University College London（伦敦大学学院电子与电气工程系） ； School of Electrical Engineering and Computer Science, and Digital Futures, KTH Royal Institute of Technology（KTH皇家理工学院电气工程与计算机科学学院及数字未来研究所） ； Department of Electrical and Electronic Engineering, Imperial College London（帝国理工学院电气与电子工程系） ； Department of Electronic Systems, Aalborg University（奥尔堡大学电子系统系） ； Department of Engineering and Architecture, University of Trieste（的里雅斯特大学工程与建筑系） ； Applied Mathematics, Systems Engineering, Mechanical Engineering, Electrical & Computer Engineering, Cornell University（康奈尔大学应用数学、系统工程、机械工程、电气与计算机工程系）
AI总结 本文提出一种通信高效且保证隐私的分布式学习算法，通过局部训练减少通信频率，并利用梯度裁剪和加性噪声保障数据隐私，证明算法能收敛至问题的平稳点，并在相同隐私预算下优于现有方法。
Scene Grounding In the Wild
野外场景的场景定位
机构 * Tel Aviv University（特拉维夫大学） ； Cornell University（康奈尔大学）
AI总结 本文提出一种框架，通过将部分重建与完整的参考模型对齐，提升无视觉重叠时的大尺度场景重建一致性。方法基于伪合成渲染，利用3D高斯点云和逆特征优化，引入WikiEarth数据集验证效果。
Comments CVPR 2026. Project page at https://tau-vailab.github.io/SceneGround/
CQA-Eval: Designing Reliable Evaluations of Multi-paragraph Clinical QA under Resource Constraints
CQA-Eval: 设计在资源受限情况下多段临床问答系统可靠评估
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） ； University of Washington（华盛顿大学）
AI总结 本文提出CQA-Eval框架，通过医生标注300个真实患者问题，比较粗粒度答案级与细粒度句子级评估在正确性、相关性和风险披露维度上的效果，发现细粒度标注提升正确性一致性，粗粒度提升相关性一致性，而风险披露判断仍不一致，且少量标注可提供与粗标注相当的可靠性。
Constrained free energy minimization for the design of thermal states and stabilizer thermodynamic systems
受限自由能最小化用于热态设计和稳定子热力学系统的设计
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） ； School of Applied and Engineering Physics, Cornell University（康奈尔大学应用与工程物理学院） ； Institute of Natural Sciences, Shanghai Jiao Tong University（上海交通大学自然科学研究院） ； School of Mathematical Sciences, Shanghai Jiao Tong University（上海交通大学数学科学学院）
AI总结 本文提出利用混合量子-经典算法设计可控哈密顿量的基态和热态，并引入稳定子热力学系统，通过实验验证算法在不同模型中的有效性及在编码中的应用。
Comments v3: 21 pages of main text, 15 pages of appendices, 12 figures
Journal ref Physical Review A, vol. 113, no. 4, page 042407, April 2026
Hybrid Hidden Markov Model for Modeling Equity Excess Growth Rate Dynamics: A Discrete-State Approach with Jump-Diffusion
混合隐马尔可夫模型用于建模股权超额增长率动态：一种离散状态方法与跳跃-扩散
机构 * Cornell University（康奈尔大学）
AI总结 本文提出混合隐马尔可夫模型，通过离散状态和跳跃-扩散机制建模股权超额增长率动态，实现更准确的分布和波动聚类再现。
Malliavin Calculus for Counterfactual Gradient Estimation in Adaptive Inverse Reinforcement Learning
针对自适应逆强化学习的反事实梯度估计的马尔蒂尼算子
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 本文提出一种基于拉格朗日算法的自适应逆强化学习方法，利用马尔蒂尼算子高效估计反事实梯度，解决传统方法收敛慢的问题。
PRISM: Robust VLM Alignment with Principled Reasoning for Integrated Safety in Multimodality
PRISM：面向多模态集成安全的原理化推理对齐
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Cornell University（康奈尔大学） ； Stanford University（斯坦福大学） ； NVIDIA（英伟达）
AI总结 PRISM通过结构化四阶段推理过程，有效应对多模态安全违规，提升VLM的鲁棒性与安全性，同时保持模型实用性。
Risk-Aware Linear Bandits: Theory and Applications in Smart Order Routing
风险感知的线性老虎机：在智能订单路由中的理论与应用
机构 * Management Science and Engineering, Stanford University（斯坦福大学管理科学与工程系） ； SC Johnson College of Business, Cornell University（康奈尔大学SC约翰逊商学院）
AI总结 本文提出风险感知线性老虎机算法，用于智能订单路由，通过线性结构假设和变差最小化设计，显著降低后悔值，实验证明其在复杂决策场景中优于现有方法。
Auto-Formulating Dynamic Programming Problems with Large Language Models
利用大语言模型自动生成动态规划问题
机构 * Antai College of Economics and Management, Shanghai Jiao Tong University（上海交通大学安泰经济与管理学院） ； Booth School of Business, University of Chicago（芝加哥大学布斯商学院） ； School of Operations Research and Information Engineering, Cornell University（康奈尔大学运筹学与信息工程学院） ； Cardinal Operations（杉数科技） ； Shanghai University of Finance and Economics（上海财经大学）
AI总结 本文提出DP-Bench基准和DPLM模型，通过DualReflect生成合成数据，实现动态规划问题的自动化建模，展现了在低数据环境下后向生成的优势及大规模下前向生成的价值。
