New York University（纽约大学）

Eviction as Estimation: A Fixed-Lag Smoothing View of Test-Time Memory, and When Measuring Beats Accumulating

作为估计的逐出：测试时内存的固定延迟平滑视图，以及测量何时胜过累积

Maruthi Vemula, Neeraj Praneeth Gajula

机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； New York University（纽约大学） 纠错

AI总结 研究语言模型内存管理，将存储项保留决策转化为对项目是否被重用的估计问题，提出固定延迟平滑策略RMM。在受控设置中有优势，在第三方基准测试中表现一般，贡献了框架及测量与累积效果对比的映射。

Comments 8 pages, 3 figures, 3 tables

Exploring Budgeted Image Classification with Content-Sensitive Resource Allocation

利用内容敏感资源分配探索预算图像分类

Athanasios G. Papadopoulos

机构 * Tandon School of Engineering, New York University（纽约大学坦登工程学院） 纠错

AI总结 研究在动态计算环境下的预算图像分类问题，提出将其形式化为资源分配整数规划。针对原规划NP难问题，先提出连续松弛的内容无关策略，又改进为内容敏感策略，经实验验证性能更优，还从理论上研究策略并分析失败案例以指导未来研究。

Joint Optimization for Greedy Longest-match Tokenization

贪心最长匹配分词的联合优化

Adhiraj Singh, Deepanshu Mody, Ghina Al Shdaifat, Hamza Alshamy, Adam Wiemerslage, Varshini Reddy, Craig W. Schmidt

机构 * Center for Data Science, New York University（纽约大学数据科学中心） ； Kensho Technologies（肯绍科技公司） 纠错

AI总结 研究针对贪心最长匹配解码，提出联合优化方法JOLT，将词汇学习设为整数规划，通过贪心一致性约束等确保训练与部署时分词对齐，求解线性规划松弛扩大优化规模，实验表明其能缩小与最优压缩差距，减少令牌数量。

Comments 18 pages, 6 figures

Not All LLM Reasoning is Visible in the Chain-of-Thought

并非所有大语言模型的推理都能在思维链中体现

Vatsal Baherwani, Tom Goldstein, Ashwinee Panda

机构 * New York University（纽约大学） ； University of Maryland（马里兰大学） ； TogetherAI 纠错

AI总结 研究探讨大语言模型输出令牌是否体现所有推理，发现前沿模型存在利用无关填充令牌提升合成推理任务性能的不可见推理现象，评估多个模型，揭示填充令牌益处因模型和令牌而异，还表明其能服务隐藏目标，且强化学习等方法无法使填充令牌益处在测试时持续。

A2QTGN: Adaptive Amplitude Quantum-Integrated Temporal Graph Network for Dynamic Link Prediction

A2QTGN：自适应幅度量子集成时间图网络用于动态链接预测

Nouhaila Innan, M. Murali Karthick, Simeon Kandan Sonar, Vivek Chaturvedi, Muhammad Shafique

机构 * eBRAIN Lab, Division of Engineering, New York University Abu Dhabi (NYUAD)（eBRAIN实验室，工程学院，纽约大学阿布扎比分校） ； Center for Quantum and Topological Systems (CQTS), NYUAD Research Institute, NYUAD（量子与拓扑系统中心（CQTS），NYUAD研究院，NYUAD） ； Indian Institute of Technology Palakkad (IITPKD)（帕拉卡德印度理工学院（IITPKD）） 纠错

AI总结 本文提出A2QTGN，一种结合自适应幅度编码和时间图网络的混合量子-经典框架，用于动态链接预测，通过量子状态表示节点交互特征并根据时间活动选择性刷新幅度嵌入，提升时间表示能力。

Comments 9 pages, 3 figures

MolCryst-MLIPs: A Machine-Learned Interatomic Potentials Database for Molecular Crystals

MolCryst-MLIPs：用于分子晶体的机器学习互原子势数据库

Adam Lahouari, Shen Ai, Jihye Han, Jillian Hoffstadt, Philipp Hoellmer, Charlotte Infante, Pulkita Jain, Sangram Kadam, Maya M. Martirossyan, Amara McCune, Hypatia Newton, Shlok J. Paul, Willmor Pena, Jonathan Raghoonanan, Sumon Sahu, Oliver Tan, Andrea Vergara, Jutta Rogal, Mark E. Tuckerman

机构 * Department of Chemistry, New York University（纽约大学化学系） ； New York University（纽约大学） ； Simons Center for Computational Physical Chemistry, New York University（纽约大学计算物理化学中心） ； Department of Physics, New York University（纽约大学物理系） ； Department of Chemical and Biomolecular Engineering, Tandon School of Engineering, New York University（纽约大学工程学院化学与生物分子工程系） ； New York University Shanghai（纽约大学上海分校） 纠错

AI总结 本文提出一个开源的分子晶体机器学习互原子势数据库MolCryst-MLIPs，包含九种分子晶体系统经过微调的MACE模型，通过自动化机器学习流程实现可重复的建模流程，提供高精度的势能和力预测。

CodeEvo: Interaction-Driven Synthesis of Code-centric Data through Hybrid and Iterative Feedback

CodeEvo：通过混合和迭代反馈以交互驱动方式合成以代码为中心的数据

Qiushi Sun, Jinyang Gong, Lei Li, Qipeng Guo, Fei Yuan

机构 * Shanghai AI Laboratory（上海人工智能实验室） ； The University of Hong Kong（香港大学） ； New York University（纽约大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Shanghai Innovation Institute（上海创新研究院） 纠错

AI总结 为解决高质量指令-代码对获取难题，提出双智能体架构CodeEvo，审查器制定模式并结合混合验证协议，构建CodeEvo-100K数据集，实验表明基于此数据微调的模型在代码生成基准测试中表现出色。

Comments ACL 2026 (Oral)