高校专区
SPICE: 基于协同与部分信息的课程演化
机构 * New York Institute of Technology（纽约理工学院） ； New York University（纽约大学）
AI总结 提出SPICE框架，利用部分信息分解理论动态量化样本复杂度，设计渐进式课程使模型从学习共享跨模态线索过渡到模态特定模式再到复杂协同交互，在多个多模态基准上取得一致改进。
EgoEverything：一个受人类行为启发的长上下文第一人称视频理解AR环境基准
机构 * New York University（纽约大学） ； Meta Reality Labs
AI总结 本文提出EgoEverything基准，通过利用人类注意力信号生成问题，更真实地捕捉自然人类行为，用于评估AR环境中长上下文第一人称视频理解。
面向道德的面部年龄估计：无需儿童数据训练的广义零样本基准
机构 * New York University（纽约大学）
AI总结 提出一个广义零样本基准，训练时排除儿童数据，评估模型对未见年龄组的泛化能力，发现所有方法均存在严重性能下降和可见类偏见。
Comments 13 pages; 3 figures; 8 tables; 1 algorithm
Agent-UCT：应用于树的上置信界，用于具有成本意识的智能工作流优化
机构 * The University of Hong Kong（香港大学） ； School of Artificial Intelligence, Jiangxi Science and Technology Normal University（江西科技师范大学人工智能学院） ； The Hong Kong University of Science and Technology（香港科技大学） ； University of Science and Technology of China（中国科学技术大学） ； New York University（纽约大学）
AI总结 研究针对智能工作流优化中计算冗余和预算分配低效问题，提出Agent-UCT算法，结合RAGSpace框架和WTB，通过重用感知正则化项减少冗余执行，实验证明其能有效识别最佳配置，实现成本感知、可重现且组合高效的智能工作流优化。
理解LoRA作为知识记忆：一项实证分析
机构 * New York University（纽约大学）
AI总结 本文通过系统实证研究，将低秩适配（LoRA）作为模块化知识记忆，探索其存储容量、内部化优化、多模块系统扩展及长上下文推理能力，提供LoRA记忆操作边界的实用指导。
Comments ICML 2026
对前沿视觉-语言模型进行审计以实现可信的医学视觉问答：定位失败、格式崩溃和领域适应
机构 * New York University, New York, USA（纽约大学） ； Tsinghua University, Beijing, China（清华大学） ； Columbia University, New York, USA（哥伦比亚大学） ； University of Michigan, Ann Arbor, USA（密歇根大学）
AI总结 本文审计了五种前沿视觉-语言模型在医学视觉问答中的表现，发现定位失败和格式崩溃是信任瓶颈，通过领域适应可提升性能。
A2QTGN：自适应幅度量子集成时间图网络用于动态链接预测
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））
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：用于分子晶体的机器学习互原子势数据库
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）
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：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
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）
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)
使用混合量子神经网络增强血细胞分类
机构 * Center for Quantum and Topological Systems, NYUAD Research Institute, New York University Abu Dhabi, UAE（阿布扎比纽约大学NYUAD研究机构量子与拓扑系统中心） ； Science Division, New York University Abu Dhabi, UAE（阿布扎比纽约大学科学学院）
AI总结 提出一种结合预训练ResNet-50和变分量子电路的混合量子-经典神经网络，在血细胞分类中实现更优的判别表示和性能提升。
Comments Accepted at the IEEE International Conference on Quantum Computing and Engineering (QCE), 2026
PennySynth：基于RAG的数据合成用于自动量子代码生成
机构 * eBRAIN Lab, Division of Engineering, New York University Abu Dhabi (NYUAD)（eBRAIN实验室，工程系，纽约大学阿布扎比分校） ； Center for Quantum and Topological Systems (CQTS), NYUAD Research Institute（量子与拓扑系统中心（CQTS），NYUAD研究所） ； Department of Computer Science and Engineering, NYU Tandon School of Engineering（计算机科学与工程系，纽约大学坦顿工程学院）
AI总结 提出PennySynth框架，通过检索增强生成和代码感知嵌入，利用13,389个PennyLane指令-代码对数据集，在QHack竞赛中实现52%-68%的pass@5，显著提升量子代码生成的结构有效性和功能正确性。
Comments Accepted at the IEEE International Conference on Quantum Computing and Engineering (QCE), 2026
Cambrian-P: 基于姿态的视频理解
机构 * New York University（纽约大学） ； UC Berkeley（加州大学伯克利分校） ； Meta FAIR
AI总结 该研究提出Cambrian-P，一种增强的视频多模态大语言模型，通过引入可学习的相机令牌和姿态回归头，利用姿态作为轻量级监督信号，显著提升了空间推理能力，并在多个视频问答基准上实现了SOTA表现。
Comments Project Page: https://cambrian-mllm.github.io/
Q-SpiRL：量子脉冲强化学习用于自适应机器人导航
机构 * eBRAIN Lab, Division of Engineering, New York University Abu Dhabi (NYUAD)（eBRAIN实验室，工程系，纽约大学阿布扎比分校） ； Center for Quantum and Topological Systems (CQTS), NYUAD Research Institute（量子与拓扑系统中心（CQTS），NYUAD研究机构）
AI总结 本文提出Q-SpiRL框架，结合量子增强的脉冲神经网络，实现了在动态环境中高效稳定的机器人导航，通过实验验证了其在任务完成、轨迹效率和运动平滑度之间的最佳平衡。
Comments Accepted at the IEEE International Conference on Quantum Computing and Engineering (QCE), 2026
QLIF-CAST：用于时间序列天气预报的量子泄漏积分-放电神经网络
机构 * eBrain Lab, Division of Engineering, New York University Abu Dhabi（eBrain实验室，工程系，纽约大学阿布扎克分校） ； Center for Quantum and Topological Systems, NYUAD Research Institute, New York University Abu Dhabi（量子与拓扑系统中心，NYUAD研究学院，纽约大学阿布扎克分校）
AI总结 本文提出QLIF-CAST模型，将量子泄漏积分-放电神经网络应用于多变量天气短期预报，通过量子神经动态降低预测误差，且在训练时间与精度之间取得良好平衡。
Prober.ai：基于LLM约束人设的门控探究式反馈用于论辩写作发展
机构 * Florida State University（佛罗里达州立大学） ； New York University（纽约大学）
AI总结 Prober.ai通过约束LLM生成结构化JSON输出，提供探究式问题反馈，帮助学生提升论辩写作能力，其双阶段交互架构通过强制反思提升认知能力。
Comments Prototype awarded second place at the NYEdTech Hackathon (March 2026) https://www.nyedtechhackathon.com/2026-submissions
提升具身世界模型用于规划与控制
机构 * Computer Science, New York University（纽约大学计算机科学系） ； BAIR, UC Berkeley（伯克利大学BAIR）
AI总结 本文提出一种轻量级策略，将高层动作映射到低层关节动作序列，结合冻结的世界模型，实现预测未来观察的提升世界模型，有效降低规划复杂度。
Comments Accepted to ECCV2026. Edited policy masking
深度在组合中何时得以保留？潜在世界模型中的计算-质量机制
机构 * New York University（纽约大学）
AI总结 研究探讨潜在世界模型中深度在组合时的情况，用浅度惩罚ρ测试九个深度思维控制任务，发现三种机制，揭示反转机制由训练产生，其与观察/动作维度等相关，还指出任务机制受多种因素影响及相关注意事项。
Comments 15 pages, 9 figures, 2 tables
学习用于多模态神经影像的稀疏潜在预测基础模型
机构 * New York University, Center for Data Science（纽约大学数据科学中心） ； NYU Grossman School of Medicine, Department of Radiology（纽约大学格罗斯曼医学院放射学系） ； State University of New York at Binghamton, School of Computing（纽约州立大学宾汉姆顿分校计算机学院） ； NYU Grossman School of Medicine, Department of Neurology（纽约大学格罗斯曼医学院神经病学系） ； NYU Grossman School of Medicine, Department of Neurosurgery（纽约大学格罗斯曼医学院神经外科学系） ； NYU Grossman School of Medicine, Department of Pathology（纽约大学格罗斯曼医学院病理学系） ； School of Medicine, Department of Radiology, Stanford（斯坦福大学医学院放射学系） ； NYU Grossman School of Medicine, Department of Neuroscience（纽约大学格罗斯曼医学院神经科学系） ； NYU Grossman School of Medicine, Neuroscience Institute（纽约大学格罗斯曼医学院神经科学研究所）
AI总结 提出Neuro-JEPA模型，结合潜在预测目标和专家混合架构，学习T1w、T2w和FLAIR三种MRI序列的统一表示，在25项临床任务和22项公开数据集任务上优于现有基础模型和CNN基线。
Comments Under Review Preprint
基于子模重放的根吸收前缀轨迹平衡用于GFlowNet训练
机构 * Courant Institute School of Mathematics, Computing, and Data Science, New York University（纽约大学Courant研究所数学、计算与数据科学学院） ； Courant Institute School of Mathematics, Computing（纽约大学Courant研究所数学、计算与数据科学学院） ； Data Science, New York University（纽约大学数据科学学院）
AI总结 针对GFlowNet的模式坍塌问题，提出RapTB目标函数（通过根锚定子轨迹监督和吸收后缀备份提供密集前缀学习信号）和SubM子模重放策略（促进高奖励和多样性），在分子生成等任务中提升优化性能和多样性。
Journal ref Forty-third International Conference on Machine Learning (ICML 2026)
考虑时间因素的先验拟合网络用于外生变量的零样本预测
机构 * Amazon（亚马逊） ； New York University（纽约大学）
AI总结 本文提出ApolloPFN，一种时间感知的先验拟合网络，能够原生整合外生变量，通过合成数据生成和时间感知架构改进，实现更准确的预测。
Comments Accepted and published in Transactions on Machine Learning Research (TMLR), 2026
Journal ref Transactions on Machine Learning Research (TMLR), 2026
用于鲁棒即插即用适应的解耦对齐
机构 * Northwestern University（西北大学） ； New York University Abu Dhabi（纽约大学阿布扎克分校） ； Stanford University（斯坦福大学） ； Texas A&M University（德克萨斯农工大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Illinois Institute of Technology（伊利诺伊理工学院）
AI总结 研究提出无需训练的大语言模型对齐方法，利用知识蒸馏提取对齐信号，经模型融合实现即插即用的对齐校正，采用增量调试识别关键知识组件，在有害问题数据集上显著提升防御成功率，且不损性能。
Comments Revised to correct the Acknowledgments section. Previous versions inadvertently included acknowledgments of NSF and NIH awards that did not support this work. Those funding acknowledgments have been removed. The technical content, results, and conclusions are unchanged
探究预训练音频表示中的空间结构
机构 * Music and Audio Research Laboratory, New York University, USA（音乐与音频研究实验室，纽约大学，美国）
AI总结 通过提出SARL基准，系统评估预训练音频模型对空间信息的编码能力，发现源因素比房间因素更易解码，且不同编码器对空间变化响应存在异质性。
Comments Accepted to Interspeech 2026
从无状态到情境化：构建基于LLM的情感支持心理世界
机构 * Tandon School of Engineering New York University New York, USA ； College of Arts \& Science New York University New York, USA
AI总结 本文提出LEKIA 2.0架构，通过分离认知层与执行层，构建可持续更新的情境结构，提升多轮交互中的稳定性与可控性，实现31%的改进。
Comments Accepted by WAICA 2026
InfoFlow KV：面向长上下文的信息流感知KV重计算
机构 * New York University（纽约大学） ； Duke University（杜克大学）
AI总结 提出将选择性KV重计算建模为信息流问题，利用查询的注意力范数信号识别语义相关且结构上能传播信息的token，并引入信息流引导的块重排序策略，在LLM和VLM基准上优于现有方法。
Comments In proceedings of the 43rd International Conference on Machine Learning (ICML 2026). Project page: https://infoflow-kv.github.io
VQCSim：何时编译一次的态矢量模拟优于通用量子框架？
机构 * Brno University of Technology（布拉格技术大学） ； New York University Abu Dhabi（纽约大学阿布扎克分校）
AI总结 研究混合量子-经典机器学习工作流中编译一次的态矢量模拟何时优于通用量子框架，通过VQCSim实现，它有原生自动求导，在MQT Bench研究及多GPU评估中有加速效果，推导硬件感知图并发布开源选择器，助力QML设计循环选模拟器。
Comments Accepted at IEEE/ACM International Conference on Computer-Aided Design (ICCAD 2026), San Jose, CA, USA. 9 pages
大型语言模型可能如何思考
机构 * Texas Tech University（德克萨斯理工大学） ； New York University（纽约大学） ； University of Pittsburgh（匹兹堡大学）
AI总结 本文挑战了LLMs不思考的观点，提出LLMs可能以非理性、联想式方式思考，其思维过程纯粹基于联想。
Journal ref Mind & Language (2026)
PerfCodeBench：用于系统级高性能代码优化的LLM基准测试
机构 * HKUST（香港科技大学） ； NYU（纽约大学） ； SWUPL（西南大学）
AI总结 本文提出PerfCodeBench，用于评估LLM在系统级高性能代码优化中的能力，发现模型生成代码与专家优化代码存在显著差距，尤其在并行和GPU任务中表现更差。
通过具有主动树突的脉冲神经网络实现节能同步多任务强化学习，用于受生物启发的通用智能体
机构 * eBRAIN Lab New York University (NYU) Abu Dhabi（eBRAIN实验室 新 York大学（NYU）阿布扎赫德）
AI总结 研究针对多任务强化学习的挑战，提出MTSpark方法，利用带主动树突的脉冲神经网络，结合增强深度脉冲Q网络、决斗结构和特定任务上下文信号，实现节能同步多任务强化学习，在游戏中性能和效率提升，能耗降低。
Comments 19 pages, 9 figures, 7 tables
预言家何时能在预测市场中获利？
机构 * University of Chicago（芝加哥大学） ； Kalshi Research（卡尔希研究公司） ； New York University, Shanghai（纽约大学上海分校）
AI总结 研究预测市场中预言家获利问题，通过建立预测准确性与盈利能力的等价关系，给出依赖预测和市场价格的适当投注策略，实证表明此策略能将准确性转化为利润，在Kalshi实时部署获高回报率。
手语对话中的情感识别
机构 * Institute of Science Tokyo（东京科学研究所） ； New York University（纽约大学）
AI总结 针对手语情感识别缺乏对话上下文的问题，提出eJSL Dialog数据集，并系统评估了从孤立视觉网络到多模态对话架构的模型，发现通用多模态对话情感识别模型在手语领域存在领域差距，需要开发面向手语的上下文感知视觉提取器并扩大对话数据集规模。
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