New York University（纽约大学）

Generative Replica-Exchange: A Flow-based Framework for Accelerating Replica Exchange Simulations

生成性复制交换：一种基于流的框架，用于加速复制交换模拟

Shengjie Huang, Sijie Yang, Jianqiao Yi, Rui Zheng, Haocong Liao, Muzammal Hussain, Yaoquan Tu, Xiaoyun Lu, Yang Zhou

机构 * State Key Laboratory of Bioactive Molecules and Druggability Assessment, International Cooperative Laboratory of Traditional Chinese Medicine Modernization and Innovative Drug Discovery of Chinese Ministry of Education (MOE), School of Pharmacy, Jinan University（生物活性分子与药物性评估国家重点实验室，中国传统医药现代化与创新药物发现国际合作实验室，中国教育部（MOE）药学院，暨南大学） ； Department of Biochemistry and Molecular Pharmacology, NYU Grossman School of Medicine（生物化学与分子药理学系，纽约大学格罗斯曼医学院） ； Howard Hughes Medical Institute, NYU Grossman School of Medicine（霍华德·休斯医学研究所，纽约大学格罗斯曼医学院） ； Department of Theoretical Chemistry and Biology, KTH Royal Institute of Technology（理论化学与生物学系，皇家理工学院（KTH）） 纠错

AI总结 本文提出GREX，通过深度生成模型整合到复制交换框架中，消除温度阶梯，提高分子模拟效率。

DynaRAG: Bridging Static and Dynamic Knowledge in Retrieval-Augmented Generation

DynaRAG：连接静态与动态知识的检索增强生成

Penghao Liang, Mengwei Yuan, Jianan Liu, Jing Yang, Xianyou Li, Weiran Yan, Yichao Wu

机构 * Northeastern University（东北大学） ； Independent Researcher（独立研究员） ； Washington University in St. Louis（华盛顿大学圣路易斯分校） ； New York University（纽约大学） 纠错

AI总结 DynaRAG通过动态知识整合处理静态和时效性信息需求，采用LLM重排器、充分性分类器和Gorilla v2模型提升回答准确性与鲁棒性。

$K-$means with learned metrics

基于学习度量的$K$-means

Pablo Groisman, Matthieu Jonckheere, Jordan Serres, Mariela Sued

机构 * NYU-ECNU Institute of Mathematical Sciences at NYU Shanghai（纽约大学-上海纽约大学数学科学研究所） ； LAAS, CNRS, 7 Avenue Colonel Roche, 31400 Toulouse, France（法国图卢兹CNRS LAAS研究所） 纠错

AI总结 本文研究了在度量空间中未知测度和距离下的$K$-means，证明了$K$-means在测度Gromov-Hausdorff拓扑下的连续性，并探讨了其在不同度量学习方法中的应用。

Differential Privacy in Generative AI Agents: Analysis and Optimal Tradeoffs

生成AI代理中的差分隐私：分析与最优权衡

Ya-Ting Yang, Quanyan Zhu

机构 * Department of Electrical and Computer Engineering, New York University（纽约大学电气与计算机工程系） 纠错

AI总结 本文从企业数据角度分析生成AI代理的隐私泄露问题，提出基于差分隐私的概率框架，推导隐私界限并优化温度参数选择。

Towards Infinitely Long Neural Simulations: Self-Refining Neural Surrogate Models for Dynamical Systems

迈向无限长的神经模拟：用于动力系统的自修正神经代理模型

Qi Liu, Laure Zanna, Joan Bruna

机构 * Courant Institute School of Mathematics, Computing, and Data Science, New York University, USA（Courant学院数学、计算与数据科学学院，纽约大学，美国） 纠错

AI总结 本文提出自修正神经代理模型(SNS)，通过条件扩散模型在无需超参数的情况下平衡短期精度与长期一致性，实现对复杂动力系统长时间模拟的高保真度。

Theoretical Foundations of δ-margin Majority Voting

δ-margin多数投票的理论基础

Margarita Boyarskaya, Panos Ipeirotis

机构 * JP Morgan AI Research（摩根大通人工智能研究） ； New York University（纽约大学） 纠错

AI总结 本文通过马尔可夫链和赌徒 ruin 理论，建立了 δ-margin 多数投票的理论框架，提供闭式表达式和贝叶斯扩展，实现基于模型的设计，提升质量和成本控制。

SafeTutors: Benchmarking Pedagogical Safety in AI Tutoring Systems

SafeTutors: 评估AI辅导系统中的教学安全性

Rima Hazra, Bikram Ghuku, Ilona Marchenko, Yaroslava Tokarieva, Sayan Layek, Somnath Banerjee, Julia Stoyanovich, Mykola Pechenizkiy

机构 * Eindhoven University of Technology（埃因霍温理工大学） ； Indian Institute of Technology Kharagpur（印度理工学院Khargpur分校） ； Cisco Research（思科研究） ； Taras Shevchenko National University of Kyiv（塔拉斯·谢甫琴科基辅国立大学） ； National Technical University of Ukraine（乌克兰国家技术大学） ； New York University（纽约大学） 纠错

AI总结 本文提出SafeTutors基准，评估AI辅导系统在数学、物理和化学中的教学有效性与安全性，发现模型在多轮对话中教学失败率显著上升，且学科差异影响安全措施效果。

GUIDE: GenAI Units In Digital Design Education

GUIDE：数字设计教育中的生成式人工智能单元

Weihua Xiao, Jason Blocklove, Matthew DeLorenzo, Johann Knechtel, Ozgur Sinanoglu, Kanad Basu, Jeyavijayan Rajendran, Siddharth Garg, Ramesh Karri

机构 * NYU Tandon（纽约大学Tandon学院） ； NYU Abu Dhabi（纽约大学阿布扎比分校） ； RPI（罗切斯特理工学院） ； Texas A&M（德克萨斯大学阿姆斯特朗分校） 纠错

AI总结 GUIDE为数字设计教育提供可运行的Google Colab实验室和课程资料，通过标准化教学单元提升学习一致性与教学效率，包含三个代表单元和四门课程实例，涵盖RTL生成、测试bench生成及IP盗版检测等核心内容。

Joint Value Estimation and Bidding in Repeated First-Price Auctions

重复第一价格拍卖中的联合价值估计与投标

Yuxiao Wen, Yanjun Han, Zhengyuan Zhou

机构 * Courant Institute of Mathematical Sciences（Courant数学科学研究所） ； New York University（纽约大学） ； Center for Data Science（数据科学中心） ； Stern School of Business（斯特恩商学院） ； Arena Technologies（Arena技术公司） 纠错

AI总结 本文研究重复第一价格拍卖中的 regrets 最小化问题，提出结合因果推断的算法，在不同反馈类型下实现近最优 regret 绑定。

Comments POMS-HK 2026 Best Student Paper Finalist

V-Co: A Closer Look at Visual Representation Alignment via Co-Denoising

V-Co：通过去噪更深入地审视视觉表示对齐

Han Lin, Xichen Pan, Zun Wang, Yue Zhang, Chu Wang, Jaemin Cho, Mohit Bansal

机构 * UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； NYU（纽约大学） ； Meta ； AI2（人工智能研究院） 纠错

AI总结 本文通过统一的JiT框架系统研究视觉去噪，揭示了四个关键要素：双流架构、结构化无条件预测、感知漂移混合损失和特征重缩放，从而在ImageNet-256上实现更高效的生成模型。

Comments code: https://github.com/HL-hanlin/V-Co

Understanding Quantization of Optimizer States in LLM Pre-training: Dynamics of State Staleness and Effectiveness of State Resets

理解大语言模型预训练中优化器状态的量化：状态陈旧的动力学与状态重置的有效性

Kristi Topollai, Anna Choromanska

机构 * New York University（纽约大学） 纠错

AI总结 研究低精度指数移动平均优化器状态的动力学，揭示量化导致状态陈旧的问题，并提出预测模型指导状态重置策略，提升低精度预训练性能。

Arabic Morphosyntactic Tagging and Dependency Parsing with Large Language Models

阿拉伯词法句法标注与依赖解析中的大语言模型

Mohamed Adel, Bashar Alhafni, Nizar Habash

机构 * Computational Approaches to Modeling Language Lab（语言建模方法计算实验室） ； New York University Abu Dhabi（纽约大学阿布扎克分校） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） 纠错

AI总结 本文评估了大语言模型在阿拉伯语词法句法标注和依赖解析任务中的表现，发现提示设计和示例选择对性能影响显著，专有模型在特征层面标注接近监督基线，且在依赖解析中具有竞争力。

Do Not Leave a Gap: Hallucination-Free Object Concealment in Vision-Language Models

不要留下空白：视觉-语言模型中的无幻觉物体遮蔽

Amira Guesmi, Muhammad Shafique

机构 * Engineering Division, New York University Abu Dhabi, UAE（纽约大学阿布扎比分校工程系） 纠错

AI总结 本文提出一种背景一致的物体遮蔽攻击方法，通过重新编码视觉表示使目标物体与背景一致，避免幻觉产生，实验显示其能有效遮蔽目标物体并减少幻觉。

Learning to Recall with Transformers Beyond Orthogonal Embeddings

基于非正交嵌入的Transformer学习回忆

Nuri Mert Vural, Alberto Bietti, Mahdi Soltanolkotabi, Denny Wu

机构 * University of Toronto and Vector Institute（多伦多大学和向量研究所） ； Flatiron Institute（Flatiron研究所） ； University of Southern California（南加州大学） ； New York University and Flatiron Institute（纽约大学和Flatiron研究所） 纠错

AI总结 本文研究了在非正交嵌入条件下，单层Transformer在简单token检索任务中的存储容量，揭示了样本量、嵌入维度和序列长度之间的乘积关系。

Comments ICLR 2026

Agent-based imitation dynamics can yield efficiently compressed population-level vocabularies

基于代理的模仿动力学可以产生高效压缩的群体层面词汇

Nathaniel Imel, Richard Futrell, Michael Franke, Noga Zaslavsky

机构 * Department of Psychology, New York University（纽约大学心理学系） ； Department of Language Science, University of California, Irvine（加州大学欧文分校语言科学系） ； Department of Linguistics, University of Tübingen（图宾根大学语言学系） 纠错

AI总结 本文探讨了基于代理的模仿动力学如何在信号游戏中实现词汇的高效压缩，结合进化博弈论与信息瓶颈框架，揭示了词汇优化的机制。

The PokeAgent Challenge: Competitive and Long-Context Learning at Scale

PokeAgent挑战：在大规模中实现竞争性和长上下文学习

Seth Karten, Jake Grigsby, Tersoo Upaa, Junik Bae, Seonghun Hong, Hyunyoung Jeong, Jaeyoon Jung, Kun Kerdthaisong, Gyungbo Kim, Hyeokgi Kim, Yujin Kim, Eunju Kwon, Dongyu Liu, Patrick Mariglia, Sangyeon Park, Benedikt Schink, Xianwei Shi, Anthony Sistilli, Joseph Twin, Arian Urdu, Matin Urdu, Qiao Wang, Ling Wu, Wenli Zhang, Kunsheng Zhou, Stephanie Milani, Kiran Vodrahalli, Amy Zhang, Fei Fang, Yuke Zhu, Chi Jin

机构 * Princeton（普林斯顿大学） ； UT-Austin（得克萨斯大学奥斯汀分校） ； CMU（卡内基梅隆大学） ； NYU（纽约大学） ； Google DeepMind（谷歌DeepMind） ； Team Heatz（团队Heatz） ； Team PA-Agent（团队PA-Agent） ； Team FoulPlay（团队FoulPlay） ； Team 4thLesson（团队4thLesson） ； Team Q（团队Q） ； Team Anthonys（团队Anthonys） ； Team Hamburg（团队Hamburg） ； Team Porygon2AI（团队Porygon2AI） ； Team Deepest（团队Deepest） ； Team August（团队August） 纠错

AI总结 PokeAgent挑战通过两个互补赛道，解决部分可观测性、博弈推理和长周期规划问题，提供大规模基准测试和首个RPG速run评估框架，揭示通用（LLM）、专业（RL）和精英人类表现间的差距。

Comments 41 pages, 26 figures, 5 tables. NeurIPS 2025 Competition Track

Beyond Polarity: Multi-Dimensional LLM Sentiment Signals for WTI Crude Oil Futures Return Prediction

超越极性：多维LLM情感信号用于WTI原油期货收益率预测

Dehao Dai, Ding Ma, Dou Liu, Kerui Geng, Yiqing Wang

机构 * University of California San Diego（加州大学圣迭戈分校） ； Georgia Institute of Technology（佐治亚理工学院） ； New York University（纽约大学） ； Tulane University（路易斯安那州立大学） ； Southern Methodist University（南方 Methodist 大学） 纠错

AI总结 本文研究多维情感信号对WTI原油期货收益率预测的提升作用，利用GPT-4o等模型提取五种情感维度，发现结合GPT-4o和FinBERT可获得最佳预测效果，证明情感信号超越单纯极性具有预测价值。

Comments 28 pages, 4 figures, 4 tables

World Models for Learning Dexterous Hand-Object Interactions from Human Videos

为从人类视频学习灵巧手-物体交互构建世界模型

Raktim Gautam Goswami, Amir Bar, David Fan, Tsung-Yen Yang, Gaoyue Zhou, Prashanth Krishnamurthy, Michael Rabbat, Farshad Khorrami, Yann LeCun

机构 * FAIR at Meta（Meta 的 FAIR 部门） ； New York University（纽约大学） 纠错

AI总结 本文提出DexWM模型，通过手部关键点提取实现对精细手部动作的建模，提升未来状态预测和零样本迁移能力。

Exploring the Use of VLMs for Navigation Assistance for People with Blindness and Low Vision

探索视觉语言模型在帮助视障和低视力人士导航中的应用

Yu Li, Yuchen Zheng, Giles Hamilton-Fletcher, Marco Mezzavilla, Yao Wang, Sundeep Rangan, Maurizio Porfiri, Zhou Yu, John-Ross Rizzo

机构 * Columbia University（哥伦比亚大学） ； New York University（纽约大学） ； Politecnico di Milano（米兰理工大学） 纠错

AI总结 本文评估了多种VLMs在基础视觉技能和导航任务中的表现，发现GPT-4o在空间推理和场景理解上表现最佳，而开源模型在复杂环境中存在不足，需进一步改进以提升实用性。

Are Dilemmas and Conflicts in LLM Alignment Solvable? A View from Priority Graph

对LLM对齐中的困境和冲突是否可解？一种优先图的视角

Zhenheng Tang, Xiang Liu, Qian Wang, Eunsol Choi, Bo Li, Xiaowen Chu

机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； New York University（纽约大学） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 本文通过优先图模型分析LLM在不同场景中的冲突与困境，揭示了统一稳定对齐的挑战及优先黑客的潜在风险，并提出运行时验证机制以提升鲁棒性。

A proof-of-concept for automated AI-driven stellarator coil optimization with in-the-loop finite-element calculations

为自动AI驱动的磁镜线圈优化提供概念验证：闭环有限元计算

Alan A. Kaptanoglu, Pedro F. Gil

机构 * Courant Institute of Mathematical Sciences, New York University（数学科学学院，纽约大学） ； Max-Planck-Institut für Plasmaphysik（等离子物理研究所） 纠错

AI总结 本文提出一种端到端的自动线圈优化方法，通过闭环有限元计算实现磁镜装置线圈设计的自动化，采用遗传算法和上下文感知LLM进行非停优化，并引入新的Von Mises应力闭环优化方法。

VisualLeakBench: Auditing the Fragility of Large Vision-Language Models against PII Leakage and Social Engineering

VisualLeakBench: 对大型视觉-语言模型在PII泄露和社会工程中的脆弱性进行审计

Youting Wang, Yuan Tang, Yitian Qian, Chen Zhao

机构 * Northeastern University（东北大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Boston University（波士顿大学） ； New York University（纽约大学） 纠错

AI总结 本文提出VisualLeakBench，通过合成对抗图像评估LVLMs对OCR注入和PII泄露的鲁棒性，揭示了Claude~4在PII识别上的高风险及防御策略的模板依赖性。

GraphVLM: Benchmarking Vision Language Models for Multimodal Graph Learning

GraphVLM：多模态图学习的视觉语言模型基准测试

Jiajin Liu, Dongzhe Fan, Chuanhao Ji, Daochen Zha, Qiaoyu Tan

机构 * NYU Shanghai（纽约大学上海分校） ； New York University（纽约大学） ； Rice University（休斯顿大学） ； East China Normal University（华东师范大学） 纠错

AI总结 GraphVLM通过三种范式评估视觉语言模型在多模态图学习中的能力，发现VLM-as-Predictor在性能上表现最佳，展示了其在多模态图学习中的潜力。

Comments CVPR 2026

FastODT: A tree-based framework for efficient continual learning

FastODT: 一种基于树的高效持续学习框架

Daniel Bretsko, Piotr Walas, Devashish Khulbe, Sebastian Stros, Stanislav Sobolevsky, Tomas Satura

机构 * Masaryk University（马萨里克大学） ； Czech Republic（捷克共和国） ； Warsaw University of Technology（华沙技术大学） ； Poland（波兰） ； Mycroft Mind ； New York University（纽约大学） ； New York, NY, USA（纽约市，纽约州，美国） ； Analog AI ； Abu Dhabi, UAE（阿布扎赫，阿联酋） 纠错

AI总结 本文提出一种基于树的框架，通过Hoeffding界控制树的生长，实现高效持续学习，实验表明其在能源和环境传感时间序列基准上性能优异，计算效率高。

Evolution and compression in LLMs: On the emergence of human-aligned categorization

语言模型中的进化与压缩：关于人类对齐分类的出现

Nathaniel Imel, Noga Zaslavsky

机构 * New York University（纽约大学） 纠错

AI总结 研究探讨LLM是否能进化出高效的人类对齐语义系统，通过颜色分类实验发现，大模型在复杂性和英语对齐性上表现各异，仅最强模型能复现人类近最优的信息瓶颈贸易-offs。

Comments Published as a conference paper at ICLR 2026 (The Fourteenth International Conference on Learning Representations). OpenReview: https://openreview.net/forum?id=s7gSTR2AqA&noteId=s7gSTR2AqA

Finance-Informed Neural Network: Learning the Geometry of Option Pricing

金融导向神经网络：学习期权定价的几何结构

Amine M. Aboussalah, Xuanze Li, Cheng Chi, Raj Patel

机构 * NYU Tandon School of Engineering（纽约大学Tandon工程学院） ； University of Toronto（多伦多大学） ； Princeton University（普林斯顿大学） 纠错

AI总结 FINN通过复制和风险控制原则学习期权定价，而非参数假设，实现无套利定价与鲁棒性，适用于新兴市场。

MA-EgoQA: Question Answering over Egocentric Videos from Multiple Embodied Agents

MA-EgoQA：多智能体视角下的眼动视频问答

Kangsan Kim, Yanlai Yang, Suji Kim, Woongyeong Yeo, Youngwan Lee, Mengye Ren, Sung Ju Hwang

机构 * KAIST（韩国科学技术院） ； New York University（纽约大学） ； Samsung Electronics（三星电子） ； ETRI（电子技术研究所） 纠错

AI总结 MA-EgoQA旨在解决多智能体视角下的眼动视频问答问题，通过引入多代理眼动问答基准和EgoMAS模型，评估现有方法在处理多眼动流中的不足。

Comments Under review

Multi-modal Data Spectrum: Multi-modal Datasets are Multi-dimensional

多模态数据光谱：多模态数据集是多维的

Divyam Madaan, Varshan Muhunthan, Kyunghyun Cho, Sumit Chopra

机构 * New York University（纽约大学） ； GenentechCIFAR（基因泰克CIFAR） ； New York University Grossman School of Medicine（纽约大学格罗斯曼医学院） 纠错

AI总结 本文通过多模态大语言模型分析23个视觉问答基准，揭示了不同模态在目标任务中的依赖性差异，发现部分基准因设计缺陷放大了图像依赖性。

Comments Accepted to ICLR 2026. Code available at https://github.com/divyam3897/multimodal-spectrum

Abundant Intelligence and Deficient Demand: A Macro-Financial Stress Test of Rapid AI Adoption

过剩智能与匮乏需求：快速AI采纳的宏观金融压力测试

Xupeng Chen

机构 * Department of Electrical and Computer Engineering, New York University（纽约大学电气与计算机工程系） 纠错

AI总结 本文提出快速AI采纳的宏观金融压力测试，揭示AI生成的过剩与需求匮乏并存的机制，通过三种传导路径分析其对金融系统的影响，并提出可检验的预测与模拟条件。

DOCFORGE-BENCH: A Comprehensive 0-shot Benchmark for Document Forgery Detection and Analysis

DOCFORGE-BENCH：一个全面的零样本文档伪造检测与分析基准

Zengqi Zhao, Weidi Xia, En Wei, Yan Zhang, Jane Mo, Tiannan Zhang, Yuanqin Dai, Zexi Chen, Yiran Tao, Simiao Ren

机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； University of California, Irvine（加州大学尔湾分校） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； Duke University（杜克大学） ； University of California, Davis（加州大学戴维斯分校） ； New York University（纽约大学） ； Georgetown University（乔治城大学） 纠错

AI总结 DOCFORGE-BENCH提出首个零样本文档伪造检测基准，揭示校准失败问题，强调阈值适应对实际部署的重要性。