Black-box model classification under the discriminative factorization
基于判别因子化的黑盒模型分类
机构 * JHU（约翰·霍普金斯大学）
AI总结 本文提出判别因子化方法，用于区分高质量与低质量查询集，通过查询预算衰减指数方式提升黑盒模型分类性能，实验验证了其在审计任务中的有效性。
高校专区
Johns Hopkins University（约翰斯·霍普金斯大学）
On the Invariance and Generality of Neural Scaling Laws
关于神经扩展定律的不变性与普遍性
机构 * Johns Hopkins University（约翰霍普金斯大学） ； NTT Research（NTT研究） ； MIT（麻省理工学院） ； Johns Hopkins University, Bayesian Health（约翰霍普金斯大学，贝叶斯健康）
AI总结 本文探讨如何建立通用的神经扩展定律，通过识别不变量，使定律能在不同领域间可靠传输，验证了在语言、视觉和语音任务中的有效性，并展示了跨领域应用。
Comments 23 pages, 6 figures, 11 tables
Sample Complexity of Stochastic Optimization with Integer Variables
随机优化中整数变量的样本复杂度
机构 * Dept. of Applied Mathematics & Statistics（应用数学与统计学系） ； Johns Hopkins University（约翰霍普金斯大学） ； Microsoft Research (Redmond)（微软研究院（红mond）） ； Dept. of Computer Science, PUC-Rio（计算机科学系，巴西圣保罗大学）
AI总结 本文研究了随机优化中整数变量的样本复杂度，发现整数优化在某些情况下可能需要更多或更少的样本，取决于目标函数和约束的结构。
Not All Tokens Need 40 Steps: Heterogeneous Step Allocation in Diffusion Transformers for Efficient Video Generation
并非所有标记都需要40步：扩散变换器中的异质步分配用于高效视频生成
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出HSA算法，通过根据速度动态分配不同时间空间标记的步数预算，提升视频生成效率，实验表明在加速运行时表现优于现有方法。
Comments Project page: https://ernestchu.github.io/hsa
AdpSplit: Error-Driven Adaptive Splitting for Faster Geometry Discovery in 3D Gaussian Splatting
AdpSplit：基于误差的自适应分裂以加速3D高斯点云中的几何发现
机构 * Arizona State University（亚利桑那州立大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 AdpSplit通过基于误差的自适应分裂操作减少3DGS训练时间，同时保持渲染质量，在多个数据集上实现9.2%-22.3%的加速。
MolmoAct2: Action Reasoning Models for Real-world Deployment
MolmoAct2：面向现实部署的动作推理模型
机构 * Allen Institute for AI（艾伦人工智能研究所） ； University of Washington（华盛顿大学） ； National University of Singapore（新加坡国立大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Amazon（亚马逊公司） ； University of Michigan（密歇根大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 本文提出MolmoAct2，一个完全开放的动作推理模型，通过改进架构和引入新数据集，在五个方面提升性能，展示了在多个基准测试中优于现有模型的成果。
Comments 31 pages, project page: https://allenai.org/blog/molmoact2
Steered LLM Activations are Non-Surjective
引导的LLM激活不是满射的
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 研究探讨了激活引导是否能通过文本提示实现，证明引导行为在实际中无法通过提示复现，区分了白盒引导与黑盒提示的差异。
Comments 10 pages main text. ICLR 2026 Workshops (Sci4DL, Re-Align)
Overview of the TREC 2025 RAGTIME Track
TREC 2025 RAGTIME 跟踪任务概述
机构 * Johns Hopkins University Human Language Technology Center of Excellence（约翰霍普金斯大学人机语言技术卓越中心） ； University of Glasgow（格拉斯哥大学） ； Allen Institute for AI（人工智能研究院）
AI总结 TREC 2025 RAGTIME 跟踪任务旨在研究多语言源文档的报告生成，包含阿拉伯语、中文、英语和俄语新闻故事的文档集，涵盖多语言报告生成、英语报告生成和多语言信息检索三个任务，共13支队伍提交125次运行。
Comments 14 pages, 3 figures, final version of the RAGTIME 2025 overview paper
Benchmark of Segmentation Techniques for Pelvic Fracture in CT and X-ray: Summary of the PENGWIN 2024 Challenge
CT和X射线中骨盆骨折分割技术的基准测试：PENGWIN 2024挑战总结
机构 * Beijing Rossum Robot Technology Co., Ltd.（北京罗素机器人科技有限公司） ； Key Laboratory of Biomechanics and Mechanobiology, Ministry of Education, Beijing Advanced Innovation Center for Biomedical Engineering, School of Biological Science and Medical Engineering, Beihang University（生物力学与机械生物学重点实验室，教育部，北京生物医学创新中心，生物科学与医学工程学院，北航） ； Department of Computer Science, Johns Hopkins University（计算机科学系，约翰霍普金斯大学） ； Division of Medical Image Computing, German Cancer Research Center (DKFZ)（医学影像计算部，德国癌症研究中心（DKFZ）） ； Helmholtz Imaging, Heidelberg（海德堡大学医院影像中心） ； Smart Medical Imaging, Learning and Engineering (SMILE) Lab, Medical UltraSound Image Computing（智能医学影像、学习与工程（SMILE）实验室，医学超声影像计算）
AI总结 本文通过PENGWIN 2024挑战评估了CT和X射线中骨盆骨折分割技术，发现CT分割准确率较高，但X射线分割仍需进一步改进，揭示了分割方法的多样性及片段定义的不确定性。
Comments PENGWIN 2024 Challenge Report
