高校专区
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。
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
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。
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)
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。
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。
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：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/
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。
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：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。
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
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
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
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。
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
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
编译AI：基于LLM的工作流自动化确定性代码生成
机构 * XY.AI Labs, Palo Alto, CA（XY.AI实验室，帕洛阿尔托） ； Stanford University School of Medicine, Stanford, CA（斯坦福大学医学院，斯坦福） ； Cornell University, Department of Computer Science, Ithaca, NY（康奈尔大学计算机科学系，伊萨卡） ； Brigham and Women’s Hospital / Harvard Medical School, Boston, MA（布莱根妇女医院/哈佛医学院，波士顿）
AI总结 本文研究编译AI，一种大语言模型在编译阶段生成可执行代码，随后工作流确定性执行的范式。重点探讨其在高风险企业工作流中的应用，尤其在医疗领域，强调可靠性与可审计性。
Comments 14 pages, 2 figures, 3 tables
HOLODECK 2.0：基于视觉-语言的3D世界生成与编辑
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Cornell University（康奈尔大学）
AI总结 HOLODECK 2.0通过视觉-语言模型生成高质量3D场景并支持交互式编辑，提升游戏设计效率。
单字普查：44种语言模型中的答案选择一致性
机构 * Cornell Tech（康奈尔科技）
AI总结 研究44种语言模型在单字选择上的一致性，用31个单轮提示词刻画，通过答案选择惊讶度评分，发现一致性程度高但模型间有差异且有结构，还对比了与人类规范差异，所有数据公开。
Comments 19 pages, 5 figures. Data, prompts, and code: https://github.com/tap2k/modelun
傅里叶弱SINDy：用于鲁棒模型识别的频谱测试函数选择
机构 * Sibley School of Mechanical and Aerospace Engineering, Cornell University（科尼尔大学机械与航空航天工程学院）
AI总结 本文提出一种基于弱形式稀疏方程学习和频谱密度估计的无导数方程学习方法，通过正交正弦测试函数提升鲁棒性和可解释性，有效识别混沌和超混沌ODE基准。
Comments Published in the proceedings of the 8th Annual Learning for Dynamics & Control Conference (L4DC 2026)
关于动量SGD在非平稳随机优化中的可证明次优性的研究
机构 * Cornell University（康奈尔大学）
AI总结 本文研究了在强凸性和光滑性条件下，随机梯度下降及其动量变体（Polyak重球和Nesterov）在跟踪时间变化最优解时的性能，揭示了动量方法在分布偏移下导致的显式漂移放大惩罚，并证明了这种惩罚并非分析伪影，而是信息论障碍，为动量方法在动态环境中的经验不稳定性提供了理论依据。
Comments Accepted to ICML 2026. 76 pages, 5 figures, 4 tables
高维广义线性模型中的公平性约束
机构 * Department of Statistics and Data Science, Cornell University（统计与数据科学系，康奈尔大学） ； Department of Statistics（统计系） ； Data Science, Cornell University（数据科学，康奈尔大学）
AI总结 本文提出通过辅助特征推断敏感属性并将其融入模型训练，以缓解历史数据偏见，提升算法决策的公平性。
PhysClaw-0：一种通过语言修正实现机器人自主的共生智能体系统
机构 * GigaAI（字节跳动人工智能实验室） ； University of Chinese Academy of Sciences（中国科学院大学） ； Hong Kong University of Science and Technology（香港科技大学） ； University of Leeds（利兹大学） ； Cornell University（康奈尔大学） ； Tsinghua University（清华大学） ； Nanjing University of Science and Technology（南京理工大学） ； The Chinese University of Hong Kong（香港中文大学） ； FAWTD（一汽技术开发部）
AI总结 研究针对自主数据收集问题，提出PhysClaw-0共生智能体系统，通过跨轮保留和重用修正、自主收集验证等方式，在真实机器人测试中减少人力时间，提高成功率，并提升验证者与人类一致性。
Comments WebPage: https://open-gigaai.github.io/Zero2Skill
重新定义AI失控：它是什么，如何拥有，如何失去
机构 * Oxford Martin AI Governance Initiative AI Standards Lab（牛津马丁人工智能治理倡议人工智能标准实验室） ； Centre for the Study of Existential Risk, University of Cambridge（存在风险研究中心，剑桥大学） ； Institute of Mathematics Education, University of Cologne（数学教育研究所，科隆大学） ； Cornell University（康奈尔大学）
AI总结 本文通过将控制锚定于“设定和获取目标”，建立控制的工作定义，探讨控制如何被失去、AI如何导致失控，并提出维持控制的建议。
Comments 64 pages
FormulaCode: 评估在大规模代码库上进行代理优化
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； California Institute of Technology（加州理工学院） ； Cornell University（康奈尔大学）
AI总结 FormulaCode是一个评估大型真实代码库上代理优化能力的基准，包含957个从科学Python仓库挖掘出的性能瓶颈，配以专家撰写的补丁和平均264.6个社区维护的性能工作负载，揭示了前沿LLM代理在多目标优化上的重大挑战。
Comments ICML Camera Ready Version
不完全信息博弈中的进化稳定策略计算
机构 * Ganzfried Research, Cornell University（甘兹弗里德研究，康奈尔大学）
AI总结 提出一种算法计算对称完美回忆不完全信息扩展式博弈中的进化稳定策略，适用于两人及多人博弈，能处理退化与非退化情形，并具有任意时间特性。
用于地形自适应运动的物理可行反应式合成
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Cornell University（康奈尔大学）
AI总结 针对四足动物在动态变化地形的运动规划问题，提出综合规划框架，结合反应式合成与混合整数凸规划，采用符号修复机制，经实验验证该框架能识别缺失技能并在关键环境有效响应。
NAMESAKES: 探究文本到图像模型中的身份记忆
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Tel Aviv University（特拉维夫大学） ； Cornell University（康奈尔大学）
AI总结 提出一种黑盒行为探针，无需参考照片或训练数据，即可区分文本到图像模型生成的图像是记忆还是虚构，并在NAMESAKES数据集上验证其有效性。
Comments Project page: https://namesakes-web.github.io
大语言模型能够有效地说服人们相信阴谋论
机构 * Carnegie Mellon University（卡内基梅隆大学） ； York University（约克大学） ； Center for Research and Teaching in Economics（经济研究中心） ； MIT（麻省理工学院） ； Université de Montréal（蒙特利尔大学） ； Mila ； Cornell University（康奈尔大学） ； University of Regina（Regina大学）
AI总结 研究大语言模型能否有效说服人们相信阴谋论，通过四项实验发现其既能增加也能降低阴谋信念，反驳效果更佳，特定提示可降低支持阴谋论有效性，还存在信息分享上的真理不对称，有潜在技术方案减轻风险。
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