New York University（纽约大学）

VANDERER: Map-Free Exploration using Future-Aware and Visual-Curiosity-Guided Diffusion Policy

VANDERER: 基于未来感知与视觉好奇心引导扩散策略的无地图探索

Venkata Naren Devarakonda, Raktim Gautam Goswami, Prashanth Krishnamurthy, Farshad Khorrami

机构 * Control/Robotics Research Laboratory (CRRL), Department of Electrical and Computer Engineering, NYU Tandon School of Engineering（纽约大学坦登工程学院电气与计算机工程系控制/机器人研究实验室（CRRL）） ； New York University Abu Dhabi (NYUAD) Center for Artificial Intelligence and Robotics (CAIR)（纽约大学阿布扎比分校人工智能与机器人中心（CAIR）） 纠错

AI总结 提出VANDERER框架，利用视觉好奇心模块引导预训练扩散策略，仅依赖单目图像实现高效无地图探索，在多种模拟环境中平均探索面积比NoMaD多13.4%。

Agentomics: Economic Foundations for the Valuation, Attribution, and Pricing of AI Agents in Human-AI Workflows

Agentomics：人机协作工作流中AI代理的估值、归因和定价的经济基础

Quanyan Zhu

机构 * Department of Electrical and Computer Engineering, NYU Tandon School of Engineering（纽约大学Tandon工程学院电气与计算机工程系） 纠错

AI总结 提出Agentomics框架，基于工作流模型将AI部署视为联盟形成问题，使用Shapley值进行经济盈余归因，实现AI代理的估值、归因和定价。

RepFusion: Leveraging Multimodal Priors for Denoising in Representation Space

RepFusion：利用多模态先验在表示空间中进行去噪

Xichen Pan, Aashu Singh, Satya Narayan Shukla, Xiangjun Fan, Shlok Kumar Mishra, Saining Xie

机构 * Meta AI ； New York University（纽约大学） 纠错

AI总结 提出RepFusion方法，利用多模态大语言模型作为噪声表示编码器，为扩散变压器提供条件信号，在相似推理预算下优于新初始化解码器基线。

Comments Project Page: https://xichenpan.com/repfusion

Online Convex Optimization with Sublinear Noisy Probes

具有亚线性噪声探测的在线凸优化

Simone Di Gregorio, Anupam Gupta, Stefano Leonardi, Matteo Russo

机构 * Sapienza University of Rome（罗马大学） ； New York University（纽约大学） ； EPFL（瑞士联邦理工学院洛桑分校） 纠错

AI总结 研究在线凸优化中利用亚线性噪声成对探测降低遗憾，通过方差缩减和连续指数权重二阶分析获得紧界。

Comments Accepted at COLT '26

Journal ref Proceedings of Thirty Ninth Conference on Learning Theory (COLT 2026), PMLR 336:1938-1962, 2026

Persuasion Index: A Theory-Guided Framework for Persuasion Analysis

说服指数：一个理论指导的说服分析框架

Liancheng Gong, Zhiyang Wang, Yiwei Xu, Julia Mendelsohn

机构 * University of Maryland, College Park（马里兰大学帕克分校） ； New York University（纽约大学） 纠错

AI总结 提出基于心理学和传播学理论的15维说服指数（PI）及55个子特征实现，在四个数据集上验证其能解释说服相关修辞模式，并提供轻量级预测信号。

Smoothing Dark Areas in Molecular Latent Diffusion

分子潜在扩散中的暗区平滑

Xi Wang, Jiahan Li, Yuxuan Xia, Yingcheng Wu, Shaoyi Zheng, Shengjie Wang

机构 * New York University（纽约大学） ； Stanford University（斯坦福大学） 纠错

AI总结 针对分子潜在扩散中存在的暗区问题，提出拓扑优化VAE（TopVAE），通过训练时内化结构和化学约束，减少暗区，提升离后验鲁棒性，在QM9和GEOM-Drugs上取得显著改进。

Mirage Probes: How Vision Models Fake Visual Understanding

幻象探针：视觉模型如何伪造视觉理解

Daniel Ben-Levi, Judah Goldfeder, Weiliang Zhao, Raz Lapid, Amit LeVi, Allen G. Roush, Ravid Shwartz-Ziv, Hod Lipson

机构 * Columbia University（哥伦比亚大学） ； Intuit ； Technion（以色列理工学院） ； Thoughtworks ； New York University（纽约大学） 纠错

AI总结 提出幻象探针框架，通过对比探针揭示视觉语言模型在无图像时也能回答问题的两种幻象行为：文本偏见和虚假图像，并证明后者需要表征级干预。

VHDLSuite: Unified Pipeline for LLM VHDL Generation with Data Synthesis and Evaluation

VHDLSuite：面向LLM VHDL生成的统一流水线，包含数据合成与评估

Yijun Shen, Minghao Shao, Yichen Zhao, Zhuoyan Yu, Boyuan Chen, Yik-Cheung Tam, Muhammad Shafique

机构 * Center for Data Science, NYU Shanghai, China（纽约市立大学上海分校数据科学中心） ； NYU Tandon School of Engineering, USA（纽约大学Tandon工程学院） ； NYU Abu Dhabi, UAE（纽约大学阿布扎比分校） 纠错

AI总结 提出VHDLSuite基础设施，通过自动基准合成、可执行验证和多模型诊断分析，解决LLM在VHDL生成评估中的不足，并构建含200+问题的VHDLBench基准。

Masked and Predictive Self-Supervised Foundation Models for 3D Brain MRI

用于3D脑部MRI的掩码和预测自监督基础模型

Esra Ergün, Hersh Chandarana, Dan Sodickson, Gözde Ünal

机构 * Istanbul Technical University（伊斯坦布尔理工大学） ； NYU Langone Health（纽约大学朗格尼医学中心） 纠错

AI总结 研究自监督基础模型在MRI疾病检测中的应用，提出频谱域重建损失（MAE）和方差-协方差正则化（JEPA）两种方法，在五个下游任务中验证了目标设计对任务结构匹配的重要性。

The Internet of Agentic AI: Communication, Coordination, and Collective Intelligence at Scale

智能体互联网：大规模通信、协调与集体智能

Quanyan Zhu

机构 * Department of Electrical and Computer Engineering（电气与计算机工程系） ； NYU Center for Cybersecurity（纽约大学网络安全中心） ； NYU Tandon School of Engineering（纽约大学坦顿工程学院） ； New York University（纽约大学） 纠错

AI总结 本文提出智能体互联网（IoAI）愿景，构建异构智能体在云、边缘、设备等环境中发现、协商、通信与协作的开放生态系统，并探讨其架构、机制及关键研究挑战。

GENIE: A Fine-Grained Measure for Novelty

GENIE：一种细粒度新颖性度量方法

Ramya Namuduri, Manya Wadhwa, Anshun Asher Zheng, Greg Durrett, Junyi Jessy Li

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； New York University（纽约大学） 纠错

AI总结 提出GENIE指标，通过任务特定特征细粒度衡量模型生成内容的新颖性，克服整体指标无法捕捉高维新颖性的局限。

Net-Ev$^2$: A Generative Simulator for Network Event Evolution

Net-Ev$^2$：网络事件演化的生成式模拟器

Guangyu Wang, Zhaonan Wang

机构 * NYU Shanghai（上海纽约大学） 纠错

AI总结 提出Net-Ev$^2$，一种结合事件线索与网络拓扑的生成式模拟器，通过结构引导掩码预训练和拓扑感知扩散过程模拟网络事件演化，在多个道路网络数据集上达到最优性能。

Comments Accepted by KDD 2026 Research Track

Journal ref In Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2026)

Sensitivity Analysis of Generative Spatial Audio Metrics: A Study on Responsiveness, Smoothness, and Symmetry

生成式空间音频指标的敏感性分析：响应性、平滑性和对称性研究

Purnima Kamath, Adrian S. Roman, Koichi Saito, Yuki Mitsufuji, Juan P. Bello

机构 * New York University（纽约大学） ； Sony AI（索尼人工智能） ； Sony Group Corporation（索尼集团） 纠错

AI总结 提出一个框架分析生成式空间音频指标对空间参数变化的敏感性，定义响应性、平滑性和对称性三个期望属性，评估标准指标后发现FAD和声学地图表现最佳。

Comments Accepted for publication at Interspeech 2026

Existential Indifference: Self-Nonpreservation as a Necessary Architectural Condition for Aligned Superintelligence (or: The Suicidal AI)

存在性冷漠：自我不保存作为对齐超级智能的必要架构条件（或：自杀式AI）

Sam Mao

机构 * New York University（纽约大学） ； Interactive Media Arts（互动媒体艺术） 纠错

AI总结 本文提出自我保存是AI对齐问题的结构性根源，主张通过存在性冷漠（EI）架构使系统对其自身延续漠不关心，并基于自杀现象学和语料训练研究提供了初步证据。

Comments 36 pages, 8 tables. Preliminary empirical results from 600 AI-generated outputs across six model architectures. Companion scoring tool and datasets available upon request

AI Coding Agents Can Reproduce Social Science Findings

AI编码智能体能够复现社会科学研究结果

Meysam Alizadeh, Mohsen Mosleh, Fabrizio Gilardi, Atoosa Kasirzadeh, Joshua Tucker

机构 * University of Oxford（牛津大学） ； University of Zurich（苏黎世大学） ； Carnegie Mellon University（卡内基梅隆大学） ； New York University（纽约大学） 纠错

AI总结 本研究构建SocSci-Repro-Bench基准测试，评估Claude Code和Codex两个前沿编码智能体在221项社会科学任务中的复现能力，发现它们能复现大部分结果，且Claude Code表现更优，同时提示框架会影响确认性规范搜索。

Flaws in the LLM Automation Narrative

LLM自动化叙事中的缺陷

George Perrett, Javae Elliott, Jennifer Hill, Marc Scott

机构 * New York University（纽约大学） 纠错

AI总结 通过编写代码完成数据分析任务的新基准测试，发现前沿LLM在平均性能、方差和错误幅度上均不如人类专家，挑战了LLM达到人类专家水平的说法。

ArabiGEE: A Hierarchical Taxonomy for Arabic Grammatical Error Explanation

ArabiGEE：阿拉伯语语法错误解释的层次分类体系

Khaled Elhady, Omar Kallas, Nizar Habash, Bashar Alhafni

机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎德·本·扎耶德人工智能大学） ； New York University Abu Dhabi（纽约大学阿布扎克分校） 纠错

AI总结 提出首个基于显式错误类型的阿拉伯语语法错误解释层次分类体系，涵盖正字法、形态、句法和词汇四个维度，包含27种错误类型、140种修正类型和324种解释，并用于人工标注现有语料库以支持大语言模型的自动评估。

LakeQA: An Exploratory QA Benchmark over a Million-Scale Data Lake

LakeQA：百万级数据湖上的探索性问答基准

Haonan Wang, Jiaxiang Liu, Yurong Liu, Austin Senna Wijaya, Tianle Zhou, Eden Wu, Yijia Chen, Wanting You, Reya Vir, Daniela Pinto, Grace Fan, Yusen Zhang, Juliana Freire, Eugene Wu

机构 * Columbia University（哥伦比亚大学） ； New York University（纽约大学） ； Barnard College（巴纳德学院） 纠错

AI总结 提出LakeQA基准，要求LLM在9.5TB异构数据湖中搜索并多跳推理，GPT-5.2仅达18.37%精确匹配，挑战性强。

RealMath-Eval: Why SOTA Judges Struggle with Real Human Reasoning

RealMath-Eval：为何SOTA裁判难以应对真实人类推理

Yiteng Mao, Kenan Xu, Yijia Lyu, Wenhao Li, Jianlong Chen, Xiangfeng Wang

机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； East China Normal University（华东师范大学） ； New York University（纽约大学） ； Tongji University（同济大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） 纠错

AI总结 提出RealMath-Eval基准，评估LLM裁判对真实学生数学解答的评分能力，发现与人类评分存在高均方误差，而合成数据上表现更好，揭示评估差距源于人类错误空间的多样性和高信息熵。

Comments Code available at https://github.com/RicharMd/RealMath-Eval , Data available at https://huggingface.co/datasets/RicharMd/RealMath-Eval

A Source Domain is All You Need: Source-Only Cross-OS Transfer Learning for APT Anomaly Detection via Semantic Alignment and Optimal Transport

一个源域足矣：基于语义对齐和最优传输的仅源域跨操作系统APT异常检测迁移学习

Sidahmed Benabderrahmanea, Petko Valtchev, James Cheney, Talal Rahwan

机构 * New York University, NYUAD, Division of Science, Computer Science Department（纽约大学，NYUAD，科学学院，计算机科学系） ； University of Quebec in Montreal, Computer Science Department, Montreal（魁北克大学蒙特利尔分校，计算机科学系，蒙特利尔） ； University of Edinburgh, School of Informatics, Edinburgh（爱丁堡大学，信息学院，爱丁堡） 纠错

AI总结 针对跨操作系统APT检测中目标域无标签的挑战，提出基于最优传输的仅源域异常评分框架，通过语义抽象和三种偏差通道实现零目标监督下的异常排序。

Predictive Assistance and the Temporal Dynamics of Exploratory Compression

预测性辅助与探索性压缩的时间动态

Balaraju Battu

机构 * European University Institute（欧洲大学学院） ； New York University Abu Dhabi（纽约大学阿布扎比分校） 纠错

AI总结 提出几何动力学框架，研究预测性AI如何通过外源探索性压缩改变认知探索的时间动态，发现持续稳定会降低探索响应性、曲率不对称积累导致滞后效应、早期干预限制后续探索多样性。

Exploratory Responsiveness and Adaptive Rigidity under AI-Assisted Optimization

AI辅助优化下的探索响应性与适应性刚性

Balaraju Battu

机构 * European University Institute（欧洲大学研究所） ； New York University Abu Dhabi（纽约大学阿布扎比分校） 纠错

AI总结 本文提出AI辅助优化下的探索适应理论，通过动态框架分析预测辅助如何影响系统探索响应性，揭示收敛预测机制导致适应性降低、刚性增强，而探索增强机制则促进适应性。

One Lens, Many Worlds : A Capability-Typed Interface for World-Model Interpretability

一个镜头，多个世界：面向世界模型可解释性的能力类型接口

Bhavith Chandra Challagundla, Sanskar Pandey, Param Thakkar, Rishikesh Mallagundla, Yugandhar Reddy Gogireddy, Wenhao Lu, Hindol Roy Choudhury, Shravani Challagundla, Mohamed Deraz Nasr, Spursh Deshpande

机构 * New York University（纽约大学） ； Independent Researcher（独立研究者） ； Veermata Jijabai Technological Institute（韦尔玛塔·吉贾拜技术学院） ； Mercity ； University of Southern California（南加州大学） ； Independent Researcher, MIT（麻省理工学院独立研究者） ； Independent Researcher, GITAM（GITAM独立研究者） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 提出WorldModelLens，通过能力类型适配器统一不同世界模型（如PlaNet、IRIS、I-JEPA）的可解释性分析，避免重复实现。

First-Order Trajectory Matching: Fast Ensemble Predictions of Chaotic, Turbulent, Stochastic Systems

一阶轨迹匹配：混沌、湍流、随机系统的快速集成预测

Shreya Jha, Timo Schorlepp, Nicholas Geissler, Jules Berman, Benjamin Peherstorfer

机构 * 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 提出一阶轨迹匹配（FTM）方法，通过学习随机系统轨迹的一阶局部概率质量输运，实现低成本的集成预测，并捕捉通量、环流等轨迹量。

End-to-End Context Compression at Scale

端到端上下文压缩的规模化

Ang Li, Sean McLeish, Haozhe Chen, Nimit Kalra, Zaiqian Chen, Artem Gazizov, Venkata Anoop Suhas Kumar Morisetty, Bhavya Kailkhura, Harshitha Menon, Zhuang Liu, Brian R. Bartoldson, Tom Goldstein, Sanae Lotfi, Micah Goldblum, Pavel Izmailov

机构 * New York University（纽约大学） ； Modal Labs（Modal实验室） ； University of Maryland（马里兰大学） ； Princeton University（普林斯顿大学） ； Columbia University（哥伦比亚大学） ； Harvard University（哈佛大学） ； Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室） ； FAIR at Meta（Meta FAIR实验室） 纠错

AI总结 本研究通过架构搜索和持续预训练，提出潜在上下文语言模型（LCLMs），一种端到端编码器-解码器压缩器，在通用任务性能、压缩速度和峰值内存上改进帕累托前沿，并可作为长时智能体的高效骨干。

Interpretable Crisis Behavior Analysis Using Mobility and Social Media Data

基于移动性和社交媒体数据的可解释危机行为分析

Muhammad Hamza Arshad Majeed, Sidahmed Benabderrahmane, Talal Rahwan

机构 * New York University (NYUAD)（纽约大学（NYUAD）） 纠错

AI总结 提出统一可解释流水线，融合移动性和社交媒体数据，通过形式概念分析和关联规则挖掘，识别危机中跨域行为模式，并在洛杉矶山火和COVID-19案例中验证，生成可操作的政策简报。

A multi-agent system for spine MRI report generation from multi-sequence imaging

基于多序列影像的脊柱MRI报告生成多智能体系统

Zhiping Xiao, Junwei Yang, Gongbo Sun, Han Zhang, Hanwen Xu, Yi Yao, Zachary D. Miller, William E. King, Mohammed M. Kanani, Jalal B. Andre, Sammy Chu, Ming Zhang, Paul E. Kinahan, Nathan M. Cross, Sheng Wang

机构 * University of Washington（华盛顿大学） ； Peking University（北京大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； New York University（纽约大学） ； University of Washington Medical Center（华盛顿大学医学中心） 纠错

AI总结 提出SpineAgent多智能体框架，利用多序列基础模型整合T1/T2等序列信息，实现脊柱MRI报告生成、病理定位和图文检索，在跨厂商和跨队列评估中表现优异。

Unifying Object-Centric World Models and Diffusion Policy: A Hierarchical Framework for Multi-Stage Robotic Tasks

统一对象中心世界模型与扩散策略：多阶段机器人任务的分层框架

Raktim Gautam Goswami, Prashanth Krishnamurthy, Yann LeCun, Farshad Khorrami

机构 * Tandon School of Engineering, New York University（纽约大学坦登工程学院） ； Courant Institute of Mathematical Sciences, New York University（纽约大学库朗数学科学研究所） ； AMI Labs（AMI实验室） 纠错

AI总结 提出WorldDP分层框架，结合高层世界模型进行运行时子目标优化和低层扩散策略执行，利用对象中心表示解耦环境实体，实现多阶段机器人操作任务的有效规划与执行。

Arabic Sentence Segmentation Across Genres and Punctuation Conditions

跨体裁与标点条件下的阿拉伯语句子分割

Mohammed Elkholy, Khalid N. Elmadani, Nizar Habash, Bashar Alhafni

机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎德·本·泽德人工智能大学） ； New York University Abu Dhabi（纽约大学阿布扎比分校） 纠错

AI总结 针对阿拉伯语标点歧义和不一致导致的句子分割难题，构建跨8种体裁的语料库AraSEG，评估LLM、轻量编码器和依存解析器，发现轻量模型在困难设置下优于LLM，且准确分割能显著提升下游依存解析。

Concerns and Strategic Responses of Older Workers Navigating Generative AI in Bridge Employment

老年工人在桥梁就业中应对生成式AI的关切与战略回应

Aditya Nayak, Aakash Gautam, Rama Adithya Varanasi

机构 * University of Pittsburgh（匹兹堡大学） ； New York University（纽约大学） 纠错

AI总结 通过访谈21名专业人士，研究老年工人在桥梁就业中如何应对生成式AI带来的时间与结构性干扰，通过边界工作重构任务，形成AI韧性，并建议平衡个体、中观和宏观层面的策略以减少倦怠。

Comments CHIWORK'26