高校专区
一个镜头，多个世界：面向世界模型可解释性的能力类型接口
机构 * New York University（纽约大学） ； Independent Researcher（独立研究者） ； Veermata Jijabai Technological Institute（韦尔玛塔·吉贾拜技术学院） ； Mercity ； University of Southern California（南加州大学） ； Independent Researcher, MIT（麻省理工学院独立研究者） ； Independent Researcher, GITAM（GITAM独立研究者） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 提出WorldModelLens，通过能力类型适配器统一不同世界模型（如PlaNet、IRIS、I-JEPA）的可解释性分析，避免重复实现。
一阶轨迹匹配：混沌、湍流、随机系统的快速集成预测
机构 * Courant Institute of Mathematical Sciences, New York University（纽约大学库朗数学科学研究所）
AI总结 提出一阶轨迹匹配（FTM）方法，通过学习随机系统轨迹的一阶局部概率质量输运，实现低成本的集成预测，并捕捉通量、环流等轨迹量。
盲去噪扩散模型与维度的祝福
机构 * Flatiron Institute, Simons Foundation（Flatiron研究院，Simons基金会） ； Foundations of Data Science, Yale University（数据科学基础，耶鲁大学） ； Department of Statistics and Data Science, Yale University（统计与数据科学系，耶鲁大学） ； Ctr. for Neural Science & Courant Institute, New York University（神经科学中心及Courant学院，纽约大学）
AI总结 提出盲去噪扩散模型（BDDM），通过不向神经网络传递噪声幅度来简化设计，并在数据内在维度低于环境维度的假设下证明其正确性，实验显示自适应方案的优势。
Comments 39 pages, 13 figures; Accepted to ICML 2025 FoGen workshop
全面披露，更少信任？新闻写作中AI使用细节程度如何影响读者信任
机构 * Centrum Wiskunde & Informatica（数学与信息学中心） ； University of Amsterdam（阿姆斯特丹大学） ； New York University（纽约大学） ； TU Delft（代尔夫特理工大学） ； Utrecht University（乌得勒支大学）
AI总结 研究探讨新闻写作中AI使用细节披露程度对读者信任的影响，发现详细披露会降低信任，但促使更多读者核查信息源，揭示透明度与信任之间的权衡。
Cyst-X：用于胰腺囊性肿瘤恶性风险分层的多中心MRI基准与联邦学习框架
机构 * Machine & Hybrid Intelligence Lab, Department of Radiology, Northwestern University（机器与混合智能实验室，放射科，西北大学） ； Istanbul Faculty of Medicine, Istanbul University（伊斯坦布尔大学医学学院） ； Department of Biomedical Engineering and Radiology, University of Wisconsin-Madison（生物医学工程与放射科，威斯康星大学麦迪逊分校） ； Department of Preventive Medicine, Northwestern University（预防医学系，西北大学） ； Division of Gastroenterology and Hepatology, New York University（消化内科与肝病科，纽约大学） ； Department of Electrical, Electronic and Computer Engineering, University of Catania（电气、电子和计算机工程系，卡塔尼亚大学） ； NVIDIA ； Department of Radiology, Columbia University（放射科，哥伦比亚大学） ； Department of Radiology and Nuclear Medicine, Erasmus Medical Center（放射科与核医学科，埃因霍温医学院） ； Department of Gastroenterology and Hepatology, Erasmus Medical Center（消化内科与肝病科，埃因霍温医学院） ； Department of Radiology, New York University（放射科，纽约大学） ； Division of Gastroenterology and Hepatology, Mayo Clinic Florida（消化内科与肝病科，迈阿密诊所佛罗里达分部） ； Department of Gastroenterology and Hepatology, Northwestern University（消化内科与肝病科，西北大学）
AI总结 提出Cyst-X，一个多中心MRI基准和联邦学习框架，用于IPMN恶性风险分层，结合PanSegNet分割器和3D DenseNet-121分类器，在内部交叉验证中达到0.85的AUC，性能与放射科医生相当。
面向文本到图像生成的高效路由：成本感知方法
机构 * Tandon School of Engineering, New York University（纽约大学Tandon工程学院） ； Google（谷歌） ； Eigen 4D Inc.（Eigen 4D公司）
AI总结 提出成本感知路由框架，根据提示复杂度自动选择不同去噪步数或模型，在保证高质量的同时降低计算成本，优于单一模型。
Comments Accepted by TMLR
端到端上下文压缩的规模化
机构 * New York University（纽约大学） ； Modal Labs（Modal实验室） ； University of Maryland（马里兰大学） ； Princeton University（普林斯顿大学） ； Columbia University（哥伦比亚大学） ； Harvard University（哈佛大学） ； Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室） ； FAIR at Meta（Meta FAIR实验室）
AI总结 本研究通过架构搜索和持续预训练，提出潜在上下文语言模型（LCLMs），一种端到端编码器-解码器压缩器，在通用任务性能、压缩速度和峰值内存上改进帕累托前沿，并可作为长时智能体的高效骨干。
基于移动性和社交媒体数据的可解释危机行为分析
机构 * New York University (NYUAD)（纽约大学（NYUAD））
AI总结 提出统一可解释流水线，融合移动性和社交媒体数据，通过形式概念分析和关联规则挖掘，识别危机中跨域行为模式，并在洛杉矶山火和COVID-19案例中验证，生成可操作的政策简报。
基于多序列影像的脊柱MRI报告生成多智能体系统
机构 * University of Washington（华盛顿大学） ； Peking University（北京大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； New York University（纽约大学） ； University of Washington Medical Center（华盛顿大学医学中心）
AI总结 提出SpineAgent多智能体框架，利用多序列基础模型整合T1/T2等序列信息，实现脊柱MRI报告生成、病理定位和图文检索，在跨厂商和跨队列评估中表现优异。
统一对象中心世界模型与扩散策略：多阶段机器人任务的分层框架
机构 * Tandon School of Engineering, New York University（纽约大学坦登工程学院） ； Courant Institute of Mathematical Sciences, New York University（纽约大学库朗数学科学研究所） ； AMI Labs（AMI实验室）
AI总结 提出WorldDP分层框架，结合高层世界模型进行运行时子目标优化和低层扩散策略执行，利用对象中心表示解耦环境实体，实现多阶段机器人操作任务的有效规划与执行。
跨体裁与标点条件下的阿拉伯语句子分割
机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎德·本·泽德人工智能大学） ； New York University Abu Dhabi（纽约大学阿布扎比分校）
AI总结 针对阿拉伯语标点歧义和不一致导致的句子分割难题，构建跨8种体裁的语料库AraSEG，评估LLM、轻量编码器和依存解析器，发现轻量模型在困难设置下优于LLM，且准确分割能显著提升下游依存解析。
从加密智能手机网络流量中学习行为信号
机构 * New York University（纽约大学） ； NYU Langone Health（NYU Langone健康） ； NYU Grossman School of Medicine（NYU Grossman医学院） ； Oregon Health & Science University（俄勒冈健康与科学大学） ； Columbia University（哥伦比亚大学） ； Harvard Medical School（哈佛医学院）
AI总结 本文利用基于Transformer的模型从加密网络流量中学习行为表征，结合用户特定适配器，并通过稀疏表示和广义估计方程分析，发现压力、孤独感和睡眠障碍分别与个体间差异、个体内波动及两者组合相关，且学习到的表征优于传统手工特征。
Comments 19 pages, 6 figures
老年工人在桥梁就业中应对生成式AI的关切与战略回应
机构 * University of Pittsburgh（匹兹堡大学） ； New York University（纽约大学）
AI总结 通过访谈21名专业人士，研究老年工人在桥梁就业中如何应对生成式AI带来的时间与结构性干扰，通过边界工作重构任务，形成AI韧性，并建议平衡个体、中观和宏观层面的策略以减少倦怠。
Comments CHIWORK'26
VESTA: 基于统计工具代理的视觉探索
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； New York University（纽约大学）
AI总结 提出VESTA框架，通过动态增长的工具集指导数据变换、假设驱动可视化和统计检验，提升视觉语言模型在复杂统计建模任务上的性能。
学习真实内容：在多传感器数据中分离信号和测量伪影，应用于天体物理学
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Flatiron Institute, Simons Foundation（Flatiron研究所，Simons基金会） ； Institute for Advanced Studies（高级研究 institute） ； Harvard University（哈佛大学） ； New York University（纽约大学） ； Instituto de Astrofísica de Canarias（加那利大天文台）
AI总结 本文提出一种深度学习框架，通过重叠观测、双编码器架构和反事实生成目标，分离多传感器数据中的信号与伪影，提升天体物理学研究的准确性。
Comments Accepted at the 2nd Workshop on Foundation Models for Science at ICLR 2026. 10 pages, 7 figures (main text), plus appendix
全批量梯度下降优于单次SGD：单索引学习中的样本复杂度分离
机构 * Institute of Science and Technology Austria（奥地利科学与技术研究所） ； Sung Kyun Kwan University（顺天妇女大学） ； New York University and Flatiron Institute（纽约大学和Flatiron研究所） ； University of Southern California（南加州大学）
AI总结 研究单索引学习中全批量GD与单次SGD的样本复杂度差异，发现通过截断激活函数，全批量GD在n≃d样本时实现弱恢复，优于单次SGD的n≳d log d样本需求。
Comments Accepted to ICML 2026
通用干预下的自动、去偏和不变反事实生成
机构 * Cornell Tech（康奈尔科技） ； Cornell University（康奈尔大学） ； Department of Biostatistics, Department of Population Health（生物统计学系、人口健康系） ； New York University Grossman School of Medicine（纽约大学格罗斯曼医学院）
AI总结 提出ADIGen框架，结合Riesz回归、因果不变性和正交统计学习，实现通用干预下反事实生成的自动、去偏和不变性，并提供过剩风险界。
WorldBench: 一个具有挑战性且视觉多样的多模态推理基准
机构 * Princeton University（普林斯顿大学） ； NYU（纽约大学） ； University of Waterloo（滑铁卢大学） ； Meta, FAIR（Meta和FAIR）
AI总结 提出WorldBench，通过构建多领域视觉概念分类法并收集多样化图像，设计前沿MLLM难以回答的问题，以评估多模态大语言模型的视觉理解能力，揭示其弱点。
Comments Project page: https://worldbench-vl.github.io/
DxPTA：基于光学数据流引导策略的光子Transformer加速器硬件/软件协同设计的架构设计空间探索
机构 * eBRAIN Lab, Division of Engineering, New York University (NYU) Abu Dhabi（eBRAIN实验室，工程学院，纽约大学（NYU）阿布扎赫德分校） ； Photonic Research Lab (PRL), Division of Engineering, New York University (NYU) Abu Dhabi（光子研究实验室（PRL），工程学院，纽约大学（NYU）阿布扎赫德分校） ； New York University (NYU) Abu Dhabi（纽约大学（NYU）阿布扎赫德分校）
AI总结 提出DxPTA方法，通过光学数据流分析架构参数并设计约束感知搜索算法，实现光子Transformer加速器的高效硬件/软件协同设计，在满足面积、功耗等约束下显著提升搜索速度。
Comments 8 pages, 12 figures
人类成人与LLM作为科学家：谁从主动探索中受益？
机构 * Mila - Quebec AI Institute（魁北克人工智能研究所） ； McGill University（麦吉尔大学） ； University of California Berkeley（加州大学伯克利分校） ； New York University（纽约大学） ； Meta FAIR ； MIT Media Lab（麻省理工学院媒体实验室） ； Montreal Neurological Institute（蒙特利尔神经科学研究所）
AI总结 本研究通过主动探索实验，发现主动探索能显著提升成人对合取因果规则的推理能力，但合取规则仍需更多测试；同时比较了大型语言模型的表现，发现部分模型在假设推断准确率上接近人类，但探索策略效率较低且存在类似的合取-析取性能差距。
Comments Accepted at the 48th Annual Conference of the Cognitive Science Society (CogSci 2026)
从“弱”信号到强模型：基于LoRA合并的偏好增量聚合
机构 * NYU Shanghai（纽约大学上海校区） ； NTU（国立台湾大学） ； NYU（纽约大学） ； ZJU（浙江大学）
AI总结 提出偏好增量聚合（PDA）框架，通过从弱-更弱模型对中提取偏好增量并转化为LoRA适配器，再经几何对齐合并（GAM）聚合多个“弱”信号，以提升强模型性能。
COF26：多组态对密度泛函理论的一种新的on-top泛函
机构 * Shanghai Engineering Research Center of Molecular Therapeutics and New Drug Development（分子治疗与新药开发上海工程研究中心） ； Shanghai Frontiers Science Center of Molecule Intelligent Syntheses（分子智能合成上海前沿科学中心） ； School of Chemistry and Molecular Engineering, East China Normal University（东华大学化学与分子工程学院） ； Department of Chemistry, Chemical Theory Center, and Minnesota Supercomputing Institute, University of Minnesota（明尼苏达大学化学系、化学理论中心和明尼苏达超级计算研究所） ； Chongqing Key Laboratory of Precision Optics, Chongqing Institute of East China Normal University（重庆精密光学重点实验室，东华大学重庆研究所） ； New York University–East China Normal University Center for Computational Chemistry, New York University Shanghai（纽约大学–东华大学计算化学中心，纽约大学上海）
AI总结 提出COF26泛函，通过大语言模型辅助优化工作流，在强和弱关联体系中均表现优越，推荐用于未来MC-PDFT计算。
LLM增强的数字孪生用于短视频平台策略评估
机构 * University of California, Berkeley（加州大学伯克利分校） ； The Chinese University of Hong Kong（香港中文大学） ； New York University（纽约大学） ； The University of Hong Kong（香港大学）
AI总结 提出一种LLM增强的四模块数字孪生架构（用户、内容、交互、平台），通过事件驱动执行层和可插拔策略组件，支持在闭环动态下对平台策略（含AI策略）进行可复现的仿真评估。
反应通量匹配：稀有事件的机制发现与自适应采样
机构 * CMU-Pitt Program in Computational Biology（CMU-匹兹堡计算生物学项目） ； Dept. of Computational & Systems Biology University of Pittsburgh（计算与系统生物学系匹兹堡大学） ； Machine Learning Department Dept. of Mathematical Sciences Carnegie Mellon University（机器学习系数学科学系卡内基梅隆大学） ； Courant Institute, New York University（纽约大学Courant研究所） ； Machine Learning Lab Capital Fund Management（机器学习实验室资本基金管理）
AI总结 提出通量匹配框架，从反应轨迹数据中学习电流速度 u(z) 和标量势 h(z)，用于识别反应路径和反应坐标，并实现自适应采样。
Comments 21 pages, 7 figures, submitted to NeurIPS 2026
MotionDisco: 用于极端人形机器人移动操作的运动发现
机构 * Technical University of Munich, Germany（慕尼黑技术大学） ； New York University, USA（纽约大学） ； Carnegie Mellon University, USA（卡内基梅隆大学）
AI总结 提出MotionDisco框架，通过大语言模型引导的进化搜索和顺序运动动力学轨迹优化，从零开始自动发现长时域、接触丰富的人形机器人移动操作技能，并在真实机器人上部署。
代理型人工智能的保险
机构 * Department of Electrical and Computer Engineering, New York University, Tandon School of Engineering（电气与计算机工程系，纽约大学，工程学院）
AI总结 本文分析了代理型AI带来的新型风险，提出了承保、定价、再保险和产品设计的框架，并构建了整合多种保险覆盖的协调架构。
TabSODA: 基于表格扩散的插补方法，结合跳跃模式检测与序数感知
机构 * Department of Biostatistics NYU School of Global Public Health（生物统计学系纽约大学全球公共卫生学院）
AI总结 提出TabSODA方法，通过EM框架下的扩散模型处理大规模调查中的结构跳跃和序数变量，在PATH和NSDUH数据集上显著提升插补精度。
利用大语言模型进行安全硬件设计及相关问题：机遇与挑战
机构 * New York University Abu Dhabi（纽约大学阿布扎克分校） ； NYU Tandon School of Engineering（纽约大学塔能工程学院）
AI总结 本文探讨了大语言模型在电子设计自动化和硬件安全领域的应用，分析了其在生成RTL代码、自动生成测试平台以及弥合高层次规格与硅芯片之间语义差距方面的潜力，同时指出了其引入的严重安全漏洞，并总结了当前研究的最新进展和未来研究方向。
Comments Accepted for 2026 IEEE Computer Society Annual Symposium on VLSI (ISVLSI)
LeWorldModel：从像素稳定端到端联合嵌入预测架构
机构 * Mila & Université de Montréal（Mila与蒙特利尔大学） ； New York University（纽约大学） ； Samsung SAIL（三星SAIL） ； Brown University（布朗大学）
AI总结 本文提出LeWorldModel，一种通过仅使用两个损失项从原始像素稳定端到端训练的联合嵌入预测架构，显著减少了可调损失超参数，并在多种2D和3D控制任务中表现出色，同时在物理结构编码和物理不合理的事件检测方面展示了其能力。
在线算法在表现性预测中的稳定性
机构 * MIT（麻省理工学院） ； NYU（纽约大学）
AI总结 本文研究了在线算法在表现性预测中的稳定性问题，证明了任何在表现性设置中使用的无遗憾算法都会收敛到一种表现性稳定的均衡状态，该状态中模型主动塑造数据分布，使得其预测在事后看来是最优的。该研究避免了对模型如何影响分布的假设，并揭示了常见算法如梯度下降为何能自然稳定化并防止 runaway 反馈循环。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈