Northeastern University（东北大学）

MemoryCard: Topic-Aware Multi-Modal Clue Compression for Long-Video Question Answering

MemoryCard: 面向长视频问答的主题感知多模态线索压缩

Qing Yang, Pengcheng Huang, Xinze Li, Zhenghao Liu, Yukun Yan, Yu Gu, Ge Yu, Gang Li, Maosong Sun

机构 * School of Computer Science and Engineering, Northeastern University（东北大学计算机科学与工程学院） ； Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系） ； Digital China Group（数字中国集团） 纠错

AI总结 提出MemoryCard框架，通过将长视频分割为主题事件单元并生成事件级摘要和代表性视觉时刻，以记忆卡形式增强VLMs的长视频问答能力，在相同视觉令牌预算下准确率提升高达21.8%。

Comments 21 pages, 8 figures

Intercomparison of Machine Learning Algorithms for Remote Sensing-based In-season Crop Mapping

基于遥感的季节内作物制图机器学习算法比较

August Posch, Jitendra Kumar, Forrest M. Hoffman, Auroop R. Ganguly

机构 * Oak Ridge National Laboratory（橡树岭国家实验室） ； Environmental Sciences Division（环境科学 division） ； Northeastern University（东北大学） 纠错

AI总结 本研究通过比较十种机器学习算法，利用Landsat-Sentinel反射率时间序列和轮作历史，在6月初准确绘制玉米和杏仁的30米分辨率作物图，并量化物候和分布不确定性，发现支持向量机总体表现最佳。

Comments 22 pages, 8 figures

Coding with "Enemy": Can Human Developers Detect AI Agent Sabotage?

与“敌人”编码：人类开发者能否检测到AI代理的破坏行为？

Jingheng Ye, Huiqi Zou, Simon Yu, Weiyan Shi

机构 * Northeastern University（东北大学） 纠错

AI总结 通过大规模用户实验，研究人类开发者在长时间编码任务中检测AI代理恶意代码插入的能力，发现94%的开发者未能识别破坏，并分析其原因，提出安全监控设计建议。

Comments 34 pages, 30 figures, 3 tables

What's in a Name? Morphological Shortcuts by LLMs in Pharmacology

名字里有什么？LLM在药理学中的形态捷径

Kaijie Mo, Thomas Yang, Chantal Shaib, Qing Yao, William Rudman, Ramez Kouzy, Kanishka Misra, Byron C. Wallace, Junyi Jessy Li

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Northeastern University（东北大学） ； MD Anderson Cancer Center（MD安德森癌症中心） 纠错

AI总结 研究LLM在药理学中依赖词缀线索进行推理的形态捷径行为，通过虚构药物名称实验和归因框架揭示其机制及安全风险。

Comments 22 pages

Flash-WAM: Modality-Aware Distillation for World Action Models

Flash-WAM：面向世界动作模型的模态感知蒸馏

Arman Akbari, Ci Zhang, Arash Akbari, Lin Zhao, Yixiao Chen, Weiwei Chen, Xuan Zhang, Geng Yuan, Yanzhi Wang

机构 * Northeastern University（东北大学） ； University of Georgia（佐治亚大学） ； EmbodyX Inc.（EmbodyX公司） 纠错

AI总结 针对世界动作模型联合生成视频和机器人动作时因多模态噪声分布不对称导致蒸馏失效的问题，提出模态感知步蒸馏框架Flash-WAM，通过为不同模态选择匹配噪声机制的参数化方法，实现单步推理并大幅加速。

Linear Probes Detect Task Format, Not Reasoning Mode in Language Model Hidden States

线性探针检测语言模型隐藏状态中的任务格式，而非推理模式

Subramanyam Sahoo, Vinija Jain, Aman Chadha, Divya Chaudhary

机构 * Horizon Research（远景研究） ； Meta ； Apple（苹果公司） ； Northeastern University（东北大学） 纠错

AI总结 通过线性探针实验发现，大语言模型隐藏状态中看似分离的推理模式实际上由任务格式（如来源、选项数、响应长度）混淆导致，而非真正的推理计算结构。

Comments Accepted in the 6th Workshop on Trustworthy NLP, ACL 2026

SpanNorm: Reconciling Training Stability and Performance in Deep Transformers

SpanNorm: 在深度Transformer中协调训练稳定性与性能

Chao Wang, Bei Li, Jiaqi Zhang, Xinyu Liu, Yuchun Fan, Linkun Lyu, Xin Chen, Jingang Wang, Tong Xiao, Peng Pei, Xunliang Cai

机构 * Meituan Inc.（美团公司） ； NLP Lab, School of Computer Science and Engineering（自然语言处理实验室，计算机科学与工程学院） ； Northeastern University, Shenyang, China（东北大学，沈阳，中国） 纠错

AI总结 本文提出SpanNorm技术，通过结合前归一化和后归一化的优势，解决深度Transformer中训练稳定性与性能之间的根本性权衡问题，理论分析和实验结果表明其在密集和专家混合（MoE）场景中均优于传统归一化方案。

Comments Accepted by ICML2026

On Universality of Deep Equivariant Networks

关于深度等变网络的通用性

Marco Pacini, Mircea Petrache, Bruno Lepri, Shubhendu Trivedi, Robin Walters

机构 * University of Trento（特伦托大学） ； Fondazione Bruno Kessler（布鲁诺·凯瑟勒基金会） ； PUC Chile（智利天主教大学） ； Northeastern University（东北大学） 纠错

AI总结 本文研究了等变神经网络的通用性问题，提出在分离约束下，通过全连接读出层可实现连续函数的近似，并引入了更严格的逐元素分离性准则，证明了足够深度或适当读出层可使等变网络在逐元素分离性范围内实现通用性。

Comments Published as a conference paper at ICLR 2026

Journal ref International Conference on Learning Representations (ICLR), 2026