New York University（纽约大学）

Repurposing Geometric Foundation Models for Multi-view Diffusion

将几何基础模型重新利用于多视图扩散

Wooseok Jang, Seonghu Jeon, Jisang Han, Jinhyeok Choi, Minkyung Kwon, Seungryong Kim, Saining Xie, Sainan Liu

机构 * KAIST AI（韩国科学技术院人工智能实验室） ； New York University（纽约大学） ； Intel Labs（英特尔实验室） 纠错

AI总结 本文提出Geometric Latent Diffusion框架，利用几何一致的特征空间作为多视图扩散的潜在空间，提升多视角生成的几何一致性和图像质量。

Comments project website: https://cvlab-kaist.github.io/GLD/

Shared Heritage, Distinct Writing: Rethinking Resource Selection for East Asian Historical Documents

共享遗产，迥异写作：重新审视东亚历史文件的资源选择

Seyoung Song, Haneul Yoo, Jiho Jin, Kyunghyun Cho, Alice Oh

机构 * KAIST（韩国科学技术院） ； New York University（纽约大学） ； Genentech（基因科技） 纠错

AI总结 本文质疑通过古典汉语资源进行跨语言迁移在处理韩日古文历史文件的有效性，实验显示古典汉语数据对模型性能影响有限，强调需谨慎验证而非盲目依赖跨语言迁移。

Comments IJCNLP-AACL 2025 Findings

Accelerate Vector Diffusion Maps by Landmarks

通过地标加速向量扩散图

Sing-Yuan Yeh, Yi-An Wu, Hau-Tieng Wu, Mao-Pei Tsui

机构 * Department of Mathematics, National Taiwan University, Taipei, 106, Taiwan（台湾大学数学系） ； National Center for Theoretical Sciences, Mathematics Division, Taipei, 106, Taiwan（理论科学国家中心数学组） ； Courant Institute of Mathematical Sciences, New York University, New York, NY, 10012 USA（纽约大学数学科学学院） ； Data Science Degree Program, National Taiwan University（台湾大学数据科学学士学位计划） 纠错

AI总结 本文提出LA-VDM算法，通过两阶段归一化加速基于图连接拉普拉斯的向量扩散图框架，有效处理数据和地标集的非均匀采样密度，通过流形模型恢复平行运输，提升连接拉普拉斯的收敛性。

DSL-R1: From SQL to DSL for Training Retrieval Agents across Structured and Unstructured Data with Reinforcement Learning

DSL-R1：从SQL到DSL，通过强化学习在结构化和非结构化数据上训练检索代理

Yunhai Hu, Junwei Zhou, Yumo Cao, Yitao Long, Yiwei Xu, Qiyi Jiang, Weiyao Wang, Xiaoyu Cao, Zhen Sun, Yiran Zou, Nan Du

机构 * New York University（纽约大学） ； Matter Innovation Inc.（Matter创新公司） ； Thin Red Line（薄红线） 纠错

AI总结 本文提出DSL-R1框架，结合逻辑推理与语义匹配，通过强化学习优化DSL生成，提升检索性能，实现在结构化和非结构化数据上的改进。

Optimal low-rank stochastic gradient estimation for LLM training

最优低秩随机梯度估计用于大语言模型训练

Zehao Li, Tao Ren, Zishi Zhang, Xi Chen, Yijie Peng

机构 * Guanghua School of Management, Peking University（北京大学光华管理学院） ； Stern School of Business, New York University（纽约大学 Stern 商学院） 纠错

AI总结 本文提出一种低秩矩阵估计器，通过随机低维子空间投影减少内存占用并控制均方误差，实验证明在RoBERTa-large微调和LLaMA-20M/60M/100M预训练中均取得优异效果。

PaQ-DETR: Learning Pattern and Quality-Aware Dynamic Queries for Object Detection

PaQ-DETR: 基于模式和质量感知的动态查询学习用于目标检测

Zhengjian Kang, Jun Zhuang, Kangtong Mo, Qi Chen, Rui Liu, Ye Zhang

机构 * New York University（纽约大学） ； Boise State University（博伊西州立大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of California, Irvine（加州大学 Irvine 分校） ； Illinois Institute of Technology（伊利诺伊理工学院） ； University of Pittsburgh（匹兹堡大学） 纠错

AI总结 PaQ-DETR通过学习共享潜在模式和动态生成图像特定查询，提升查询适应性和监督平衡，实验表明在多个基准上提升mAP 1.5%-4.2%。

Comments 10 pages, 6 figures, Accepted at CVPR2026

Different Demographic Cues Yield Inconsistent Conclusions About LLM Personalization and Bias

不同的人口统计线索导致对LLM个性化和偏见的结论不一致

Manuel Tonneau, Neil K. R. Seghal, Niyati Malhotra, Sharif Kazemi, Victor Orozco-Olvera, Ana María Muñoz Boudet, Lakshmi Subramanian, Samuel P. Fraiberger, Sharath Chandra Guntuku, Valentin Hofmann

机构 * World Bank（世界银行） ； University of Oxford（牛津大学） ； New York University（纽约大学） ； University of Pennsylvania（宾夕法尼亚大学） ； LMU Munich（慕尼黑大学） ； Allen Institute for AI（人工智能研究院） 纠错

AI总结 研究通过1480万个提示测试了人口统计线索对LLM响应的影响，发现同一群体的不同线索导致响应变化不一致，偏见结论不稳定，揭示了身份线索与语言信号的关系。

DialectalArabicMMLU: Benchmarking Dialectal Capabilities in Arabic and Multilingual Language Models

阿拉伯方言MMLU：评估阿拉伯语和多语言模型在阿拉伯方言上的能力

Malik H. Altakrori, Nizar Habash, Abed Alhakim Freihat, Younes Samih, Kirill Chirkunov, Muhammed AbuOdeh, Radu Florian, Teresa Lynn, Preslav Nakov, Alham Fikri Aji

机构 * IBM Research AI（IBM人工智能研究院） ； New York University Abu Dhabi（纽约大学迪拜分校） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） 纠错

AI总结 本文提出阿拉伯方言MMLU基准，通过手动翻译和适应3000个多项选择题答案对至五个主要方言，评估大语言模型在阿拉伯方言上的推理和理解能力，揭示方言泛化中的持续差距。

Comments 9 pages, 10 tables, accepted to LREC 2026

KASPER: Kolmogorov Arnold Networks for Stock Prediction and Explainable Regimes

KASPER：用于股票预测和可解释性市场的 Kolmogorov-Arnold 网络

Vidhi Oad, Param Pathak, Nouhaila Innan, Shalini D, Muhammad Shafique

机构 * Vishwakarma Government Engineering College（维斯瓦卡罗马工程学院） ； QuantumAI Lab, Fractal Analytics（量子AI实验室，Fractal Analytics） ； eBRAIN Lab, Division of Engineering, New York University Abu Dhabi (NYUAD)（eBRAIN实验室，工程系，纽约大学阿布扎比分校（NYUAD）） ； Center for Quantum and Topological Systems (CQTS), NYUAD Research Institute（量子与拓扑系统中心（CQTS），NYUAD研究机构） 纠错

AI总结 KASPER 结合了市场状态检测、稀疏样条函数建模和符号规则提取，通过 Gumbel-Softmax 机制识别隐藏市场条件，实现可解释的股票预测，实测结果显示其在 R²、夏普比率和均方误差上均优于现有方法。

Comments 11 pages, 7 figures, 3 tables

Journal ref Transactions on Machine Learning Research, 2026, https://openreview.net/forum?id=PD4jGJQtL8

Levels of Analysis for Large Language Models

大型语言模型的分析层次

Alexander Y. Ku, Declan Campbell, Xuechunzi Bai, Jiayi Geng, Ryan Liu, Raja Marjieh, R. Thomas McCoy, Andrew Nam, Ilia Sucholutsky, Veniamin Veselovsky, Liyi Zhang, Jian-Qiao Zhu, Thomas L. Griffiths

机构 * Department of Psychology, Princeton University（普林斯顿大学心理学系） ； Princeton Neuroscience Institute, Princeton University（普林斯顿神经科学研究所） ； Department of Psychology, The University of Chicago（芝加哥大学心理学系） ； Department of Computer Science, Princeton University（普林斯顿大学计算机科学系） ； Department of Linguistics, Yale University（耶鲁大学语言学系） ； Princeton Laboratory for Artificial Intelligence, Princeton University（普林斯顿人工智能实验室） ； Center for Data Science, New York University（纽约大学数据科学中心） 纠错

AI总结 本文提出基于David Marr分析层次框架，利用认知科学方法理解大型语言模型的结构与行为，提供分析工具以应对AI理解难题。