高校专区
作为估计的逐出：测试时内存的固定延迟平滑视图，以及测量何时胜过累积
机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； New York University（纽约大学）
AI总结 研究语言模型内存管理，将存储项保留决策转化为对项目是否被重用的估计问题，提出固定延迟平滑策略RMM。在受控设置中有优势，在第三方基准测试中表现一般，贡献了框架及测量与累积效果对比的映射。
Comments 8 pages, 3 figures, 3 tables
利用内容敏感资源分配探索预算图像分类
机构 * Tandon School of Engineering, New York University（纽约大学坦登工程学院）
AI总结 研究在动态计算环境下的预算图像分类问题，提出将其形式化为资源分配整数规划。针对原规划NP难问题，先提出连续松弛的内容无关策略，又改进为内容敏感策略，经实验验证性能更优，还从理论上研究策略并分析失败案例以指导未来研究。
贪心最长匹配分词的联合优化
机构 * Center for Data Science, New York University（纽约大学数据科学中心） ； Kensho Technologies（肯绍科技公司）
AI总结 研究针对贪心最长匹配解码，提出联合优化方法JOLT，将词汇学习设为整数规划，通过贪心一致性约束等确保训练与部署时分词对齐，求解线性规划松弛扩大优化规模，实验表明其能缩小与最优压缩差距，减少令牌数量。
Comments 18 pages, 6 figures
并非所有大语言模型的推理都能在思维链中体现
机构 * New York University（纽约大学） ； University of Maryland（马里兰大学） ； TogetherAI
AI总结 研究探讨大语言模型输出令牌是否体现所有推理，发现前沿模型存在利用无关填充令牌提升合成推理任务性能的不可见推理现象，评估多个模型，揭示填充令牌益处因模型和令牌而异，还表明其能服务隐藏目标，且强化学习等方法无法使填充令牌益处在测试时持续。
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
CRAG-MM诊断：实现对知识密集型视觉问答的逐阶段分析
机构 * New York University（纽约大学） ； McGill University（麦吉尔大学） ； Mila - Quebec AI Institute（米拉-魁北克人工智能研究所） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； MIT（麻省理工学院）
AI总结 研究知识密集型视觉问答流程，引入CRAG-MM-Diagnostics诊断基准，通过逐阶段数据注释分离子问题，评估VLM并进行细粒度分析，指出知识检索和推理是主要瓶颈，还提出改进流程提升准确率。
Comments Accepted to ECCV 2026
ConfidenceBench：评估大语言模型中的置信度校准
机构 * ETH Zurich（苏黎世联邦理工学院） ； University of Pennsylvania（宾夕法尼亚大学） ； New York University（纽约大学）
AI总结 研究针对大语言模型在特定场景下仅靠准确性不足的问题，提出ConfidenceBench校准基准，用Brier分数评估15个前沿LLMs口头置信度，经实验发现模型准确性与校准差异大，证明口头置信度校准是LLM可靠性重要维度，补充了基于准确性的评估。
更多并非更好：大语言模型观点多样性的关键因素是什么？
机构 * New York University（纽约大学）
AI总结 研究大语言模型观点多样性，通过析因实验分离输入条件设定和交互架构两维度，在7个模型上评估，发现更多角色细节非单调增多样性，不同架构探索不同观点区，组合架构覆盖更广，低成本措施效果差，揭示多样性受干预结构形式和组合影响。
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
核量子效应作为一个去噪问题
机构 * Department of Chemistry, University of Chicago（芝加哥大学化学系） ； James Franck Institute, University of Chicago（芝加哥大学詹姆斯·弗兰克研究所） ； Courant Institute of Mathematical Sciences, New York University（纽约大学应用数学科学研究所）
AI总结 研究核量子效应，提出仅基于经典玻尔兹曼统计训练去噪器，采样时与高斯分量组合产生量子玻尔兹曼分布，该组合在特定条件下精确且不变，能在多条件下精确转移，无需重训，揭示了生成噪声与量子涨落的关联。
Comments 9 pages, 3 figures
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
一个模型，多种图：使用视觉语言模型在异构模态的属性图上进行学习
机构 * New York University Shanghai（纽约大学上海分校） ； New York University（纽约大学）
AI总结 研究利用视觉语言模型解决属性图模态异质性问题，提出OMG-VLM框架，以预训练VLM为共享主干，引入结构感知图适配器，在节点分类和链接预测等任务中表现出色，优于现有基线且泛化能力强。
AgentTrails：迈向代理任务的信任与重用
机构 * New York University（纽约大学）
AI总结 针对大语言模型驱动代理轨迹掩盖数据依赖限制开发人员理解等问题，提出AgentTrails系统，将原始轨迹转换为结构化溯源图，支持执行比较、模式提取等，能揭示隐藏依赖、对齐不同执行并展现重复工具使用模式。
Comments 4 pages, 4 figures. Short paper accepted at the Workshop on Systems for Data-centric Agents with Human-in-the-loop (DASHSys 2026), co-located with VLDB 2026
基于大语言模型的多智能体系统中用于贡献归因的语义合作博弈
机构 * New York University（纽约大学） ； University of California, Davis（加利福尼亚大学戴维斯分校）
AI总结 针对基于大语言模型的多智能体系统贡献归因问题，提出语义合作博弈框架，定义语义夏普利值，介绍单轨迹算法SLIC，在特定基准测试中大幅降低计算成本，在多角色工作流程中表现良好，为复杂系统提供快速、无反事实且可解释的归因方法。
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
补丁策略：通过密集视觉表示实现高效具身控制
机构 * Courant Institute, New York University（纽约大学柯朗数学科学研究所） ； Meta-FAIR（Meta FAIR） ； AMI Labs（AMI 实验室）
AI总结 研究利用预训练密集视觉特征，提出补丁策略，通过块因果注意力掩码等实现高效具身控制。该策略轻量级、快速且高效，在模拟和真实环境中相比其他策略有显著提升，为机器人社区利用视觉表示学习提供新途径。
学习用于视觉导航的自适应安全裕度
机构 * New York University Abu Dhabi（纽约大学阿布扎比分校）
AI总结 研究针对室内机器人视觉导航中安全裕度校准问题，提出上下文条件安全评论家方法，通过分解的三个互补项学习自适应间隙偏好排序扩散提议，经训练和提炼后在导航任务中表现出色，还能转移到人形机器人。
CoEvoP&R：通过大语言模型与路由反馈共同进化布局目标
机构 * University of Alberta（阿尔伯塔大学） ； New York University（纽约大学）
AI总结 研究针对分析布局器替代指标与下游质量不一致问题，提出基于大语言模型的CoEvoP&R框架自动进化布局目标，经实验验证该方法能有效降低线长、拥塞及时序负松弛，提升布局效果。
Comments 7 pages, 4 figures, 3 tables. Corresponding author: Weihua Xiao
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
用于基因调控网络推断的深度和概率模型
机构 * Center for Data Science（数据科学中心） ； New York University（纽约大学）
AI总结 研究针对基因调控网络重建的挑战，开发了PMF-GRN和GLM-Prior两个框架。前者将GRN推断作为概率图形模型，后者微调预训练模型预测基因相互作用，二者结合推动GRN重建的两阶段观点，改进了网络推断方法。
Comments PhD thesis
一种兼具实用弹性和效率的变形设计六旋翼原型
机构 * Ecole Nationale de l’Aviation Civile（法国国立民用航空学院） ； Center for Artificial Intelligence and Robotics, New York University Abu Dhabi（纽约大学阿布扎比分校人工智能与机器人中心） ； Sapienza University of Rome（罗马第一大学） ； Robotics and Mechatronics lab, Faculty of Electrical Engineering, Mathematics & Computer Science, University of Twente（荷兰屯特大学电气、数学与计算机科学学院机器人与机电一体化实验室）
AI总结 研究一种名为Opti-Hexa的六旋翼原型，利用开源变形平台，通过改变相邻螺旋桨夹角研究几何形状权衡，用数据拟合模型和对比评估效率与弹性，证实特定变形平台有可行性区域，还发布软硬件支持后续研究。
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