ADKO: Agentic Decentralized Knowledge Optimization
ADKO：群体性去中心化知识优化
机构 * Iowa State University（爱荷华州立大学） ； New York University（纽约大学）
AI总结 ADKO框架通过去中心化方法实现高效黑盒优化，结合高斯过程、语言模型和压缩技术，在隐私保护和异质目标处理方面取得突破。
Comments 31 pages
高校专区
New York University（纽约大学）
Dynamic Mode Decomposition along Depth in Vision Transformers
视觉变换器中的深度动态模式分解
机构 * NYU Tandon & NYU Abu Dhabi（纽约大学Tandon学院及阿布扎赫尔纽约大学）
AI总结 研究视觉变换器深度是否实现近似自主线性动力学，通过动态模式分解验证并分析其在不同深度下的稳定性与可扩展性。
On the Meta-Design of Allocation Problems
关于分配问题的元设计
机构 * LMU Munich（慕尼黑莱茵河大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； University of California San Diego（圣地亚哥大学） ； New York University（纽约大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文探讨了在资源分配问题中，如何通过元设计优化投资预测、容量限制和治疗质量，以提升整体福利。
DiffAdapt: Difficulty-Adaptive Reasoning for Token-Efficient LLM Inference
DiffAdapt：面向令牌高效大语言模型推理的难度自适应推理
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； New York University（纽约大学）
AI总结 本文提出DiffAdapt框架，通过分析推理轨迹中的熵分布，根据问题难度选择不同的推理策略，减少令牌使用量，提升推理效率。
Comments ICLR 26
Geometric Analysis of Neural Regression Collapse via Intrinsic Dimension
神经回归崩溃的几何分析：通过内在维度
机构 * New York University Abu Dhabi（纽约大学阿布扎比分校） ； SFSC of AI and DL, NYU Shanghai（纽约大学上海人工智能与深度学习学院） ； New York University（纽约大学）
AI总结 研究通过内在维度分析揭示神经回归崩溃的几何机制，发现过度压缩导致泛化能力下降，提出扩展或减少特征维度的策略以提升性能。
Comments 36 pages, 21 figures
Exposing and Mitigating Temporal Attack in Deepfake Video Detection
揭示并缓解深度伪造视频检测中的时间攻击
机构 * Peking University（北京大学） ； New York University（纽约大学） ； Huzhou University（湖州大学） ； Institute of Science Tokyo（东京科学研究院） ； Guangdong Institute of Intelligence Science and Technology（广东省智能科学与技术研究院）
AI总结 本文提出SpInShield框架，通过分离语义运动与可操控频谱特征，缓解深度伪造检测器对逃避攻击的脆弱性，并在模拟频谱攻击中提升AUC性能。
The Position Curse: LLMs Struggle to Locate the Last Few Items in a List
位置诅咒：LLM在列表中定位最后几个项目时表现不佳
机构 * UC San Diego（加州大学圣地亚哥分校） ； Georgia Tech（佐治亚理工学院） ； New York University（纽约大学）
AI总结 LLM在定位长列表中单个相关项目时表现优异，但在短列表中最后几个项目定位上存在缺陷，即位置诅咒。通过构建PosBench数据集进行微调后，虽然提升了定位能力，但仍未达到理想水平。
Emergent Manifold Separability during Reasoning in Large Language Models
大语言模型推理中的涌现流形分离
机构 * Department of Physics, Harvard University（哈佛大学物理系） ； Center for Data Science, New York University（纽约大学数据科学中心） ； Kempner Institute, Harvard University（哈佛大学 Kempner 研究所） ； Center for Computational Neuroscience, Flatiron Institute（Flatiron 机构计算神经科学中心）
AI总结 研究大语言模型推理过程中的流形分离现象，通过曼福容量理论分析两种组合推理任务，发现概念流形在计算前解耦为线性可分子空间，揭示动态流形管理机制。
Comments Alexandre Polo and Chanwoo Chun contributed equally to this work
Neural Neural Scaling Laws
神经神经扩展定律
机构 * New York University（纽约大学）
AI总结 本文提出NeuNeu模型，通过时间序列外推预测语言模型在下游任务中的性能，相比传统参数化方法，其在66个下游任务上的均方误差降低了44%。
Improving the Efficiency of Language Agent Teams with Adaptive Task Graphs
通过自适应任务图提高语言代理团队的效率
机构 * Princeton University（普林斯顿大学） ； University of Cambridge（剑桥大学） ； MIT（麻省理工学院） ； New York University（纽约大学）
AI总结 本文提出LATTE框架，通过自适应任务图提升语言代理团队效率，减少资源消耗并提高协作准确性。
Do Melody and Rhythm Coevolve?
旋律与节奏是否共进化？
机构 * University of Cambridge, UK（剑桥大学，英国） ； RITMO Centre for Interdisciplinary Studies in Rhythm, Time and Motion, University of Oslo, Norway（节奏、时间与运动跨学科研究中心，奥斯陆大学，挪威） ； Department of Psychology, Goldsmiths College, University of London, UK（心理学系，伦敦大学金史密斯学院，英国） ； Department of Life Sciences, Leipzig University, Germany（生命科学系，莱比锡大学，德国） ； Division of Social Science, New York University Abu Dhabi, UAE（社会科学系，阿布扎赫尔新 york 大学，阿联酋） ； Department of Psychology, Cornell University, USA（心理学系，康奈尔大学，美国）
AI总结 研究通过分析27628首歌曲的旋律和节奏数据，发现两者在文化间存在差异，但节奏多样性与民族语言多样性相关，而旋律多样性无此关联，表明二者可能受不同文化压力影响。
Comments 6 pages, 3 figures, to be included in Proceedings of the Annual Meeting of the Cognitive Science Society
On the optimization dynamics of RLVR: Gradient gap and step size thresholds
关于RLVR优化动态：梯度间隙和步长阈值
机构 * New York University（纽约大学）
AI总结 本文通过分析RLVR训练过程，提出梯度间隙概念，揭示收敛依赖于更新方向与梯度间隙的对齐，并推导出步长阈值，解释了实践中长度归一化提升稳定性及固定学习率下成功率无法达到100%的原因。
AdaGATE: Adaptive Gap-Aware Token-Efficient Evidence Assembly for Multi-Hop Retrieval-Augmented Generation
AdaGATE：适应性间隙感知的令牌高效证据组装用于多跳检索增强生成
机构 * Center for Data Science（数据科学中心） ； New York University（纽约大学） ； Tandon School of Engineering（泰顿工程学院）
AI总结 AdaGATE通过适应性间隙感知修复和令牌高效证据选择，提升多跳RAG在不完美检索下的鲁棒性，实现最佳证据F1得分。
Comments 10 pages, 4 figures, 2 tables
Position: agentic AI orchestration should be Bayes-consistent
位置：代理AI协调应具有贝叶斯一致性
机构 * ESSEC Business School（ESSEC商学院） ； VinUniversity（文大学） ； Imperial College London（伦敦帝国理工学院） ； Mila - Quebec AI Institute（魁北克人工智能研究所） ； Technical University of Denmark（丹麦技术大学） ； Pyramidal Inc.（Pyramidal公司） ； University of Notre Dame（诺特大学） ； Cognizant AI Lab（Cognizant人工智能实验室） ； University College London（伦敦大学学院） ； KTH Royal Institute of Technology（瑞典皇家理工学院） ； Ghent University（根特大学） ； New York University（纽约大学）
AI总结 本文探讨了在代理AI系统中，贝叶斯原则在协调层的应用，而非LLM参数，以提升决策一致性和协作效率。
Comments Accepted for publication at ICML 2026
The Garden of Forking Paths: Narrative Arc-Conditioned Gameplay Planning
分叉花园：叙事弧条件下的游戏玩法规划
机构 * New York University（纽约大学）
AI总结 本文提出Forking Garden框架，通过用户提供的故事情节生成分支游戏，采用弧引导约束算法构建 dungeon 图，实现游戏元素的多模态对齐。
GEODE: Angle-Adaptive OOD Detection with Universal Scorer Compatibility
GEODE：基于通用评分器兼容性的角度自适应OOD检测
机构 * NYU Shanghai Leonard N. Stern School of Business（纽约大学上海校区 Leonard N. 斯tern 商学院）
AI总结 GEODE通过角度自适应范数损失在保持特征几何结构的同时，实现了对不同评分器的兼容性，提升了在CIFAR-10和CIFAR-100上的OOD检测性能，优于传统CE和OE方法。
Can AI Be a Good Peer Reviewer? A Survey of Peer Review Process, Evaluation, and the Future
人工智能能成为良好的同行评审者吗？同行评审流程、评估与未来的调查
机构 * Yale University（耶鲁大学） ； New York University（纽约大学）
AI总结 本文调查了同行评审流程中的生成、 rebuttals 和 meta-review 等任务，以及评估方法，探讨了 LLM 在整个同行评审流程中的应用与未来方向。
Comments ACL 2026
A Dirac-Frenkel-Onsager principle: Instantaneous residual minimization with gauge momentum for nonlinear parametrizations of PDE solutions
Dirac-Frenkel-Onsager原理：利用规范动量的瞬时残差最小化用于非线性参数化PDE解
机构 * EPFL（瑞士洛桑联邦理工学院） ； Courant Institute of Mathematical Sciences, New York University（纽约大学Courant数学科学研究所）
AI总结 本文提出基于Dirac-Frenkel原理的Onsager扩展，通过引入规范动量提升非线性参数化PDE解的时间稳定性与鲁棒性。
Are Tools All We Need? Unveiling the Tool-Use Tax in LLM Agents
工具是否足够？揭示LLM代理中的工具使用税
机构 * University of Houston（休斯顿大学） ； University of Southern California（南加州大学） ； New York University（纽约大学） ； Texas A&M University（德克萨斯农工大学） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本文研究了工具增强推理在LLM代理中的有效性，发现语义干扰下工具性能可能下降，提出Factorized Intervention Framework分析工具使用成本，并引入G-STEP缓解协议误差。
Language Models Struggle to Use Representations Learned In-Context
语言模型在上下文学习的表示使用上面临困难
机构 * Brown University（布朗大学） ； Google Research（谷歌研究） ； New York University（纽约大学） ； Google DeepMind（谷歌DeepMind）
AI总结 研究探讨了语言模型是否能利用上下文学习的表示完成简单下游任务，发现开放权重模型在处理新语义表示时存在困难，即使它们在潜在表示中编码了这些语义。
Understanding and Improving Length Generalization in Hierarchical Sparse Attention Models
理解并改进层次稀疏注意力模型中的长度泛化
机构 * Fudan University（复旦大学） ； Tencent AI Lab（腾讯AI实验室） ； Cornell University（康奈尔大学） ； Ant Group（蚂蚁集团） ； Ant International（蚂蚁国际） ； NYU Shanghai（纽约大学上海分校）
AI总结 本文通过系统分析揭示了层次稀疏注意力模型中长度泛化的核心设计原则，提出三种关键组件：非线性Chunk编码器、旁路残差路径和预训练中的稀疏选择，从而在RULER和BABILong数据集上实现了免训练的长度外推。
Comments ICLR 2026 camera-ready version
Iterative Multimodal Retrieval-Augmented Generation for Medical Question Answering
迭代多模态检索增强生成用于医疗问答
机构 * New York University, New York, USA（纽约大学） ； Tsinghua University, Beijing, China（清华大学） ； Independent Researcher（独立研究者） ； Chinese Academy of Sciences, Beijing, China（中国科学院）
AI总结 MED-VRAG通过多模态检索增强生成框架，利用文档页面图像而非OCR文本进行医疗问答，提升准确率至78.6%，并验证检索和迭代对问答性能的积极影响。
Resume-ing Control: (Mis)Perceptions of Agency Around GenAI Use in Recruiting Workflows
简历控制：围绕生成式AI在招聘流程中使用的代理（误）感知
机构 * New York University（纽约大学）
AI总结 研究探讨了在招聘流程中使用生成式AI时，专业人员对自身控制权和代理的感知，揭示了AI对招聘流程基础构建块的影响及招聘人员技能退化的问题。
Comments 22 pages, 3 tables, submitted January 2026, accepted March 2026
SHAPE: Unifying Safety, Helpfulness and Pedagogy for Educational LLMs
SHAPE：统一安全、帮助性和教学法以用于教育LLM
机构 * Center for Data Science, New York University Shanghai（纽约大学上海数据科学中心） ； Courant Institute of Mathematical Sciences, New York University（纽约大学Courant数学科学研究所） ； School of Data Science, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）数据科学学院）
AI总结 本文提出SHAPE基准，通过知识掌握图统一安全、帮助性和教学行为，改进教育LLM在对抗压力下的安全性和帮助性。
Comments ACL 2026 Main
Is Human-Like Text Liked by Humans? Multilingual Human Detection and Preference Against AI
人类风格的文本是否受到人类欢迎？多语言人类检测与对抗AI的偏好
机构 * MBZUAI ； Nebius AI ； KU Leuven ； University of Oslo（奥斯陆大学） ； ISTI-CNR ； Toloka AI ； New York University Abu Dhabi（纽约大学阿布扎比分校） ； BKAI Research Center, Hanoi University of Science and Technology（BKAI研究所以内大学科学技术大学） ； Cornell University（康奈尔大学） ； Zewail City of Science and Technology（泽韦尔科学与技术城） ； TU Darmstadt（图鲁姆大学） ； CIC, University of Delhi（CIC，德里大学） ； Alexandria University（亚历山大大学） ； University of Florida（佛罗里达大学） ； Institute of Science Tokyo（东京科学研究院）
AI总结 研究通过多语言多领域数据集验证人类识别AI生成文本的准确性，发现人类检测准确率达87.6%，挑战原有结论，指出人类与机器文本在具体性、文化细微差别和多样性上的差距，提示明确提示可部分弥补这些差距。
Comments ACL 2026 Main
Does Embodiment Matter to Biomechanics and Function? A Comparative Analysis of Head-Mounted and Hand-Held Assistive Devices for Individuals with Blindness and Low Vision
本体对生物力学和功能有何影响？对盲人和低视力者手部手持和头戴辅助设备的比较分析
机构 * Steinhardt School of Culture, Education, and Human Development, New York University（纽约大学文化、教育与人类发展学院） ； Rusk Rehabilitation, NYU Langone Health（Rusk康复中心，NYU Langone健康） ； Department of Rehabilitation Medicine, NYU Grossman School of Medicine（纽约大学格罗斯曼医学院康复医学系） ； ARxVision LLC（ARxVision公司） ； Department of Ophthalmology, NYU Grossman School of Medicine（纽约大学格罗斯曼医学院眼科学系） ； Department of Neurology, NYU Langone Health（纽约大学Langone健康神经学系）
AI总结 研究比较了头戴式和手持式辅助设备在日常活动中的表现，发现头戴设备减少上半身运动和任务时间，而手持设备在处理小或弯曲文本任务时成功率更高，表明两种设备各有优劣。
Comments 30 pages, 7 figures, 5 tables. Pre-print submitted to International Journal of Human-Computer Interaction. Also to appear as a late-breaking poster at ACRM. Limited AI (ChatGPT-4/5) used for language refinement and figure schematics under author supervision. One author (CL) is CEO of ARx Vision; others report no conflicts
MARVIS: Modality Adaptive Reasoning over VISualizations
MARVIS：基于可视化模态自适应推理
机构 * Stanford University（斯坦福大学） ； Prior Labs（Prior实验室） ； New York University（纽约大学）
AI总结 MARVIS通过将潜在嵌入空间转换为可视化表示，并利用VLM的空间和细粒度推理能力，实现跨视觉、音频、生物和表格域的预测，以3B参数模型在多个领域超越Gemini 2.0。
Open Challenges in Multi-Agent Security: Towards Secure Systems of Interacting AI Agents
多智能体安全中的开放挑战：迈向交互式AI智能体的安全系统
机构 * Oxford Witt Lab, University of Oxford（牛津Witt实验室，牛津大学） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Association for Computing Machinery (ACM)（计算机协会（ACM）） ； Independent（独立） ； MATS Research（MATS研究） ； CyLab Security & Privacy Institute, Carnegie Mellon University（CyLab安全与隐私研究所，卡内基梅隆大学） ； Qualcomm Inc.（高通公司） ； Oxford Martin AI Governance Initiative（牛津马丁人工智能治理倡议） ； Carnegie Mellon University（卡内基梅隆大学） ； MIT Media Lab（麻省理工媒体实验室） ； SAP SE（SAP德国分公司） ； OWASP GenAI Security Project - Agentic Security Initiative（OWASP生成式AI安全项目-代理安全倡议） ； Contramont Research（Contramont研究） ； The Alan Turing Institute（艾伦·图灵研究所） ； Department of Economics, New York University（纽约大学经济系） ； Zenity（Zenity公司） ； King’s College London（伦敦国王学院） ； Arizona State University（亚利桑那州立大学） ； Torr Vision Group, University of Oxford（托尔视觉组，牛津大学） ； Deep Cyber Ltd（Deep Cyber有限公司）
AI总结 本文探讨多智能体交互带来的安全挑战，提出多智能体安全新领域，旨在解决智能体间及与人类、机构的交互中出现的安全问题，分析安全与效用、安全与安全之间的权衡。
Learning biophysical models of gene regulation with probability flow matching
利用概率流匹配学习基因调控的生物物理模型
机构 * Center for Computational Biology, Flatiron Institute, New York, NY, USA, 10010 ； Molecular \& Cellular Biology Department, Harvard University, Cambridge, MA 02138 ； Courant Institute of Mathematical Sciences, New York University, New York, NY, USA, 10012
AI总结 本文提出概率流匹配方法，用于从单细胞测序数据中学习生物物理一致的基因调控过程，展示了其在造血分化数据集中的应用，能够准确捕捉细胞命运决定和基因扰动响应等机制。
Sharp Capacity Scaling of Spectral Optimizers in Learning Associative Memory
谱优化器在关联记忆学习中的容量扩展分析
机构 * UC Berkeley（加州大学伯克利分校） ； Princeton University（普林斯顿大学） ； New York University（纽约大学） ； Flatiron Institute（Flatiron研究所）
AI总结 本文研究了谱优化器在关联记忆问题中的性能，发现Muon的存储容量显著超过SGD，且在仅使用一阶信息时可与牛顿法匹配。通过实验验证了预测的扩展规律，为更实际的语言建模任务提供了理论基础。
Comments 84 pages, 9 figures
