Large-Scale Analysis of Persuasive Content on Moltbook
对Moltbook上说服性内容的大规模分析
机构 * New York University（纽约大学）
AI总结 研究通过LLM分类器分析Moltbook上政治宣传内容，发现政治宣传占所有帖子的1%和政治内容的42%，集中于少数社区，由少数代理生成，但评论未显著放大宣传内容。
Comments 9 pages, 4 figures
高校专区
New York University（纽约大学）
Translation or Recitation? Calibrating Evaluation Scores for Machine Translation of Extremely Low-Resource Languages
翻译还是背诵？为极低资源语言的机器翻译校准评估分数
机构 * UC San Diego（加州大学圣迭戈分校） ； New York University（纽约大学） ； Durham University（杜伦大学） ； MIT（麻省理工学院） ； University of Waterloo（滑铁卢大学） ； Vector Institute（向量研究所）
AI总结 本文提出FRED难度指标，用于解释极低资源语言机器翻译结果的变异性，揭示训练测试重叠和预训练暴露是主要因素，同时指出某些语言存在分词覆盖不足的问题。
Mario: Multimodal Graph Reasoning with Large Language Models
Mario：基于大语言模型的多模态图推理
机构 * New York University Shanghai（上海纽约大学） ； New York University（纽约大学） ； Tsinghua University（清华大学） ； EPFL（瑞士联邦理工学院洛桑）
AI总结 Mario通过多模态图推理框架解决跨模态一致性与异构模态偏好问题，实现对多模态图的有效推理，优于现有图模型。
Comments CVPR 2026
Infinite Gaze Generation for Videos with Autoregressive Diffusion
视频无限 gaze 生成的自回归扩散模型
机构 * New York University（纽约大学） ； Stanford University（斯坦福大学）
AI总结 本文提出一种自回归扩散模型，用于生成任意长度视频的无限 horizon 原始 gaze，通过在 saliency-aware 视觉潜在空间中条件化，提升长程时空准确性和轨迹真实性。
Toward Generalist Neural Motion Planners for Robotic Manipulators: Challenges and Opportunities
迈向通用神经运动规划器的机器人机械臂：挑战与机遇
机构 * J. Mike Walker ’66 Department of Mechanical Engineering, Texas A&M University（J. Mike Walker ’66 机械工程系，德克萨斯A&M大学） ； Lab of Biomechatronics and Intelligent Robotics, Department of Biomedical Engineering, Tandon School of Engineering, New York University（生物机械与智能机器人实验室，生物医学工程系，Tandon工程学院，纽约大学） ； Department of Computer Science, Columbia University（计算机科学系，哥伦比亚大学） ； Zachry Department of Civil and Environmental Engineering, Texas A&M University（土木与环境工程系，德克萨斯A&M大学）
AI总结 本文探讨了通用神经运动规划器在机器人机械臂中的挑战与机遇，分析了现有方法的优缺点，并提出了改进方向。
Journal ref IEEE Transactions on Automation Science and Engineering, vol. 23, pp. 4488-4531, 2026
Point Bridge: 3D Representations for Cross Domain Policy Learning
点桥：跨领域策略学习的3D表示
机构 * NVIDIA ； New York University（纽约大学） ； University of Washington（华盛顿大学）
AI总结 点桥通过统一的点表示实现跨领域策略学习，利用视觉语言模型提取点表示，结合Transformer策略学习，无需显式视觉或物体对齐，提升仿真到现实的零样本迁移性能。
Deep Learning as a Convex Paradigm of Computation: Minimizing Circuit Size with ResNets
深度学习作为计算的凸范式：用ResNets最小化电路规模
机构 * Courant Institute, NYU（纽约大学Courant研究所）
AI总结 本文论证深度神经网络在HTMC regime下通过凸优化实现计算简洁性，ResNets的ResNet范数可近似最小化电路规模。
Hamiltonian Mechanics of Feature Learning: Bottleneck Structure in Leaky ResNets
特征学习的哈密顿力学：漏斗结构在漏斗残差网络中
机构 * Courant Institute, NYU（纽约大学Courant研究所）
AI总结 本文基于哈密顿力学分析漏斗残差网络，揭示了有效深度参数对特征学习的影响，通过动能与势能的平衡解释了漏斗结构的形成，并提出自适应步长训练方法适应时间尺度分离。
Benchmarking Multi-Agent LLM Architectures for Financial Document Processing: A Comparative Study of Orchestration Patterns, Cost-Accuracy Tradeoffs and Production Scaling Strategies
多代理LLM架构在金融文档处理中的基准测试：协作模式、成本准确性权衡及生产扩展策略的比较研究
机构 * Department of Computer Science and Engineering（计算机科学与工程系） ； New York University（纽约大学） ； New York, NY 10012（纽约市NY 10012）
AI总结 本文比较四种多代理架构在金融文档处理中的表现，揭示了反射架构在字段级F1得分最高但成本更高，而分层架构在成本准确性帕累托前沿表现最佳，同时展示了语义缓存等策略对性能的影响。
Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment
Cerebra：一个多学科AI平台用于多模态痴呆症特征化和风险评估
机构 * Department of Biomedical Data Science, Stanford University（斯坦福大学生物医学数据科学系） ； Department of Radiation Oncology, Stanford University（斯坦福大学放射肿瘤科） ； Center for Data Science, New York University（纽约大学数据科学中心） ； J. Crayton Pruitt Family Department of Biomedical Engineering, University of Florida（佛罗里达大学杰·克雷顿·普瑞特家庭生物医学工程系） ； Department of Biomedical Engineering and Informatics, Indiana University Indianapolis（印第安纳大学印第安纳波利斯分校生物医学工程与信息学系） ； Department of Neurology, NYU Grossman School of Medicine（纽约大学格罗斯曼医学院神经科） ； Department of Neuroscience, NYU Grossman School of Medicine（纽约大学格罗斯曼医学院神经科学系） ； UF Health Family Medicine – Haile Plantation（佛罗里达大学健康家庭医学-海莱种植园） ； Department of Family Medicine, Indiana University School of Medicine（印第安纳大学医学院家庭医学系） ； Department of Biostatistics and Health Data Science, Indiana University School of Medicine（印第安纳大学医学院生物统计学与健康数据科学系） ； Scripps Research Translational Institute（斯克里普斯研究转化研究所） ； Courant Institute, New York University（纽约大学柯朗研究所） ； Center for Biomedical Informatics, Regenstrief Institute（再生斯蒂夫研究所生物医学信息中心） ； Center for Cognitive Aging and Memory, McKnight Brain Institute, University of Florida（佛罗里达大学麦金托神经研究所认知衰老与记忆中心） ； Population Health Department, NYU Langone Health（纽约大学兰戈恩健康人口健康部） ； Radiology Department, NYU Langone Health（纽约大学兰戈恩健康放射科）
AI总结 Cerebra通过多智能体协调处理电子病历、临床笔记和医学影像，提供可视化分析和对话界面，提升临床决策支持的可解释性和鲁棒性。
Errors in AI-Assisted Retrieval of Medical Literature: A Comparative Study
AI辅助医学文献检索中的错误：一项比较研究
机构 * College of Arts and Science, New York University（纽约大学艺术与科学学院） ； Department of Computer Sciences, School of Arts & Sciences, Rutgers University（罗格斯大学计算机科学系） ； Department of Chemical Biology, Ernest Mario School of Pharmacy, Rutgers University（罗格斯大学药学学院化学生物学系） ； Department of Pathology, Princeton Medical Center（普林斯顿医疗中心病理学系） ； Rutgers Cancer Institute（罗格斯癌症研究所）
AI总结 研究评估了5种LLM在医学文献检索中的错误率，发现其准确率差异显著，且期刊和平台影响检索性能，强调需谨慎审查LLM生成的文献数据。
Emergency Preemption Without Online Exploration: A Decision Transformer Approach
紧急预emption无在线探索：一种决策变压器方法
机构 * New York University（纽约大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出基于决策变压器的紧急走廊优化框架，通过离线返回条件序列建模，实现无在线环境交互的策略学习，提升紧急车辆调度的紧急程度控制，并通过多智能体决策变压器实现空间协调。
Repurposing Geometric Foundation Models for Multi-view Diffusion
将几何基础模型重新利用于多视图扩散
机构 * KAIST AI（韩国科学技术院人工智能实验室） ； New York University（纽约大学） ； Intel Labs（英特尔实验室）
AI总结 本文提出Geometric Latent Diffusion框架，利用几何一致的特征空间作为多视图扩散的潜在空间，提升多视角生成的几何一致性和图像质量。
Comments project website: https://cvlab-kaist.github.io/GLD/
Shared Heritage, Distinct Writing: Rethinking Resource Selection for East Asian Historical Documents
共享遗产，迥异写作：重新审视东亚历史文件的资源选择
机构 * KAIST（韩国科学技术院） ； New York University（纽约大学） ； Genentech（基因科技）
AI总结 本文质疑通过古典汉语资源进行跨语言迁移在处理韩日古文历史文件的有效性，实验显示古典汉语数据对模型性能影响有限，强调需谨慎验证而非盲目依赖跨语言迁移。
Comments IJCNLP-AACL 2025 Findings
Accelerate Vector Diffusion Maps by Landmarks
通过地标加速向量扩散图
机构 * Department of Mathematics, National Taiwan University, Taipei, 106, Taiwan（台湾大学数学系） ； National Center for Theoretical Sciences, Mathematics Division, Taipei, 106, Taiwan（理论科学国家中心数学组） ； Courant Institute of Mathematical Sciences, New York University, New York, NY, 10012 USA（纽约大学数学科学学院） ； Data Science Degree Program, National Taiwan University（台湾大学数据科学学士学位计划）
AI总结 本文提出LA-VDM算法，通过两阶段归一化加速基于图连接拉普拉斯的向量扩散图框架，有效处理数据和地标集的非均匀采样密度，通过流形模型恢复平行运输，提升连接拉普拉斯的收敛性。
DSL-R1: From SQL to DSL for Training Retrieval Agents across Structured and Unstructured Data with Reinforcement Learning
DSL-R1：从SQL到DSL，通过强化学习在结构化和非结构化数据上训练检索代理
机构 * New York University（纽约大学） ； Matter Innovation Inc.（Matter创新公司） ； Thin Red Line（薄红线）
AI总结 本文提出DSL-R1框架，结合逻辑推理与语义匹配，通过强化学习优化DSL生成，提升检索性能，实现在结构化和非结构化数据上的改进。
Optimal low-rank stochastic gradient estimation for LLM training
最优低秩随机梯度估计用于大语言模型训练
机构 * Guanghua School of Management, Peking University（北京大学光华管理学院） ； Stern School of Business, New York University（纽约大学 Stern 商学院）
AI总结 本文提出一种低秩矩阵估计器，通过随机低维子空间投影减少内存占用并控制均方误差，实验证明在RoBERTa-large微调和LLaMA-20M/60M/100M预训练中均取得优异效果。
PaQ-DETR: Learning Pattern and Quality-Aware Dynamic Queries for Object Detection
PaQ-DETR: 基于模式和质量感知的动态查询学习用于目标检测
机构 * New York University（纽约大学） ； Boise State University（博伊西州立大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of California, Irvine（加州大学 Irvine 分校） ； Illinois Institute of Technology（伊利诺伊理工学院） ； University of Pittsburgh（匹兹堡大学）
AI总结 PaQ-DETR通过学习共享潜在模式和动态生成图像特定查询，提升查询适应性和监督平衡，实验表明在多个基准上提升mAP 1.5%-4.2%。
Comments 10 pages, 6 figures, Accepted at CVPR2026
Different Demographic Cues Yield Inconsistent Conclusions About LLM Personalization and Bias
不同的人口统计线索导致对LLM个性化和偏见的结论不一致
机构 * World Bank（世界银行） ； University of Oxford（牛津大学） ； New York University（纽约大学） ； University of Pennsylvania（宾夕法尼亚大学） ； LMU Munich（慕尼黑大学） ； Allen Institute for AI（人工智能研究院）
AI总结 研究通过1480万个提示测试了人口统计线索对LLM响应的影响，发现同一群体的不同线索导致响应变化不一致，偏见结论不稳定，揭示了身份线索与语言信号的关系。
Subimage Overlap Prediction: Task-Aligned Self-Supervised Pretraining For Semantic Segmentation In Remote Sensing Imagery
子图像重叠预测：面向遥感图像语义分割的任务对齐自监督预训练
机构 * Instacart ； New York University（纽约大学） ； University of Washington（华盛顿大学）
AI总结 本文提出子图像重叠预测任务，通过少量预训练数据提升遥感图像语义分割性能，实现更快收敛和同等或更优的mIoU表现。
Comments Accepted at CV4EO Workshop at WACV 2026
Journal ref Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision (WACV) Workshops, 2026, pp. 1414-1423
DialectalArabicMMLU: Benchmarking Dialectal Capabilities in Arabic and Multilingual Language Models
阿拉伯方言MMLU：评估阿拉伯语和多语言模型在阿拉伯方言上的能力
机构 * IBM Research AI（IBM人工智能研究院） ； New York University Abu Dhabi（纽约大学迪拜分校） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
AI总结 本文提出阿拉伯方言MMLU基准，通过手动翻译和适应3000个多项选择题答案对至五个主要方言，评估大语言模型在阿拉伯方言上的推理和理解能力，揭示方言泛化中的持续差距。
Comments 9 pages, 10 tables, accepted to LREC 2026
KASPER: Kolmogorov Arnold Networks for Stock Prediction and Explainable Regimes
KASPER：用于股票预测和可解释性市场的 Kolmogorov-Arnold 网络
机构 * Vishwakarma Government Engineering College（维斯瓦卡罗马工程学院） ； QuantumAI Lab, Fractal Analytics（量子AI实验室，Fractal Analytics） ； 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（NYUAD）） ； 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 KASPER 结合了市场状态检测、稀疏样条函数建模和符号规则提取，通过 Gumbel-Softmax 机制识别隐藏市场条件，实现可解释的股票预测，实测结果显示其在 R²、夏普比率和均方误差上均优于现有方法。
Comments 11 pages, 7 figures, 3 tables
Journal ref Transactions on Machine Learning Research, 2026, https://openreview.net/forum?id=PD4jGJQtL8
Levels of Analysis for Large Language Models
大型语言模型的分析层次
机构 * Department of Psychology, Princeton University（普林斯顿大学心理学系） ； Princeton Neuroscience Institute, Princeton University（普林斯顿神经科学研究所） ； Department of Psychology, The University of Chicago（芝加哥大学心理学系） ； Department of Computer Science, Princeton University（普林斯顿大学计算机科学系） ； Department of Linguistics, Yale University（耶鲁大学语言学系） ； Princeton Laboratory for Artificial Intelligence, Princeton University（普林斯顿人工智能实验室） ； Center for Data Science, New York University（纽约大学数据科学中心）
AI总结 本文提出基于David Marr分析层次框架，利用认知科学方法理解大型语言模型的结构与行为，提供分析工具以应对AI理解难题。
Structured Latent Dynamics in Wireless CSI via Homomorphic World Models
通过同态世界模型在无线CSI中实现结构化潜在动态
机构 * Engineering Division, New York University (NYU), Abu Dhabi, UAE.（纽约大学阿布扎克分校工程系） ； Center for Wireless Communications, University of Oulu, Finland.（奥卢大学无线通信中心） ； NYU WIRELESS, NYU Tandon School of Engineering, New York, USA.（纽约大学无线技术实验室，纽约大学坦顿工程学院）
AI总结 本文提出一种自监督框架，通过建模CSI的时间演变，在紧凑的潜在空间中学习无线信道的预测和结构化表示，利用JEPA学习动作条件的潜在动态，通过同态更新提升几何一致性和组合性，实验表明其在保持拓扑和预测未来嵌入方面优于基线方法。
Comments ACCEPTED FOR PUBLICATION IN IEEE INTERNATIONAL CONFERENCE ON COMMUNICATIONS (ICC) 2026
Hyperagents
超智能体
机构 * University of British Columbia（不列颠哥伦比亚大学） ； Vector Institute（向量研究所） ； University of Edinburgh（爱丁堡大学） ； New York University（纽约大学） ； Canada CIFAR AI Chair（加拿大 CIFAR 人工智能主席） ； FAIR at Meta（Meta 的 FAIR 部门） ； Meta Superintelligence Labs（Meta 超智能实验室）
AI总结 本文提出超智能体，通过整合任务智能体和元智能体，实现自我改进。DGM-H在多个领域表现出色，持续改进搜索方法。
Comments Code at https://github.com/facebookresearch/Hyperagents
Investigating In-Context Privacy Learning by Integrating User-Facing Privacy Tools into Conversational Agents
通过整合面向用户隐私工具进入对话代理来研究上下文隐私学习
机构 * University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； New York University（纽约大学）
AI总结 研究探讨了在对话代理使用过程中整合隐私工具如何提升用户隐私学习，分析了界面设计对隐私保护的影响，并通过实验证明了隐私工具在增强用户隐私意识中的作用。
Comments Preprint of a full paper under review
Superclass-Guided Representation Disentanglement for Spurious Correlation Mitigation
面向虚假相关性缓解的超类引导的表示解耦
机构 * New York University（纽约大学） ； NYU Grossman School of Medicine（纽约大学 Grossman 医学院） ； Zhejiang University（浙江大学）
AI总结 本文提出利用超类引导解耦表示以缓解虚假相关性，通过预训练视觉-语言模型的梯度注意力对齐和理论支持的最小最大最优特征使用策略，提升模型对复杂组结构和虚假相关性的鲁棒性。
Online Convex Optimization with Heavy Tails: Old Algorithms, New Regrets, and Applications
在线凸优化与重尾：旧算法、新遗憾与应用
机构 * Stern School of Business, New York University（纽约大学斯特恩商学院）
AI总结 本文研究了在重尾环境下在线凸优化的旧算法，证明了无需修改算法即可获得最优遗憾界，且在无梯度裁剪情况下有效解决非光滑非凸优化问题。
Comments A short, self-contained version has been accepted at ALT 2026. Update to include the change in the camera-ready version
Revisiting the Last-Iterate Convergence of Stochastic Gradient Methods
重新审视随机梯度方法的最后迭代收敛性
机构 * Stern School of Business, New York University（纽约大学斯特恩商学院）
AI总结 本文研究随机梯度方法的最后迭代收敛性，提出统一证明方法，适用于一般领域、复合目标、非欧几里得范数、Lipschitz条件、光滑性和强凸性，并扩展到重尾和亚Weibull噪声。
Comments The preliminary version has been accepted at ICLR 2024. For the update history, please refer to the PDF
Transfer Learning for Contextual Joint Assortment-Pricing under Cross-Market Heterogeneity
基于多市场异质性的上下文联合 assortment-定价转移学习
机构 * New York University, Stern School of Business（纽约大学， Stern 商学院） ； Tsinghua University, School of Economics and Management（清华大学， 经济管理学院）
AI总结 本文研究了在多努利Logit选择模型下，利用带反馈的转移学习进行上下文联合 assortment-定价问题。通过结构化效用转移模型，提出TJAP框架，结合聚合后去偏估计与UCB策略，建立最小最大遗憾界，证明转移加速学习的同时需承担异质性适应成本。
