New York University（纽约大学）

Detecting and Suppressing Reward Hacking with Gradient Fingerprints

通过梯度指纹检测和抑制奖励黑客

Songtao Wang, Quang Hieu Pham, Fangcong Yin, Xinpeng Wang, Jocelyn Qiaochu Chen, Greg Durrett, Xi Ye

机构 * University of Alberta（阿尔伯塔大学） ； New York University（纽约大学） ； LMU Munich（慕尼黑大学） ； Princeton Language and Intelligence（普林斯顿语言与智能） 纠错

AI总结 本文提出GRIFT方法，通过梯度指纹检测奖励黑客行为，显著优于现有基线方法，在多个可验证推理基准中提升检测效果，并通过集成到拒绝微调流程中减少奖励黑客并提升任务性能。

BAGEL: Benchmarking Animal Knowledge Expertise in Language Models

BAGEL：语言模型中动物知识专精的基准测试

Jiacheng Shen, Masato Hagiwara, Milad Alizadeh, Ellen Gilsenan-McMahon, Marius Miron, David Robinson, Emmanuel Chemla, Sara Keen, Gagan Narula, Mathieu Laurière, Matthieu Geist, Olivier Pietquin

机构 * Earth Species Project（地球物种项目） ； NYU Center for Data Science（纽约大学数据科学中心；纽约大学上海） ； NYU Shanghai（纽约大学上海数据科学中心；纽约大学-复旦大学数学科学研究所） ； NYU Shanghai Center for Data Science ； NYU-ECNU Institute of Mathematical Sciences at NYU Shanghai 纠错

AI总结 BAGEL基准测试评估语言模型在动物知识方面的专精能力，结合多个来源生成封闭式问题对，涵盖分类学、形态学、栖息地等多个方面，旨在提升语言模型在生物多样性应用中的可靠性。

Comments 28 pages, 3 figures

Polarization by Default: Auditing Recommendation Bias in LLM-Based Content Curation

默认极化：在基于LLM的内容编排中审计推荐偏见

Nicolò Pagan, Christopher Barrie, Chris Andrew Bail, Petter Törnberg

机构 * University of Zurich, Department of Informatics（苏黎世大学信息学院） ； New York University, Department of Sociology（纽约大学社会学系） ； University of Oxford, Department of Sociology（牛津大学社会学系） ； Duke University, Department of Sociology, Computer Science, Political Science, and Public Policy（杜克大学社会学系、计算机科学、政治学和公共政策系） ； University of Amsterdam, Institute for Logic, Language and Computation (ILLC)（阿姆斯特丹大学逻辑、语言与计算研究所（ILLC）） 纠错

AI总结 研究通过模拟实验揭示LLM在内容选择中的偏见差异，发现极化效应普遍存在，不同提示策略对偏见影响显著，且政治倾向偏见在Twitter/X上表现突出。

NeuroMesh: A Unified Neural Inference Framework for Decentralized Multi-Robot Collaboration

NeuroMesh：一种用于去中心化多机器人协作的统一神经推理框架

Yang Zhou, Yash Shetye, Long Quang, Devon Super, Jesse Milzman, Manohari Goarin, Aditya Azad, Devang Sunil Dhake, Jeffery Mao, Carlos Nieto-Granda, Giuseppe Loianno

机构 * New York University（纽约大学） ； U.S. Army Combat Capabilities Development Command, Army Research Laboratory（美国陆军作战能力发展司令部，陆军研究实验室） ； Vanderbilt University（范德比尔特大学） ； University of California Berkeley, Department of Electrical Engineering and Computer Sciences（加州大学伯克利分校，电气工程与计算机科学系） 纠错

AI总结 本文提出NeuroMesh框架，通过统一的管道标准化观察编码、消息传递、聚合和任务解码，解决异构机器人部署多机器人模型的挑战，支持混合GPU/CPU推理并在不同任务结构中展示鲁棒性。

Comments 8 page, 8 figures, Accepted at the IEEE Robotics Automation Letter (RA-L)

VeriCWEty: Embedding enabled Line-Level CWE Detection in Verilog

VeriCWEty: 基于嵌入的RTL代码中行级CWE检测

Prithwish Basu Roy, Zeng Wang, Anatolii Chuvashlov, Weihua Xiao, Johann Knechtel, Ozgur Sinanoglu, Ramesh Karri

机构 * NYU Tandon School of Engineering（纽约大学Tandon工程学院） ； NYU Abu Dhabi Center for Cyber Security（纽约大学阿布扎赫德分校网络安全中心） 纠错

AI总结 本文提出一种基于嵌入的RTL代码中行级CWE检测框架，通过高精度识别常见CWE并定位行级漏洞，达到89%的CWE识别精度和96%的行级漏洞检测准确率。

Puppets or partners? Governing cyborg propaganda in the digital public square

傀儡还是伙伴？数字公共广场中的人机混合宣传的治理

Jonas R. Kunst, Kinga Bierwiaczonek, Meeyoung Cha, Omid V. Ebrahimi, Marc Fawcett-Atkinson, Asbjørn Følstad, Anton Gollwitzer, Nils Köbis, Gary Marcus, Jon Roozenbeek, Daniel Thilo Schroeder, Jay J. Van Bavel, Sander van der Linden, Rory White, Live Leonhardsen Wilhelmsen

机构 * BI Norwegian Business School（BI挪威商学院） ； University of York（约克大学） ； Max Planck Institute for Security and Privacy（安全与隐私研究所） ； Oxford University（牛津大学） ； Canada’s National Observer（加拿大的国家观察者） ； SINTEF ； Research Center Trustworthy Data Science and Security, University Duisburg-Essen（可信数据科学与安全研究中心，杜伊斯堡-埃森大学） ； Max Planck Institute for Human Development（人类发展研究所） ； New York University（纽约大学） ； University of Cambridge（剑桥大学） ； Vrije Universiteit Amsterdam（阿姆斯特丹自由大学） ； Norwegian School of Economics（挪威经济学院） 纠错

AI总结 本文探讨了人机混合宣传对民主讨论的影响，提出三种监管措施，并分析民主与非民主国家在治理上的差异。

Comments 38 pages

Scalable Multi-Task Learning through Spiking Neural Networks with Adaptive Task-Switching Policy for Intelligent Autonomous Agents

通过具有自适应任务切换策略的脉冲神经网络实现可扩展的多任务学习用于智能自主代理

Rachmad Vidya Wicaksana Putra, Avaneesh Devkota, Muhammad Shafique

机构 * eBRAIN Lab, New York University (NYU) Abu Dhabi（eBRAIN实验室，纽约大学（NYU）阿布扎比分校） 纠错

AI总结 本文提出SwitchMT方法，通过自适应任务切换策略和深度脉冲Q网络实现高效的多任务学习，提升自主代理在多个Atari游戏中表现。

Comments Accepted at the 63rd ACM/IEEE Design Automation Conference (DAC), July 26-29, 2026 in Long Beach, CA, USA. [Codes: https://github.com/rachmadvwp/SwitchMT]

A PennyLane-Centric Dataset to Enhance LLM-based Quantum Code Generation using RAG

面向增强基于LLM的量子代码生成的PennyLane数据集

Abdul Basit, Nouhaila Innan, Muhammad Haider Asif, Minghao Shao, Muhammad Kashif, Alberto Marchisio, Muhammad Shafique

机构 * Center for Quantum and Topological Systems (CQTS)（量子与拓扑系统中心（CQTS）） ； NYUAD Research Institute（纽约大学阿布扎克研究院） ； New York University Abu Dhabi（纽约大学阿布扎克分校） 纠错

AI总结 本文提出PennyLang数据集，通过系统化方法提升LLM生成量子代码的性能，验证了RAG框架在增强量子代码生成中的有效性。

Comments 8 pages, 6 figures, 8 tables. Accepted at IJCNN 2026