New York University（纽约大学）

One Scene, Two Depths: Probing Geometric Ambiguity in Monocular Foundation Models

一场景，两深度：探究单目基础模型中的几何歧义性

Xiaohao Xu, Feng Xue, Xiang Li, Haowei Li, Shusheng Yang, Tianyi Zhang, Matthew Johnson-Roberson, Xiaonan Huang

机构 * University of Michigan（密歇根大学） ； Carnegie Mellon University（卡内基梅隆大学） ； New York University（纽约大学） ； Vanderbilt University（范德比大学） 纠错

AI总结 本文提出稀疏双层序数基准MD-3k，用于测量单目深度基础模型的深度层偏好和多层空间关系准确性，发现不同模型对同一分层几何结构有不同解析，且拉普拉斯视觉提示可改变冻结模型的输出层。

Comments 49 pages, 25 figures; Accepted by European Conference on Computer Vision (ECCV) 2026

VCS-SLAM: Geometry-Validated Semantic Evidence Fusion for 3D Gaussian SLAM

VCS-SLAM：用于3D高斯SLAM的几何验证语义证据融合

Raman Jha, Shuaihang Yuan, Yi Fang

机构 * New York University, Electrical & Computer Engineering Dept.（纽约大学电气与计算机工程系） ； Embodied AI and Robotics (AIR) Lab, NYU Abu Dhabi（纽约大学阿布扎比分校 embodied AI and Robotics (AIR) 实验室） ； New York University Abu Dhabi, Electrical Engineering（纽约大学阿布扎比分校 电气工程） 纠错

AI总结 提出VCS-SLAM框架，通过可见性一致性、表面支撑边界证据和射线级冲突不确定性评估语义观测的几何可靠性，抑制遮挡语义更新、减少语义渗漏并延迟模糊区域的标签分配，提升语义一致性和重建质量。

Exit-and-Join Dynamics and Equilibrium in Continuum Cooperative Games

连续合作博弈中的退出与加入动态及均衡

Quanyan Zhu

机构 * Department of Electrical and Computer Engineering（电气与计算机工程系） ； New York University Tandon School of Engineering（纽约大学塔恩工程学院） ； Brooklyn, NY, USA（布鲁克林，纽约，美国） 纠错

AI总结 针对非原子合作博弈，提出退出与加入联盟的连续动态理论，扩展Aumann-Shapley值与Aumann-Drèze值到联盟结构，推导确定性平均场动态，刻画退出-加入均衡，并证明其与Wardrop均衡等价。

What LLMs explain is not what they believe: Evaluating explanation sufficiency under models' own input beliefs

LLM 解释的内容并非其信念：基于模型自身输入信念评估解释充分性

Nhi Nguyen, Shauli Ravfogel, Rajesh Ranganath

机构 * New York University（纽约大学） 纠错

AI总结 提出自洽充分性（SCSuff）指标，利用 LLM 自身生成替代输入来评估自由文本解释的充分性，发现 LLM 解释通常不充分且与模型大小、准确率等弱相关。

Comments 23 pages, 9 figures, 13 tables, Forty-Third International Conference on Machine Learning (ICML 2026)

Journal ref Forty-Third International Conference on Machine Learning (ICML 2026)

You Had One Job: Per-Task Quantization Using LLMs' Hidden Representations

你只有一份工作：利用LLM隐藏表示进行每任务量化

Amit LeVi, Raz Lapid, Rom Himelstein, Chaim Baskin, Ravid Shwartz Ziv, Avi Mendelson

机构 * Technion—Israel Institute of Technology（技术ion—以色列理工学院） ； Zenity（Zenity公司） ； DeepKeep（DeepKeep公司） ； Ben-Gurion University of the Negev（巴伊兰大学） ； New York University（纽约大学） 纠错

AI总结 本文提出TAQ框架，通过任务校准提示分配更高精度给任务相关的transformer层，提升精度-内存比和部署性能。

Comments Accepted at ICML 2026 Workshop on AdaptFM: Resource-Adaptive Foundation Model Inference