New York University（纽约大学）

Reason to Play: Behavioral and Brain Alignment Between Frontier LRMs and Human Game Learners

玩乐的动机：前沿LRMs与人类游戏学习者的行为与大脑对齐

Botos Csaba, Sreejan Kumar, Austin Tudor David Andrews, Laurence Hunt, Chris Summerfield, Joshua B. Tenenbaum, Rui Ponte Costa, Marcelo G. Mattar, Momchil Tomov

机构 * University of Oxford（牛津大学） ； Columbia University（哥伦比亚大学） ； New York University（纽约大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Harvard University（哈佛大学） 纠错

AI总结 本文研究了前沿LRMs在游戏学习中的行为与大脑活动对齐情况，发现其在游戏发现阶段更接近人类行为，并能更准确预测大脑活动。

ADKO: Agentic Decentralized Knowledge Optimization

ADKO：群体性去中心化知识优化

Lucas Nerone Rillo, Zhanhong Jiang, Nastaran Saadati, Aditya Balu, Baskar Ganapathysubramanian, Chinmay Hegde, Soumik Sarkar

机构 * Iowa State University（爱荷华州立大学） ； New York University（纽约大学） 纠错

AI总结 ADKO框架通过去中心化方法实现高效黑盒优化，结合高斯过程、语言模型和压缩技术，在隐私保护和异质目标处理方面取得突破。

Comments 31 pages

Dynamic Mode Decomposition along Depth in Vision Transformers

视觉变换器中的深度动态模式分解

Nishant Suresh Aswani, Saif Eddin Jabari

机构 * NYU Tandon & NYU Abu Dhabi（纽约大学Tandon学院及阿布扎赫尔纽约大学） 纠错

AI总结 研究视觉变换器深度是否实现近似自主线性动力学，通过动态模式分解验证并分析其在不同深度下的稳定性与可扩展性。

On the Meta-Design of Allocation Problems

关于分配问题的元设计

Unai Fischer-Abaigar, Emily Aiken, Christoph Kern, Juan Carlos Perdomo

机构 * LMU Munich（慕尼黑莱茵河大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； University of California San Diego（圣地亚哥大学） ； New York University（纽约大学） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本文探讨了在资源分配问题中，如何通过元设计优化投资预测、容量限制和治疗质量，以提升整体福利。

DiffAdapt: Difficulty-Adaptive Reasoning for Token-Efficient LLM Inference

DiffAdapt：面向令牌高效大语言模型推理的难度自适应推理

Xiang Liu, Xuming Hu, Xiaowen Chu, Eunsol Choi

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； New York University（纽约大学） 纠错

AI总结 本文提出DiffAdapt框架，通过分析推理轨迹中的熵分布，根据问题难度选择不同的推理策略，减少令牌使用量，提升推理效率。

Comments ICLR 26

Geometric Analysis of Neural Regression Collapse via Intrinsic Dimension

神经回归崩溃的几何分析：通过内在维度

George Andriopoulos, Zixuan Dong, Bimarsha Adhikari, Keith Ross

机构 * New York University Abu Dhabi（纽约大学阿布扎比分校） ； SFSC of AI and DL, NYU Shanghai（纽约大学上海人工智能与深度学习学院） ； New York University（纽约大学） 纠错

AI总结 研究通过内在维度分析揭示神经回归崩溃的几何机制，发现过度压缩导致泛化能力下降，提出扩展或减少特征维度的策略以提升性能。

Comments 36 pages, 21 figures

Exposing and Mitigating Temporal Attack in Deepfake Video Detection

揭示并缓解深度伪造视频检测中的时间攻击

Zheyuan Gu, Minghao Shao, Zhen Wang, Yusong Wang, Mingkun Xu, Shijie Zhang, Hao Jiang

机构 * Peking University（北京大学） ； New York University（纽约大学） ； Huzhou University（湖州大学） ； Institute of Science Tokyo（东京科学研究院） ； Guangdong Institute of Intelligence Science and Technology（广东省智能科学与技术研究院） 纠错

AI总结 本文提出SpInShield框架，通过分离语义运动与可操控频谱特征，缓解深度伪造检测器对逃避攻击的脆弱性，并在模拟频谱攻击中提升AUC性能。

The Position Curse: LLMs Struggle to Locate the Last Few Items in a List

位置诅咒：LLM在列表中定位最后几个项目时表现不佳

Zhanqi Zhang, Hua-Dong Xiong, Robert C. Wilson, Mikio Aoi, Marcelo G. Mattar, Li Ji-An

机构 * UC San Diego（加州大学圣地亚哥分校） ； Georgia Tech（佐治亚理工学院） ； New York University（纽约大学） 纠错

AI总结 LLM在定位长列表中单个相关项目时表现优异，但在短列表中最后几个项目定位上存在缺陷，即位置诅咒。通过构建PosBench数据集进行微调后，虽然提升了定位能力，但仍未达到理想水平。

Emergent Manifold Separability during Reasoning in Large Language Models

大语言模型推理中的涌现流形分离

Chanwoo Chun, Alexandre Polo, SueYeon Chung

机构 * Department of Physics, Harvard University（哈佛大学物理系） ； Center for Data Science, New York University（纽约大学数据科学中心） ； Kempner Institute, Harvard University（哈佛大学 Kempner 研究所） ； Center for Computational Neuroscience, Flatiron Institute（Flatiron 机构计算神经科学中心） 纠错

AI总结 研究大语言模型推理过程中的流形分离现象，通过曼福容量理论分析两种组合推理任务，发现概念流形在计算前解耦为线性可分子空间，揭示动态流形管理机制。

Comments Alexandre Polo and Chanwoo Chun contributed equally to this work

Neural Neural Scaling Laws

神经神经扩展定律

Michael Y. Hu, Jane Pan, Ayush Rajesh Jhaveri, Nicholas Lourie, Kyunghyun Cho

机构 * New York University（纽约大学） 纠错

AI总结 本文提出NeuNeu模型，通过时间序列外推预测语言模型在下游任务中的性能，相比传统参数化方法，其在66个下游任务上的均方误差降低了44%。