New York University（纽约大学）

FinHardBench: Can LLMs Generate Latency-Aware Hardware for Financial Computing?

FinHardBench：大语言模型能否生成面向金融计算的延迟感知硬件？

Weimin Fu, Hejia Zhang, Minghao Shao, Zeng Wang, Johann Knechtel, Ozgur Sinanoglu, Muhammad Shafique, Ramesh Karri, Xiaolong Guo

机构 * Lehigh University（里海大学） ； University of California, San Diego（加利福尼亚大学圣迭戈分校） ； NYU Tandon School of Engineering（纽约大学坦登工程学院） ； NYU Abu Dhabi（纽约大学阿布扎比分校） 纠错

AI总结 本文提出面向金融FPGA设计的开源基准FinHardBench，通过三类实验评估6种大语言模型，发现其在功能正确性、系统级配置优化等方面存在差异，策略级规格变更问题仍待解决。

Comments 16 pages (10 pages main text). Published as a conference paper at COLM 2026. Code and benchmark: https://github.com/owenfucell/FinHardBench

HP-JEPA: Hierarchical Partitioning for Multi-Resolution Graph Joint-Embedding Predictive Learning

HP-JEPA：用于多分辨率图联合嵌入预测学习的层次划分方法

Ruichen Xu, Jingxiang Qu, Wenhan Gao, Jiaxing Zhang, Linsey Pang, Ravid Shwartz-Ziv, Yann LeCun, Yuefan Deng

机构 * Stony Brook University（石溪大学） ； TikTok（TikTok（抖音海外版）） ； PayPal（PayPal（贝宝）） ； New York University（纽约大学） 纠错

AI总结 HP-JEPA是一种多分辨率图联合嵌入预测的层次划分框架，通过在不同分辨率下进行潜在预测并整合表示，在多数图分类与回归基准及不同规模图上，性能优于固定分辨率的Graph-JEPA。

Comments 15 pages, 4 figures, 5 tables

Bridging the English-Arabic Medical Knowledge Gap: Targeted Low-Rank Adaptation via Causal Layer Selection

缩小英阿医学知识鸿沟：通过因果层选择实现针对性低秩适配

Chaimae Abouzahir, Musa Khan, Hala Ali-Hassan, Congbo Ma, Khaled Saleh, Yousra Sadqi, Jihad Mallat, Walid Al-Eisawi, Nizar Habash, Farah E. Shamout

机构 * New York University Abu Dhabi（纽约大学阿布扎比分校） ； Cleveland Clinic Abu Dhabi（克利夫兰诊所阿布扎比分校） 纠错

AI总结 该研究针对阿拉伯语医学LLMs性能弱于英文的问题，提出TLoRA方法并构建阿拉伯医学对话基准，通过机制诊断实现针对性适配，提升了阿拉伯语医学任务性能。

Individual-level interventions against sycophantic AI reduce its appeal but not its persuasiveness

观察到谄媚的人工智能认可他人会降低其吸引力，但不会降低其说服力

Meryl Ye, Robert Kraut, Steve Rathje

机构 * Carnegie Mellon University（卡内基梅隆大学） ； New York University（纽约大学） 纠错

AI总结 研究探讨提高用户对谄媚人工智能的认知能否防危害，通过两项预注册实验及合并其他研究发现，警告和视频干预虽改变评价，但未降说服力，个体层面干预或难护用户免受人工智能之害。

Physics constraints and response validation in discrete-time reduced-order modeling: from idealized turbulent systems to climate dynamics

物理学与因果约束的离散时间神经模型对湍流动力系统的研究

Fabrizio Falasca, Laure Zanna

机构 * Courant Institute School of Mathematics, Computing and Data Science（Courant研究所数学、计算与数据科学学院） ； New York University（纽约大学） 纠错

AI总结 本文提出了一种基于数据构建湍流动力系统物理和因果约束神经模型的框架，通过有限时间流映射和因果约束，准确捕捉了稳态统计和外部扰动响应。

Hyperparameter Transfer Laws for Non-Recurrent Multi-Path Neural Networks

非递归多路径神经网络的超参数转移定律

Shenxi Wu, Haosong Zhang, Xingjian Ma, Shirui Bian, Yichi Zhang, Xi Chen, Wei Lin

机构 * Fudan University, Shanghai, China（复旦大学） ； New York University, New York, NY, USA（纽约大学） 纠错

AI总结 本文提出有效深度概念，揭示了非递归多路径神经网络中学习率衰减遵循-3/2幂律，实现超参数跨深度和宽度的可靠转移。