G3T Up! Gravity Aligned Coordinate Frames Simplify Pointmap Processing
G3T 崛起！重力对齐的坐标框架简化点图处理
机构 * Cornell University（康奈尔大学）
AI总结 提出G3T模型，通过预测重力对齐的点图而非相机中心点图，利用场景结构先验减少旋转自由度，提升3D重建精度。
Comments Project Page: https://g3t-paper.github.io/
高校专区
Cornell University（康奈尔大学）
Spend Your Rollouts Where It Counts: Rollout Allocation for Group-Based RL Post-Training
将你的展开用在关键处：基于组强化学习后训练的展开分配
机构 * Cornell University（康奈尔大学）
AI总结 提出 Pilot-Commit 框架，通过预算感知的展开分配策略，优先将计算资源分配给高信息量的提示，从而在组策略优化中减少采样成本并加速收敛。
Credit-assigned Policy Gradient for Early Stage Retrieval in Two-stage Ranking
两阶段排序中早期检索的信用分配策略梯度
机构 * Computer Science Department, Cornell University, Ithaca, NY, USA（康奈尔大学计算机科学系） ； Central Applied Science, Meta, Menlo Park, CA, USA（Meta中央应用科学）
AI总结 针对两阶段排序中早期排序器（ESR）端到端训练难的问题，提出信用分配策略梯度（CA-PG），通过对目标项被选中的概率求梯度来降低方差，提升训练稳定性和收敛速度。
Comments ICML2026
Token-weighted Direct Preference Optimization with Attention
基于注意力的令牌加权直接偏好优化
机构 * Cornell University（康奈尔大学） ； Vanderbilt University（范德比大学）
AI总结 提出Token-weighted DPO (TwDPO)方法，利用注意力机制估计令牌权重，在不增加额外训练成本的情况下提升大语言模型与人类偏好对齐的性能。
Quantum Doeblin Coefficients: Interpretations and Applications
量子Doeblin系数：解释与应用
机构 * Centre for Quantum Technologies, National University of Singapore, Singapore 117543, Singapore（量子技术中心，新加坡国立大学） ； School of Electrical and Computer Engineering, Cornell University, Ithaca, New York 14850, USA（电气与计算机工程学院，康奈尔大学）
AI总结 本文定义并研究了量子Doeblin系数，提供了多种解释（如最小单态分数、排除值等），并展示了其在量子机器学习、误差缓解、量子假设检验和时变信道等领域的应用。
Comments v3: 108 pages, 5 figures, added some summary tables, added proof of reducing to classical Doeblin on classical channels, and another multiplicativity result v2: 104 pages, 5 figures, Expanded the application section on mixing, indistinguishability, and decoupling times ; v1:88 pages, 2 figures
Journal ref Quantum 10, 2115 (2026)
Performance Guarantees for Quantum Neural Estimation of Entropies
熵的量子神经估计的性能保证
机构 * Laboratoire Des Signaux Et Systèmes (L2S), CNRS, CentraleSupélec, University of Paris-Saclay（信号与系统实验室（L2S）、国家科学研究中心（CNRS）、中央理工-巴黎高等师范学院（CentraleSupélec）、巴黎-萨克雷大学） ； 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 本文针对量子神经估计器（QNE）估计测量（Rényi）相对熵的问题，提出了非渐近误差风险界和指数尾界，并给出了样本复杂度分析，证明了其最优性。
Comments 43 pages
Journal ref Quantum 10, 2113 (2026)
Inferring Group Intent as a Cooperative Game. An NLP-based Framework for Trajectory Analysis
将群体意图推断作为合作博弈：基于NLP的轨迹分析框架
机构 * Cornell University（康奈尔大学）
AI总结 提出一个基于NLP的生成模型和合作博弈框架，通过Fisher信息特征函数和Graph Transformer神经网络从噪声观测中推断群体轨迹意图。
Route Recommendations for Traffic Management Under Learned Partial Driver Compliance
基于学习部分驾驶员遵从性的交通管理路线推荐
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 Civil and Environmental Engineering, Massachusetts Institute of Technology（麻省理工学院土木与环境工程系）
AI总结 提出一种学习驾驶员部分遵从性的路线推荐框架，通过随机优化最小化系统最优流量与实际流量差距，在网格网络仿真中显著减少旅行时间。
Comments 6 pages
AI-Assisted Systematization for Evaluating GenAI Systems
AI辅助的系统化方法用于评估生成式AI系统
机构 * Cornell University（康奈尔大学） ； Microsoft Research（微软研究院）
AI总结 针对生成式AI评估中概念模糊的问题，提出AI辅助系统化方法，通过概念规范和验证工作表生成可衡量的概念规范，并评估其内容效度和信息可恢复性。
Relative Repairability: A Calibration-Based Diagnostic for High-Sparsity Post-Pruning Allocation
相对可修复性：一种基于校准的高稀疏度剪枝后分配诊断方法
机构 * Marquette University（马凯特大学） ； Tongji University（同济大学） ； Cornell University（康奈尔大学） ； UT Austin（得克萨斯大学奥斯汀分校）
AI总结 提出相对可修复性（RR）指标，通过校准数据比较层剪枝引起的原始激活失真与通道方差匹配修复后的残余失真，用于诊断高稀疏度下剪枝损伤的可修复性，实验表明其在架构依赖的可恢复性转变区域优于现有分配规则。
Knowing but Not Showing: LLMs Recognize Ambiguity but Rarely Ask Clarifying Questions
知道但不展示：LLMs 识别歧义但很少提出澄清问题
机构 * Cornell University（康奈尔大学）
AI总结 研究大型语言模型在识别用户查询歧义与主动提出澄清问题之间的行为差距，发现模型虽能识别歧义但默认直接回答，检索上下文会进一步减少澄清行为。
Learning Kernel-Based MDPs from Episodic Preferential Feedback
从片段偏好反馈中学习基于核的MDP
机构 * Cornell University（康奈尔大学） ； MediaTek Research（联发科研究）
AI总结 本文研究片段核MDP中的偏好学习，提出基于偏好比较的价值估计和置信集方法，并证明亚线性遗憾界。
Clarification Is Not Enough: Post-Clarification Answering Remains the Bottleneck in Multi-Turn QA
澄清不够：澄清后的回答仍是多轮问答中的瓶颈
机构 * Cornell University（康奈尔大学） ； Adobe Research（Adobe研究）
AI总结 本文通过分解多轮问答为澄清策略和澄清后回答两个组件，利用PACIFIC基准实验发现监督微调能快速提升澄清策略，但最终答案准确率仍显著偏低，表明理解并正确解释用户回应是关键瓶颈。
Courant: a State-Adaptive Perceiver-Based Neural Surrogate with Local Support and Interpretable Field Decomposition
Courant：一种具有局部支持和可解释场分解的状态自适应感知器神经代理模型
机构 * Pasteur Labs（Pasteur实验室） ； Cornell University（康奈尔大学） ； Institute for Simulation Intelligence（模拟智能研究所）
AI总结 提出基于感知器的编码-处理-解码代理模型Courant，通过状态自适应潜在查询和轻量解码器实现类似自适应hp细化的局部支持与可解释场分解，在稳态/瞬态模拟基准上取得竞争性精度。
Revisiting Pre-Propagation GNNs: Robust Diffusion Operators and Hidden-State Re-Propagation
重新审视预传播图神经网络：鲁棒扩散算子与隐状态再传播
机构 * School of Electrical and Computer Engineering, Cornell University, Ithaca, New York, USA（电气与计算机工程系，康奈尔大学，纽约州伊萨卡市）
AI总结 提出鲁棒图扩散算子和少量隐状态再传播方案，使预传播图神经网络在保持训练效率的同时匹配消息传递图神经网络的精度。
Fermi-Dirac machines as quantizations of neurons
费米-狄拉克机作为神经元的量子化
机构 * Department of Physics, Cornell University（康奈尔大学物理系） ； 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） ； Ministry of Education Key Laboratory in Scientific and Engineering Computing, Shanghai Jiao Tong University（上海交通大学教育部科学与工程计算重点实验室） ； Global College, Shanghai Jiao Tong University（上海交通大学全球学院） ； 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 本文将费米-狄拉克机重新解释为经典神经元的正则量子化，通过用算子替换经典变量，开发了高效混合量子-经典算法来评估和训练量子化神经元，并证明了基于费米-狄拉克神经元的计算决策问题是BQP完全的。
Comments 87 pages, 12 figures, 2 tables
ViViD-5K: Vineyard vision dataset for field-based berry detection and segmentation and grape cluster closure estimation
ViViD-5K：用于田间浆果检测与分割以及葡萄串闭合度估计的葡萄园视觉数据集
机构 * Horticulture Section, School of Integrative Plant Science, Cornell University（康奈尔大学整合植物科学学院园艺系） ； 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 提出ViViD-5K大规模葡萄园图像数据集和GrapeSAM两阶段视觉流水线，实现葡萄串闭合度的自动、客观估计。
Music Transcription with (Almost) No Supervision
音乐转录：几乎无需监督
机构 * Cornell University（康奈尔大学）
AI总结 采用循环一致性翻译框架，利用少量配对数据作为锚点，充分挖掘未配对音频和乐谱数据，实现高质量音乐转录。
Human-AI Collaboration in Science at Scale: A Global Large-scale Randomized Field Experiment
大规模人机协作科学：一项全球大规模随机现场实验
机构 * Kellogg School of Management, Northwestern University（西北大学凯洛格管理学院） ； Center for Science of Science and Innovation, Northwestern University（西北大学科学与创新中心） ； Northwestern Institute on Complex Systems, Northwestern University（西北大学复杂系统研究所） ； Department of Computer Science, Stanford University（斯坦福大学计算机科学系） ； Goizueta Business School, Emory University（埃默里大学戈伊兹特亚商学院） ； Department of Information Science, Cornell University（康奈尔大学信息科学系）
AI总结 通过全球大规模随机现场实验，研究大型语言模型（LLMs）生成的定制化反馈能否提升科研人员的修订率并促进AI工具使用，尤其惠及资源受限的研究者。
Improving Ensemble CAPE Forecasts with a Diffusion Model Incorporating Aerosol Information
利用包含气溶胶信息的扩散模型改进集合CAPE预报
机构 * Cornell University, Department of Statistics and Data Science（康奈尔大学统计与数据科学系） ； Washington University in St. Louis, Department of Statistics and Data Science（圣路易斯华盛顿大学统计与数据科学系） ； Cornell University, Department of Earth and Atmospheric Sciences（康奈尔大学地球与大气科学系）
AI总结 针对GFS/GEFS系统夏季CAPE低估偏差，提出两阶段训练的AI扩散模型，通过输入GFS预报并输出集合，显著提升RMSE、CRPS和Brier评分，并引入气溶胶光学厚度作为额外特征以改善预报。
Scaling Accessible Mathematics on arXiv: HTML Conversion and MathML 4
arXiv 上可访问数学的规模化：HTML 转换与 MathML 4
机构 * arXiv, Cornell Tech, New York NY, USA（arXiv，康奈尔科技，纽约NY，美国） ； National Institute of Standards and Technology, Gaithersburg MD, USA（国家标准与技术研究院，加ithersburg MD，美国）
AI总结 本文报告 arXiv HTML 论文服务的持续开发，重点介绍 2025 年至 2026 年初的社区驱动改进、语料级转换、MathML 4 意图注释以及 LaTeXML 的 Rust 移植，旨在提升 HTML 保真度、可访问性和计算效率。
Comments 6 pages, ICMS 2026
PhotoFlow: Agentic 3D Virtual Photography Missions
PhotoFlow: 智能体式3D虚拟摄影任务
机构 * Shanghai Jiao Tong University（上海交通大学） ； Northeastern University（东北大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Cornell University（康奈尔大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Sichuan University（四川大学）
AI总结 提出PhotoFlow智能体框架，通过导演-评审-反思闭环搜索机制，在任意Blender场景中根据语言指令自动完成虚拟摄影，并引入VPhotoBench基准，实验表明其在外观质量对齐和成功率上优于现有方法。
Composing People Together: Iterative Pose-Image Generation for Multi-Person Interaction Scenes
将人物组合在一起：面向多人交互场景的迭代姿态-图像生成
机构 * Cornell University（康奈尔大学）
AI总结 提出一种双姿态-图像表示方法，将人物结构先验引入预训练扩散Transformer，通过跨模态对齐和迭代场景构建，提升多人交互图像生成的提示对齐度和场景多样性。
Comments Accepted to SIGGRAPH Conference Papers 2026. 22 pages, 12 figures. Project page: https://cornell-vailab.github.io/PeopleComposer/
Active Sensing Subserves Task-Level Control
主动感知服务于任务级控制
机构 * Department of Electrical and Computer Engineering, University of Minnesota（明尼苏达大学电气与计算机工程系） ； Laboratory for Computational Sensing and Robotics, Johns Hopkins University（约翰霍普金斯大学计算感知与机器人实验室） ； Federated Department of Biological Sciences, New Jersey Institute of Technology（新泽西理工学院联合生物科学系） ； Department of Mathematics, Cornell University（康奈尔大学数学系） ； Department of Mathematics and Statistics, University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校数学与统计学系） ； Department of Mechanical Engineering, Johns Hopkins University（约翰霍普金斯大学机械工程系）
AI总结 本文提出主动感知并非为减少状态不确定性，而是任务级控制的必然产物，并通过生物数据和数学理论支持这一观点，同时探讨了探索与利用两种行为模式的切换及其对工程系统的启示。
On the Robustness of Distribution Support under Diffusion Guidance
扩散引导下分布支撑的鲁棒性研究
机构 * Center for Applied Mathematics, Cornell University（康奈尔大学应用数学中心） ； School of Operations Research and Information Engineering, Cornell University（康奈尔大学运筹学与信息工程学院） ； Department of Statistics, The University of Chicago（芝加哥大学统计学系）
AI总结 本文通过建立分布支撑的鲁棒性性质，理论解释了扩散引导为何能生成高质量样本，并覆盖DDIM和DDPM模型及多种离散化方案。
Computable Fairness: Boltzmann-Softmax Control for AI Resource Allocation
可计算公平性：面向AI资源分配的Boltzmann-Softmax控制
机构 * Regional Science, Cornell University（康奈尔大学区域科学系） ； Department of Economics, University of Ulsan（釜山大学经济系） ； Department of Physics, UNIST（UNIST物理系）
AI总结 针对大规模AI系统中资源分配的不公平问题，提出可计算公平划分（CFD）框架，将Boltzmann-Softmax函数重新解释为概率分配机制，并通过自适应硬上限控制器AHC++动态调节效率-公平平衡，抑制极端支配集中且保持吞吐量。
Comments 40 pages, 12 figures, 5 tables. Code: https://github.com/entrofy-ai/computable-fairness
SceneAligner: 3D-Grounded Floorplan Localization in the Wild
SceneAligner: 在真实场景中实现基于3D的平面定位
机构 * Cornell University（康奈尔大学） ； Kempner Institute, Harvard University（哈佛大学 Kempner 院）
AI总结 本文提出了一种在真实场景中实现基于3D重建的平面定位方法，通过将任务 grounding 在场景的重建3D表示中，解决了现有方法在大规模建筑和栅格化平面图中应用受限的问题。
Comments Project Page: https://Cornell-VAILab.github.io/SceneAligner
From Sequential Nodes to GPU Batches: Parallel Branch and Bound for Optimal $k$-Sparse GLMs
从顺序节点到GPU批处理：并行分支限界法用于最优k-稀疏广义线性模型
机构 * Jacobs Technion-Cornell Institute, Cornell Tech and Technion–IIT（雅各布斯技术学院-康奈尔学院，康奈尔科技与技术学院）
AI总结 本文提出了一种CPU-GPU框架，通过批量处理GPU上的分支限界节点，显著加速了大规模优化问题的求解，特别是在具有离散变量、组合结构和非线性目标的优化问题中，如验证卡数约束下的最优广义线性模型解。
How Sparsity Allocation Shapes Label-Free Post-Pruning Recoverability
稀疏性分配如何塑造无标签后剪枝恢复能力
机构 * Marquette University（马凯特大学） ； Cornell University（康奈尔大学） ； Tongji University（同济大学）
AI总结 本文研究了在固定激活统计修复后端下，稀疏性分配如何影响后修复恢复能力，通过比较ERK和LAMP分配在不同数据集和模型上的表现，发现分配选择对后修复准确性有显著影响，并揭示了修复敏感的过渡区域。
Comparing LLM and Fine-Tuned Model Performance on NVDRS Circumstance Extraction with Varying Prompt Complexity
对比LLM和微调模型在不同提示复杂度下的NVDRS情境提取性能
机构 * Department of Population Health Sciences, Weill Cornell Medicine（人群健康科学系，威尔·康奈尔医学学院） ； Systems Engineering, Cornell University（系统工程，康奈尔大学）
AI总结 本文研究了在不同提示复杂度下，LLM与微调模型在NVDRS情境提取任务中的表现差异，提出了一种复杂度评分算法，并展示了一个混合方法，通过不同情境选择提示策略，发现LLM在低 prevalence 情境中表现更优，且框架能跨不同前沿LLM通用。
Comments Accepted at IEEE ICHI 2026
