高校专区
通过多样性引导采样实现语言模型中的高效语义不确定性量化
机构 * Prescient Design, Genentech（普森设计，基因泰克） ； Center for Data Science, New York University（数据科学中心，纽约大学）
AI总结 本文提出一种多样性引导采样方法，通过注入语义相似性惩罚提升语言模型在问答任务中的不确定性估计效率，实现样本效率提升并覆盖更多语义簇。
Comments 10 pages (+7 appendix), 7 figures. Accepted at NeurIPS 2025
设计有效的数字素养干预以提升深度伪造辨别能力
机构 * LMU Munich \& Munich Center for Machine Learning (MCML) Munich Germany ； New York University New York U.S. ； Colby College Waterville U.S. ； LMU Munich \& Munich Center for Machine Learning (MCML) ； New York University ； Colby College
AI总结 本文提出五种数字素养干预方法，旨在提升公众对深度伪造图像的辨别能力，并通过实验验证了其中一种方法的有效性。
动态定价与对抗性被截断的需求
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Texas at Dallas（德克萨斯大学达拉斯分校） ； New York University（纽约大学） ； University of California San Diego（加州大学圣地亚哥分校）
AI总结 本文提出了一种基于导数乐观估计的动态定价算法，在对抗性库存条件下实现O(√T)最优遗憾，解决了具有截断反馈的在线决策问题。
Comments 28 pages, 1 figure
条件性思维的失败
机构 * Royal Holloway–University of London（伦敦大学皇家霍洛威学院） ； NYU Shanghai（纽约大学上海分校）
AI总结 本文提出了一种行为定义，用于描述智能体对决策问题的主观状态空间，并探讨了减少不确定性如何提高条件性思维，同时指出条件性思维使状态间主导更具认知挑战。
通过表征自编码器扩展文本到图像扩散变换器
机构 * New York University（纽约大学）
AI总结 通过扩展表征自编码器实现更高效的大规模文本到图像生成，RAE在预训练和微调中均优于VAE，且具有更快的收敛速度和更好的生成质量。
Comments website: https://rae-dit.github.io/scale-rae/
恶意AI群如何威胁民主：代理AI与大语言模型的融合标志着信息战争的新前沿
机构 * Department of Sustainable Communication Technologies, SINTEF Digital（可持续通信技术系，SINTEF数字） ； Max Planck Institute for Security and Privacy（安全与隐私研究所） ； Department of Mathematics, City St George’s University of London（数学系，圣乔治大学） ； Macrostrategy Research Initiative（战略研究计划） ； Human Nature Lab, Yale University（人性实验室，耶鲁大学） ； Department of Politics and Public Administration, University of Konstanz（政治与公共管理系，康斯坦茨大学） ； Harvard Business School, Harvard University（哈佛商学院，哈佛大学） ； Department of Psychology, University of Cambridge（心理学系，剑桥大学） ； Department of Computer Science, University of British Columbia（计算机科学系，不列颠哥伦比亚大学） ； Department of Human Centered Design & Engineering, University of Washington（以人为本设计与工程系，华盛顿大学） ； Department of Psychology, New York University（心理学系，纽约大学） ； Observatory on Social Media and Luddy School of Informatics, Computing, and Engineering, Indiana University（社交媒体观察所和信息、计算与工程学院，印第安纳大学）
AI总结 本文探讨了恶意AI群通过融合代理AI与大语言模型对民主构成的威胁，并提出多方面的干预措施。
Comments 5 Pages, This is the author's version of the work. It is posted here by permission of the AAAS for personal use, not for redistribution. The definitive version was published in Science on January 22, 2026, DOI: 10.1126/science.adz1697
关于LLMs内部对代码正确性的表示
机构 * New York University Abu Dhabi（纽约大学阿布扎比分校）
AI总结 本文研究了LLMs内部对代码正确性的表示，通过对比隐藏状态识别正确性表示，并展示其在提升代码生成质量与可靠性方面的贡献。
Comments Accepted for ICSE'26
SpikeVox: 向能量高效的言语治疗框架迈进：基于脉冲的生成语言模型
机构 * eBrain Lab, New York University (NYU) Abu Dhabi（eBrain实验室，纽约大学阿布扎赫尔分校） ； Pune University（普纳大学）
AI总结 SpikeVox通过基于脉冲的生成语言模型实现能量高效的言语治疗框架，提供高精度语音识别和完整的治疗反馈。
Comments Accepted at the IEEE Biomedical Circuits and Systems Conference (BioCAS) 2025, Abu Dhabi, UAE
思考后再嵌入：生成性上下文提升多模态嵌入
机构 * AI at Meta（Meta人工智能部门） ； University of Central Florida（中央佛罗里达大学） ； New York University（纽约大学）
AI总结 本研究提出Think-Then-Embed框架，通过生成性推理提升多模态嵌入性能，实现更高效的复杂指令处理。
超参数转移使矩阵预条件优化器在不同尺度上实现一致的增益
机构 * New York University（纽约大学）
AI总结 通过超参数转移，研究发现不同规模下矩阵预条件优化器在训练大模型时能实现显著加速，而错误缩放会导致加速效果消失。
Comments NeurIPS 2025. Code available at: https://github.com/charliezchen/scaling-matrix-preconditioning
Flash STU：快速频谱变换单元
机构 * Princeton University（普林斯顿大学） ； New York University（纽约大学）
AI总结 Flash STU通过结合频谱状态空间模型与滑动窗口注意力，实现了高效大规模参数语言模型，优于Transformer和S4等现有模型。
Journal ref Proceedings of the 2025 IEEE 64th Conference on Decision and Control (CDC), pp. 165-171, 2025
FEAT: 基于自适应传输的自由能估计器
机构 * University of Cambridge（剑桥大学） ； Cornell University（康奈尔大学） ； Xaira Therapeutics ； ML Lab, Capital Fund Management（ML实验室，资本基金管理公司） ； Courant Institute of Mathematical Sciences, NYU（纽约大学数学科学学院）
AI总结 FEAT提出了一种基于自适应传输的自由能估计框架，通过结合平衡与非平衡方法，提供一致且方差最小的估计器，并在多个科学领域中验证了其有效性。
Comments Accepted to NeurIPS 2025; the first two authors contribute equally to this work
开放式机器人创新是否威胁国际和平与安全？
机构 * Tandon School of Engineering at New York University（纽约大学Tandon工程学院） ； Artificial and Natural Intelligence Toulouse Institute（图卢兹人工智能与自然智能研究所） ； Stockholm International Peace Research Institute（斯德哥尔摩国际和平研究所）
AI总结 本文探讨开放式机器人创新可能带来的国际安全风险，并提出通过教育、风险评估、材料管控和红线制定来规范机器人领域的发展。
Journal ref IEEE Robotics & Automation Magazine, vol. 32, no. 4, pp. 42-50, Dec. 2025
协同多智能体测试时间强化学习用于推理
机构 * MIT（麻省理工学院） ； NUS（新加坡国立大学） ； NYU（纽约大学） ； Microsoft（微软） ； Columbia（哥伦比亚大学） ； NTU（国立科技大学）
AI总结 MATTRL通过在推理阶段注入结构化文本经验，提升多智能体在医学、数学和教育等领域的推理准确性，比多智能体基线提升3.67%，比单智能体基线提升8.67%。
Comments Work in Progress
RGC-Bent: 一种用于弯曲无线电星系分类的新数据集
机构 * 1 Center for Computational \& Data Sciences, Independent University, Bangladesh 2 Center for Astronomy, Space Science ； Astrophysics, Independent University, Bangladesh 3 Center for Astrophysics ； Space Science, New York University Abu Dhabi
AI总结 RGC-Bent数据集通过引入先进的深度学习模型，有效提升了弯曲无线电活动星系的分类性能。
Comments 6 pages, 3 figures, 2 tables, Accepted In ICIP 2025
Journal ref Proceedings of the 2025 IEEE International Conference on Image Processing (ICIP), Anchorage, AK, USA, 2025, pp. 2868-2873
贝叶斯教学使大语言模型具备概率推理能力
机构 * MIT（麻省理工学院） ； Meta ； Google（谷歌公司） ； DeepMind University of British Columbia（不列颠哥伦比亚大学深度思维学院） ； Vector Institute（向量研究所） ； New York University（纽约大学） ； Google Research（谷歌研究）
AI总结 通过教学使大语言模型模仿贝叶斯模型预测，提升其概率推理能力并推广至新任务。
Comments Nature Communications
深度变换器的几何与动态缩放
机构 * New York University（纽约大学） ； Stony Brook University（石溪大学）
AI总结 本文提出流形几何变换器（MGT），通过几何约束和动态擦除机制解决深度变换器的秩崩溃问题，强调几何有效性在超深网络中的重要性。
Comments Research Proposal Only
带有约束条件的神经组合优化的几何算法
机构 * MIT（麻省理工学院） ； NYU（纽约大学） ； UCSD（加州大学圣迭戈分校） ； TUM（慕尼黑技术大学）
AI总结 本文提出了一种基于几何算法的神经组合优化方法，通过分解神经网络输出为凸组合，解决具有离散约束的优化问题，并在多种组合优化任务中取得优于基线的表现。
通过双分数匹配学习归一化图像密度
机构 * Center for Data Science, New York University（纽约大学数据科学中心） ； Flatiron Institute, Simons Foundation（Flatiron研究所，Simons基金会） ； New York University（纽约大学）
AI总结 本文提出通过双分数匹配学习归一化图像密度模型，实现能量的一致性和归一化，并在ImageNet64上取得与当前最佳相当的性能。
Journal ref The Thirty-Ninth Annual Conference on Neural Information Processing Systems, 2025
为何知识蒸馏在生成模型中有效：一个最小可行解释
机构 * New York University（纽约大学） ； Genentech（基因泰克）
AI总结 本文通过模拟和实验揭示了知识蒸馏在生成模型中通过精度与召回权衡提升生成质量的机制。
Comments NeurIPS 2025 camera ready version
大规模记忆马赛克
机构 * New York University, New York（纽约大学） ； FAIR, Meta Inc.（FAIR、Meta公司）
AI总结 本研究展示了大规模记忆马赛克在扩展到大语言模型规模和真实数据集后，在训练知识学习和新任务执行方面优于transformers。
Comments Oral @ NeurIPS 2025
OrthoGeoLoRA：用于Web上结构化社会科学概念检索的几何参数高效微调
机构 * University of Surrey（萨里大学） ； Washington State University（华盛顿州立大学） ； University of Oxford（牛津大学） ； New York University Shanghai（纽约大学上海分校） ； University College London（伦敦大学学院）
AI总结 OrthoGeoLoRA通过几何约束改进低秩适应，实现更高效的参数微调，提升社会科学概念检索性能。
通过内容完整性保护实现身份鲁棒的语言模型生成
机构 * New York University（纽约大学） ； Adobe Research（Adobe研究）
AI总结 本文提出了一种轻量级、无需训练的框架，通过保留语义关键属性并中和非关键身份信息，实现身份鲁棒的语言模型生成，有效减少身份依赖性偏见。
CuMoLoS-MAE：一种用于遥感数据重建的屏蔽自动编码器
机构 * Courant Institute of Mathematical Sciences, New York University（纽约大学Courant数学科学研究所）
AI总结 CuMoLoS-MAE通过课程引导的蒙特卡洛随机集合屏蔽自动编码器，实现遥感数据的细尺度特征恢复和像素级不确定性量化，提升对流诊断与气候再分析精度。
Comments Accepted for poster presentation at the NeurIPS 2025 workshop on Tackling Climate Change with Machine Learning. 5 pages, 2 figures
超越通用方案：人机交互中个性化情感计算的综述
机构 * Social Machines & Robotics (SMART) Lab, and the Center of AI & Robotics (CAIR), New York University, Abu Dhabi（社会机器与机器人（SMART）实验室，以及人工智能与机器人中心（CAIR），纽约大学阿布扎克分校） ； SMART Lab, New York University, Abu Dhabi（社会机器与机器人实验室，纽约大学阿布扎克分校）
AI总结 本文综述了人机交互中个性化情感计算的方法与挑战，提出分类体系并分析了不同交互模式和情境下的个性化技术。
GraphSearch: 基于代理的搜索增强推理用于零样本图学习
机构 * Department of Computer Science, New York University (Shanghai)（计算机科学系，纽约大学（上海））
AI总结 GraphSearch通过图感知查询规划器和检索器实现零样本图学习，无需任务特定微调，提升图结构推理效率。
Comments 16 pages, 5 pages
奖励工程的终结：大型语言模型如何重新定义多智能体协调
机构 * New York University（纽约大学） ； Lerna AI
AI总结 本文探讨了大型语言模型如何通过语义奖励规范和动态适应替代传统奖励工程，重新定义多智能体协调。
基于回归调整的肖普利值和概率值蒙特卡洛估计器
机构 * Claremont McKenna College（克莱蒙特麦肯纳学院） ； New York University（纽约大学）
AI总结 本文提出了一种结合蒙特卡洛抽样与线性回归的回归调整方法，用于更高效地估计概率值，如肖普利值，在多个数据集上表现出更优的性能。
深度价值基准：衡量模型是泛化深度价值还是浅层偏好
机构 * University of Michigan Ann Arbor（密歇根大学安娜堡分校） ； New York University Shanghai（纽约大学上海）
AI总结 深度价值基准通过测试模型泛化深度价值还是浅层偏好，评估AI对齐的核心能力。
Comments NeurIPS 2025 (Spotlight)
以部署为中心的基础设施即代码生成：通过LLM赋能的DevOps模拟实现失败、学习、细化和成功
机构 * Australian National University Canberra Australia ； New York University \& Columbia University USA ； Nanyang Technological University Singapore ； Australian National University Australia ； Australian National University ； New York University \& Columbia University ； Nanyang Technological University
AI总结 本文提出IaCGen框架，通过迭代反馈机制提升IaC模板的部署性，实验表明其在10次迭代内可使模板部署成功率提升至91.6%，并进一步通过人工反馈将性能提升至90%以上。
Comments Accepted by FSE 2026
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