Ceci n'est pas une pipe: AI systems as semantic abstractions
这不是一支烟斗：作为语义抽象的人工智能系统
机构 * ARM（安谋科技） ； UCL（伦敦大学学院） ； NYU（纽约大学）
AI总结 研究人工智能系统输出为设计表示的问题，提出语义框架描述该系统以检查表示正确性，区分相关内容并定义常见故障，有望为指定和检查人工智能系统提供有用词汇表。
高校专区
New York University（纽约大学）
Neural Collapse Is Forbidden: Information Floors in Language Models
语言模型中的信息下限：神经坍缩是被禁止的
机构 * NYU Shanghai Leonard N. Stern School of Business, New York University（纽约大学上海纽约大学斯特恩商学院）
AI总结 研究语言模型中信息分配定律，通过单行中心化恒等式等方法，揭示宏观类别结构与令牌内上下文方差占比，理论上说明权重衰减影响，证明二元类别下限，表明定律在多方面成立及预训练中类别份额变化规律。
LionVote: Per-Layer Learning Rate Adaptation for Lion
LionVote：针对Lion的逐层学习率自适应
机构 * New York University（纽约大学）
AI总结 研究针对Lion在不同层参数有效规模差异问题，提出LionVote逐层学习率机制，通过特定诊断更新参数张量的复合水平，投票阈值源于多种因素，节奏有界且可选择。该机制在ViT-Tiny/CIFAR-100上提升了准确率，且适应值与架构、任务相关。
Comments 34 pages, 10 figures
VTaMo: Video-Text Alignment Model for Sign Language Translation
VTaMo：用于手语翻译的视频-文本对齐模型
机构 * New York University Abu Dhabi（纽约大学阿布扎比分校） ； ChatSign Technology（ChatSign科技）
AI总结 研究手语翻译问题，提出VTaMo框架，通过局部、全局对齐及位置对齐对比学习实现多粒度对齐，在多个数据集实验中展现领先性能，各组件贡献互补。
Comments 18 pages, 5 figures, 8 tables. Accepted to ECCV 2026
How to DP-fy Your Data: A Practical Guide to Generating Synthetic Data With Differential Privacy
如何让你的数据实现差分隐私：使用差分隐私生成合成数据的实用指南
机构 * Google Research USA（谷歌DeepMind） ； NYU Work done at Google as part of student researcher engagement New York NY USA ； Google Research New York NY USA ； Institute for Mathematical ； Computational Engineering, Faculty of Mathematics ； School of Engineering, Pontificia Universidad Cat\'olica de Chile Santiago Chile ； Google DeepMind Mountain View CA USA ； Google Research ； School of Engineering, Pontificia Universidad Cat\'olica de Chile ； Google DeepMind
AI总结 研究如何利用差分隐私生成合成数据，探讨相关技术、保护类型及不同模态进展，概述系统组件，旨在推动差分隐私合成数据应用，促进研究并增强信任。
Journal ref JAIR 2026, vol. 86 JAIR, Vol. 86
