New York University（纽约大学）

Cyclic Denoising Reveals Ultrastable Memories in Diffusion Models

循环去噪揭示扩散模型中的超稳定记忆

Rishabh Sharma, Stefano Martiniani

机构 * Simons Center for Computational Physical Chemistry, New York University（纽约大学西蒙斯计算物理化学中心） ； Center for Soft Matter Research, Department of Physics, New York University（纽约大学物理系软物质研究中心） ； Center for Neural Science, New York University（纽约大学神经科学中心） ； Courant Institute of Mathematical Sciences, New York University（纽约大学库朗数学科学研究所） 纠错

AI总结 提出循环去噪方法，通过重复正向和反向扩散暴露扩散模型中的记忆化训练图像，无需梯度或提示，揭示超稳定吸引子及其隐私与版权影响。

Comments 22 pages, 7 main figures; supplementary material included. Supplementary movies available at the project webpage

Randomized YaRN Improves Length Generalization for Long-Context Reasoning

随机化 YaRN 提升长上下文推理的长度泛化能力

Manas Mehta, Fangcong Yin, Greg Durrett

机构 * New York University（纽约大学） 纠错

AI总结 提出随机化 YaRN 方法，通过结合 YaRN 位置外推、随机位置编码和长度课程，在短上下文训练数据上提升模型对长上下文（16K-128K）的推理性能。

Neural Parameter Calibration for Finite-State Mean Field Games

有限状态平均场博弈的神经参数校准

Anna C. M. Thöni, Grégoire Lambrecht, Gökçe Dayanıklı, Yonathan Efroni, Tal Kachman, Mathieu Laurière

机构 * Radboud University（拉德堡德大学） ； New York University（纽约大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Tel Aviv University（特拉维夫大学） ； New York University Shanghai（纽约大学上海） 纠错

AI总结 提出基于神经网络框架，通过隐式微分反向传播均衡，从观测群体动力学中学习有限状态平均场博弈的参数，无需个体动作或奖励数据。

MindTailor: Personalized Emotional Support via Post History-Grounded Case Formulation and Collaborative Refinement

MindTailor: 通过历史帖子基于案例构建和协作精炼的个性化情感支持

Suhyun Han, Kyunghyun Cho, JinYeong Bak

机构 * Sungkyunkwan University（成均馆大学） ； New York University（纽约大学） 纠错

AI总结 提出MindTailor框架，利用求助者历史帖子构建案例，并通过基于不同咨询策略的协作批评迭代精炼回复，在Reddit数据集上优于基线，提升共情和个性化。

Comments 45 pages, 21 figures

AI-Mediated Negotiation: Design Reflections and Lessons

AI中介谈判：设计反思与经验教训

Veda Duddu, Jash Rajesh Parekh, Andy Mao, Hanyi Min, Ziang Xiao, Vedant Das Swain, Koustuv Saha

机构 * University of Illinois Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Johns Hopkins University（约翰霍普金斯大学） ； New York University（纽约大学） 纠错

AI总结 通过构建理论驱动的教练系统Trucey并进行实验，发现对话AI在谈判准备中施加线性执行模型，而任务本质是递归的，静态手册反而优于AI条件，提出“先映射后路径，先路径后模拟”的序列原则。

Journal ref CSCW Companion '26: Companion Publication of the 2026 Conference on Computer-Supported Cooperative Work and Social Computing

Is Agent Code Less Maintainable Than Human Code?

智能体代码比人类代码更不易维护吗？

Shaswat Patel, Betty Li Hou, Arun Purohit, Kai Xu, Jane Pan, He He, Valerie Chen

机构 * New York University（纽约大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 研究通过CodeThread框架对比智能体与人类代码在维护场景下的表现，发现基于智能体代码解决任务的成功率下降高达13.1%，传统可维护性指标无法解释差异，而输入验证、错误处理等行为差异是关键因素。

Learning through Internalization

通过内化学习

Nikolaos Tsilivis, Nirmit Joshi, Marko Medvedev, Julia Kempe, Nati Srebro

机构 * New York University（纽约大学） ； Toyota Technological Institute at Chicago（丰田芝加哥技术研究所） ； University of Chicago（芝加哥大学） 纠错

AI总结 研究神经网络系统通过将显式计算过程吸收到自身权重中的内化机制，分析变换器如何内化半自动机模拟及链式思维令牌，首次证明简化单层变换器在奇偶性学习任务中成功内化的过程。

Comments first version, 43 pages

GEOPHYS: The Geometry of Physical Plausibility

GEOPHYS: 物理合理性的几何学

Christian Internò, Alexander Pondaven, Habon Issa, Fabio Pizzati, Francesco Pinto, Markus Olhofer, Ivan Laptev, Philip Torr, Eero P. Simoncelli, Barbara Hammer, David Klindt

机构 * Bielefeld University（比勒费尔德大学） ； University of Oxford（牛津大学） ； Cold Spring Harbor Laboratory（冷泉港实验室） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； Independent（独立作者） ； Honda Research Institute EU（本田欧洲研究院） ； New York University（纽约大学） ； Flatiron Institute, Simons Foundation（西蒙斯基金会熨斗研究所） 纠错

AI总结 提出GEOPHYS方法，利用冻结图像编码器的每帧嵌入的五个几何特征检测视频中的物理不合理性，在物理违反检测上达到SOTA，并作为验证器提升视频生成模型的物理一致性。

Closing the Calibration Gap in Semantic Caching

缩小语义缓存中的校准差距

Aditeya Baral, Radoslav Ralev, Iliya Sotirov Zhechev, Srijith Rajamohan, Jen Agarwal

机构 * New York University（纽约大学） ； Redis（Redis公司） 纠错

AI总结 针对语义缓存系统中离线指标与部署性能的差距，提出P-CHR AUC和CRR指标，发现校准差距由训练目标主导，模型选择本质是校准问题。

Comments 23 pages, 2 figures. Source code: https://github.com/aditeyabaral/calibration-gap-semantic-caching ; Models and Datasets: https://huggingface.co/redis

Scaling Self-Play for End-to-End Driving

扩展端到端驾驶的自我对弈

Luke Rowe, Roger Girgis, Rodrigue de Schaetzen, Daphne Cornelisse, Alaap Grandhi, Felix Heide, Eugene Vinitsky, Christopher Pal, Liam Paull

机构 * Mila（米拉研究所） ； Université de Montréal（蒙特利尔大学） ； Polytechnique Montréal（蒙特利尔理工学院） ； Torc Robotics ； NYU Tandon School of Engineering（纽约大学坦登工程学院） ； McMaster University（麦克马斯特大学） ； Princeton University（普林斯顿大学） 纠错

AI总结 提出大规模自我对弈训练策略，通过高效模拟器Gigapixel实现像素级自我对弈，结合DAgger蒸馏和感知适应，提升端到端驾驶模型性能。

Small LLMs: Pruning vs. Training from Scratch

小型LLM：剪枝 vs. 从头训练

Yufeng Xu, Taiming Lu, Kunjun Li, Jiachen Zhu, Mingjie Sun, Zhuang Liu

机构 * Princeton University（普林斯顿大学） ； New York University（纽约大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文通过六种剪枝方法在Llama-3.1-8B上比较剪枝与从头训练，发现有限预算下剪枝更优，预算充足时粗粒度剪枝可被超越。

Comments Our code is available at https://github.com/zlab-princeton/pruning-vs-scratch

Circuit Synchronization Precedes Generalization: A Causal Precursor to Grokking

电路同步先于泛化：来自Grokking Transformer中傅里叶结构的因果证据

Achyuthan Sivasankar

机构 * New York University（纽约大学） 纠错

AI总结 提出频率同步度（FSD）指标，发现其在模算术任务中比grokking早500-3000步同步，且通过权重衰减控制验证了间隔期的正则化本质，提供因果证据。

Comments 19 pages, 9 figures, 11 tables. v2: corrected scaling-law to report error bars across seeds (R^2 0.89-0.99) rather than single-draw fits; added non-abelian (S5) transfer experiment; revised title

Multi-Task Bayesian In-Context Learning

多任务贝叶斯上下文学习

Qingyang Zhu, Eric Karl Oermann, Kyunghyun Cho

机构 * New York University（纽约大学） 纠错

AI总结 提出多任务上下文学习框架，通过将先验信息表示为上下文数据集前缀，训练Transformer实现分层贝叶斯预测推理，在多种分布偏移下匹配最优贝叶斯性能且速度提升数个数量级。

Comments ICML 2026

Adaptive Distance-Aware Trunk Deep Operator Learning for Long-Span Roadway Bridges

自适应距离感知主干深度算子学习用于大跨度公路桥梁

Bilal Ahmed, Diab W. Abueidda, Waleed El-Sekelly, Tarek Abdoun, Mostafa E. Mobasher

机构 * Urban Engineering Department , addressline= New York University Abu Dhabi , country= United Arab Emirates ； organization= National Center for Supercomputing Applications , addressline= University of Illinois at Urbana-Champaign , country= United States of America ； organization= Department of Structural Engineering , addressline= Mansoura University , country= Mansoura, Egypt 纠错

AI总结 提出自适应主干DeepONet框架，通过KNN构建荷载相关学习域、距离感知特征和刚度-informed Schur补全重建，实现大跨度桥梁局部响应高精度快速预测，相对误差低于5%，速度提升约60倍。

Comments 39 pages, 26 figures

SL-S4Wave: Self-Supervised Learning of Physiological Waveforms with Structured State Space Models

SL-S4Wave：基于结构化状态空间模型的生理波形自监督学习

Feng Wu, Harsh Deep, Eric Lehman, Sanyam Kapoor, Guoshuai Zhao, Rahul Krishnan, Gari Clifford, Li-wei H Lehman

机构 * Massachusetts Institute of Technology（麻省理工学院） ； OpenEvidence, USA（OpenEvidence（美国）） ； New York University（纽约大学） ； Xi’an Jiaotong University（西安交通大学） ； University of Toronto（多伦多大学） ； Emory University（埃默里大学） 纠错

AI总结 提出SL-S4Wave框架，结合对比学习与基于结构化状态空间模型的编码器，通过多尺度子核全局卷积捕获多通道生理波形的局部和长程依赖，在心律失常检测等任务中优于现有方法。

Exit-and-Join Dynamics for Decentralized Coalition Formation

去中心化联盟形成的退出与加入动力学

Quanyan Zhu

机构 * New York University Tandon School of Engineering（纽约大学坦登工程学院） ； Department of Electrical and Computer Engineering（电气与计算机工程系） 纠错

AI总结 研究基于单边退出与加入决策的去中心化联盟形成动力学，利用Aumann-Dreze值计算个体收益，建立合作支付分配与非合作最优反应的关联，并分析均衡特征及成本对局部稳定性的影响。

S-JEPA : Soft Clustering Anchors for Self-Supervised Speech Representation Learning

S-JEPA：用于自监督语音表示学习的软聚类锚点

Georgios Ioannides, Adrian Kieback, Judah Goldfeder, Linsey Pang, Aman Chadha, Aaron Elkins, Yann LeCun, Ravid Shwartz-Ziv

机构 * Carnegie Mellon University（卡内基梅隆大学） ； New York University（纽约大学） ； James Silberrad Brown Center for AI（詹姆斯·西尔伯拉德·布朗人工智能中心） ； Columbia University（哥伦比亚大学） ； Northeastern University（东北大学） ； Stanford University（斯坦福大学） ； Amazon GenAI（亚马逊生成式人工智能） 纠错

AI总结 提出S-JEPA，通过KL散度匹配高斯混合模型的软后验概率训练编码器-预测器对，无需离线重聚类或教师蒸馏，在SUPERB协议下以低于90M参数取得最低WER，并建立新的帕累托前沿。

Human-like autonomy emerges from self-play and a pinch of human data

类人自主性从自我对弈和少量人类数据中涌现

Daphne Cornelisse, Julian Hunt, Zixu Zhang, Waël Doulazmi, Kevin Joseph, Jaime Fernández Fisac, Eugene Vinitsky

机构 * NYU Tandon School of Engineering（纽约大学坦登工程学院） ； NYU Courant（纽约大学库朗数学科学研究所） ； Princeton University（普林斯顿大学） ； Centre for Robotics, Mines Paris（巴黎矿业大学机器人中心） ； Valeo（法雷奥） 纠错

AI总结 提出一种结合自我对弈强化学习与少量人类演示的正则化方法，仅用30分钟人类数据即可训练出与人类协调的驾驶策略，训练时间仅15小时。

Comments 10 pages

Computational Identifiability

计算可识别性

Lucius E. J. Bynum, Rajesh Ranganath, Kyunghyun Cho

机构 * New York University（纽约大学） 纠错

AI总结 提出“计算可识别性”框架，通过有限计算搜索过程在指定误差容限内找到经验估计量，从而解决理论可识别性在有限样本、模糊图标准等实际场景中的不足。

Robust $Q$-learning for mean-field control under Wasserstein uncertainty in common noise

公共噪声Wasserstein不确定性下的平均场控制鲁棒$Q$-学习

Mathieu Laurière, Ariel Neufeld, Kyunghyun Park

机构 * Shanghai Center for Data Science（上海数据科学研究中心） ； NYU-ECNU Institute of Mathematical Sciences, NYU Shanghai（纽约大学-复旦大学数学科学研究所，纽约上海） ； Division of Mathematical Sciences, Nanyang Technological University（南洋理工大学数学科学学院） 纠错

AI总结 提出一种针对公共噪声分布Wasserstein不确定性的离散时间平均场控制鲁棒$Q$-学习算法，结合量化投影与Wasserstein对偶，证明同步和异步学习的收敛性及有限时间界，并在系统风险和流行病模型中验证鲁棒性-性能权衡。

Human Universal Grasping

人类通用抓取

Kevin Yuanbo Wu, Tianxing Zhou, Isaac Tu, Billy Yan, Irmak Guzey, David Fouhey, Dandan Shan, Lerrel Pinto

机构 * New York University（纽约大学） ； Tsinghua University（清华大学） ； University of Michigan（密歇根大学） 纠错

AI总结 提出HUG模型，利用人类抓取数据（1M-HUG数据集）和流匹配方法，从单张RGB-D图像生成多样化抓取姿态，并重定向到机器人手，实现零样本抓取，在HUG-Bench上超越基线23%-34%。

Comments 28 pages, 20 figures, 7 tables

A Variational Framework for LLM Generator-Regulator Games

大语言模型生成器-调节器博弈的变分框架

Quanyan Zhu

机构 * Department of Electrical and Computer Engineering, Tandon School of Engineering, New York University, Brooklyn, NY, USA（电气工程系，工程学院，纽约大学，布鲁克林，纽约，美国） 纠错

AI总结 提出一个变分框架，将语言生成建模为熵正则化吉布斯分布，将调节建模为最优判别器，通过鞍点问题平衡效用、熵、调节一致性和有限长度可检测性，并通过审查过滤和钓鱼防御案例验证。

The Chandra-Gaia Catalog of Counterparts: Resolving ambiguous Gaia matches to X-ray sources in the Chandra Source Catalog using Machine Learning

钱德拉-盖亚对应体星表：利用机器学习解决钱德拉源星表中X射线源与盖亚源的多重匹配歧义

V. Samuel Pérez-Díaz, Vinay L. Kashyap, Joshua D. Ingram, David Fouhey, Juan Rafael Martínez-Galarza, Pavlos Protopapas, Jeremy J. Drake, Dong-Woo Kim, Cecilia Garraffo

机构 * Center for Astrophysics Harvard \& Smithsonian, 60 Garden St, Cambridge MA 02138, USA ； Harvard John A. Paulson School of Engineering ； Universidad del Rosario, School of Engineering, Science ； The NSF AI Institute for Artificial Intelligence ； New York University, Courant Institute, 60 5th Avenue, New York NY, USA ； Carnegie Mellon University, 5000 Forbes Avenue, Pittsburgh, PA 15213 ； New College of Florida, 5800 Bayshore Road, Sarasota, FL 34243, USA ； Astrophysics Laboratory, 3251 Hanover St, Palo Alto, CA 94304, USA 纠错

AI总结 提出结合源属性（星等、颜色、距离）的机器学习框架，解决钱德拉源星表与盖亚源星表的交叉匹配歧义，为约11.3万个X射线源找到对应体，并识别约2万个假匹配。

Comments Accepted to The Astrophysical Journal. Website: https://www.samuelperezdi.com/chandragaia/

Improving and Evaluating Hand-Object Interaction Detection

改进和评估手-物体交互检测

Ahmad Darkhalil, Dima Damen, David Fouhey

机构 * School of Computer Science, University of Bristol, Bristol, UK（布里斯托大学计算机科学学院） ； Computer Science and Electrical and Computer Engineering, New York University, NY, US（纽约大学计算机科学与电气与计算机工程系） 纠错

AI总结 提出HOI-DETR框架，将手-物体和物体-物体交互引入Co-DETR架构，在四个数据集上显著提升检测性能，mAP提升超过20个百分点。

Comments Project page: https://ahmaddarkhalil.github.io/HOI-DETR/

Learning a Maximum Entropy Model for Visual Textures using Diffusion

使用扩散学习视觉纹理的最大熵模型

Xinyuan Zhao, Eero P. Simoncelli

机构 * New York University（纽约大学） ； Flatiron Institute（熨斗研究所） 纠错

AI总结 提出首个基于扩散模型无监督学习最大熵模型统计量的纹理建模方法，仅用512个统计量即可生成质量优于或媲美当前最优模型（约177k统计量）的纹理图像，并实现平滑插值。

Can LLM Agents Infer World Models? Evidence from Agentic Automata Learning

LLM智能体能否推断世界模型？来自智能体自动机学习的证据

Reef Menaged, Gili Lior, Shauli Ravfogel, Roee Aharoni, Gabriel Stanovsky

机构 * The Hebrew University of Jerusalem（海法大学） ； New York University（纽约大学） ； Google Research（谷歌研究） 纠错

AI总结 提出智能体自动机学习框架，通过成员查询和等价查询评估LLM智能体发现隐藏确定性有限自动机的能力，发现性能随DFA规模增加而急剧下降，推理模型优于非推理模型但仍存在规划、整合和假设构建缺陷。

You Don't Need Strong Assumptions: Visual Representation Learning via Temporal Differences

你不需要强假设：通过时间差异进行视觉表示学习

Ninad Daithankar, Alexi Gladstone, Yann LeCun, Heng Ji

机构 * UIUC（伊利诺伊大学厄巴纳-香槟分校） ； New York University（纽约大学） 纠错

AI总结 提出TDV方法，基于因果假设（过去导致未来）从视频中自监督学习，避免强归纳偏置，在密集空间任务上达到SOTA。

AQ4SViT: An Automated Quantization Framework with Search Gating Policy for Compressing Spiking Vision Transformers

AQ4SViT：一种用于压缩脉冲视觉Transformer的自动化量化框架与搜索门控策略

Rachmad Vidya Wicaksana Putra, Saad Iftikhar, Muhammad Shafique

机构 * eBRAIN Lab, Division of Engineering, New York University (NYU) Abu Dhabi（eBRAIN实验室，工程学院，纽约大学（NYU）阿布扎克分校） ； New York University (NYU) Abu Dhabi, United Arab Emirates (UAE)（纽约大学（NYU）阿布扎克分校，阿拉伯联合酋长国（UAE）） 纠错

AI总结 提出AQ4SViT自动化量化框架，通过量化搜索策略和基于膜电位漂移的搜索门控策略，快速找到精度与内存的平衡点，实现脉冲视觉Transformer的高效压缩。

Comments 8 pages, 4 figures, 2 tables

Frame-Conditioned Moral Computation in LLaMA 3.1-8B-Instruct: A Mechanistic Interpretability Audit of Ethical Reasoning

LLaMA 3.1-8B-Instruct中的框架条件化道德计算：伦理推理的机械可解释性审计

Ali Dasdan, Manan Shah, W. Russell Neuman, Chad Coleman, Kund Meghani, Safinah Ali

机构 * KD Consulting, CA, USA（KD咨询公司，美国加利福尼亚州） ； New York University, NY, USA（纽约大学，美国纽约州） 纠错

AI总结 通过机械可解释性平台分析LLaMA 3.1-8B-Instruct在54个道德提示上的内部计算，发现情境锚定效应：领域特定表示主导激活列表顶部，模型道德能力恒定但显著性高度依赖于提示选择的解释框架。

Comments 47 pages, 10 figures

Cognitive Debt: AI as Intellectual Leverage and the Dynamics of Systemic Fragility

认知债务：作为智力杠杆的AI与系统性脆弱性的动态机制

Shuchen Meng

机构 * New York University（纽约大学） 纠错

AI总结 本文提出认知债务的形式化理论，通过建立包含认知资本和认知债务的状态变量模型，证明理性代理人会积累认知债务，并导致认知明斯基时刻和系统性脆弱性。

Comments 46 pages, 3 figures. Preliminary version; comments welcome