New York University（纽约大学）

Are Dilemmas and Conflicts in LLM Alignment Solvable? A View from Priority Graph

对LLM对齐中的困境和冲突是否可解？一种优先图的视角

Zhenheng Tang, Xiang Liu, Qian Wang, Eunsol Choi, Bo Li, Xiaowen Chu

机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； New York University（纽约大学） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 本文通过优先图模型分析LLM在不同场景中的冲突与困境，揭示了统一稳定对齐的挑战及优先黑客的潜在风险，并提出运行时验证机制以提升鲁棒性。

A proof-of-concept for automated AI-driven stellarator coil optimization with in-the-loop finite-element calculations

为自动AI驱动的磁镜线圈优化提供概念验证：闭环有限元计算

Alan A. Kaptanoglu, Pedro F. Gil

机构 * Courant Institute of Mathematical Sciences, New York University（数学科学学院，纽约大学） ； Max-Planck-Institut für Plasmaphysik（等离子物理研究所） 纠错

AI总结 本文提出一种端到端的自动线圈优化方法，通过闭环有限元计算实现磁镜装置线圈设计的自动化，采用遗传算法和上下文感知LLM进行非停优化，并引入新的Von Mises应力闭环优化方法。

VisualLeakBench: Auditing the Fragility of Large Vision-Language Models against PII Leakage and Social Engineering

VisualLeakBench: 对大型视觉-语言模型在PII泄露和社会工程中的脆弱性进行审计

Youting Wang, Yuan Tang, Yitian Qian, Chen Zhao

机构 * Northeastern University（东北大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Boston University（波士顿大学） ； New York University（纽约大学） 纠错

AI总结 本文提出VisualLeakBench，通过合成对抗图像评估LVLMs对OCR注入和PII泄露的鲁棒性，揭示了Claude~4在PII识别上的高风险及防御策略的模板依赖性。

GraphVLM: Benchmarking Vision Language Models for Multimodal Graph Learning

GraphVLM：多模态图学习的视觉语言模型基准测试

Jiajin Liu, Dongzhe Fan, Chuanhao Ji, Daochen Zha, Qiaoyu Tan

机构 * NYU Shanghai（纽约大学上海分校） ； New York University（纽约大学） ； Rice University（休斯顿大学） ； East China Normal University（华东师范大学） 纠错

AI总结 GraphVLM通过三种范式评估视觉语言模型在多模态图学习中的能力，发现VLM-as-Predictor在性能上表现最佳，展示了其在多模态图学习中的潜力。

Comments CVPR 2026

FastODT: A tree-based framework for efficient continual learning

FastODT: 一种基于树的高效持续学习框架

Daniel Bretsko, Piotr Walas, Devashish Khulbe, Sebastian Stros, Stanislav Sobolevsky, Tomas Satura

机构 * Masaryk University（马萨里克大学） ； Czech Republic（捷克共和国） ； Warsaw University of Technology（华沙技术大学） ； Poland（波兰） ； Mycroft Mind ； New York University（纽约大学） ； New York, NY, USA（纽约市，纽约州，美国） ； Analog AI ； Abu Dhabi, UAE（阿布扎赫，阿联酋） 纠错

AI总结 本文提出一种基于树的框架，通过Hoeffding界控制树的生长，实现高效持续学习，实验表明其在能源和环境传感时间序列基准上性能优异，计算效率高。