New York University（纽约大学）

Scale-Separated Conditioning for Style-Encoder-Free Diffusion Stylization

用于无风格编码器的扩散风格化的尺度分离条件设置

Jingtao Zhang, Haorui Gao, Youqing Liang, Zeming Liu

机构 * College of Computing, Georgia Institute of Technology（佐治亚理工学院计算学院） ； Courant Institute of Mathematical Sciences, New York University（纽约大学柯朗数学科学研究所） ； Department of Computer Science, Brown University（布朗大学计算机科学系） 纠错

AI总结 本研究提出无风格编码器的扩散风格化框架SEFS，通过单张图像低分辨率裁剪形成风格令牌，在未配对单张图像上训练，提升艺术风格化的内容一致性等性能，代码将公开。

Beyond Multimodal Alignment: Certifying Physical Language through Response Substitution and Ordered Execution

超越多模态对齐：通过响应替换与有序执行验证物理语言

Kaizhen Tan, Xin Xu, Siru Tao, Yixiao Li, Hanzhe Hong, Yang Feng, Heqing Du

机构 * New York University（纽约大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Columbia University（哥伦比亚大学） 纠错

AI总结 本文提出DBOSC方法，在Cluster Haptic数据集与弹塑性系统中验证了多模态物理表示的可执行含义，明确了执行器、图表等因素对动作组合的影响，区分了多项可测试的操作能力成就。

RequestRouter: Request-Boundary Routing for Efficient Single-GPU LLM Inference

ModeSwitch-LLM：单GPU上跨模式LLM推理的轻量级阶段感知控制器

Aman Sunesh, Ali Alshehhi, Hivansh Dhakne

机构 * New York University Abu Dhabi（纽约大学阿布扎克分校） ； New York University（纽约大学） ； United States（美国） 纠错

AI总结 提出一种轻量级请求边界控制器ModeSwitch-LLM，通过基于工作负载特征在FP16、量化、推测解码等推理模式间路由请求，在单GPU上实现平均延迟加速2.10倍、每token能耗降低51.7%，且精度几乎无损。

Comments 5 pages, 2 figures. Accepted at the 2nd International Workshop on Low Carbon Computing (LOCO 2026), Lancaster University, United Kingdom, 10-11 September 2026. Part of the LOCO 2026 proceedings, arXiv:2608.02072 (https://arxiv.org/abs/2608.02072)