高校专区
RepFusion：利用多模态先验在表示空间中进行去噪
机构 * Meta AI ； New York University（纽约大学）
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
具有亚线性噪声探测的在线凸优化
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）
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
说服指数：一个理论指导的说服分析框架
机构 * University of Maryland, College Park（马里兰大学帕克分校） ； New York University（纽约大学）
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。
分子潜在扩散中的暗区平滑
机构 * New York University（纽约大学） ； Stanford University（斯坦福大学）
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。
幻象探针：视觉模型如何伪造视觉理解
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）
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：面向LLM VHDL生成的统一流水线，包含数据合成与评估
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）
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。
Pix2Fact: 当视觉不够时——基于网络验证的细粒度VQA基准测试
机构 * GADE Union (Global AI Data Experts Union)（GADE联盟（全球人工智能数据专家联盟）） ； Shanghai Jiao Tong University（上海交通大学） ； Nanyang Technological University（南洋理工大学） ； New York University（纽约大学） ； Cambridge University（剑桥大学） ； The University of Hong Kong（香港大学）
AI总结 本文提出Pix2Fact基准测试，通过高分辨率真实场景中的网络验证，评估细粒度视觉问答中的专家级视觉感知和知识搜索能力，发现现有模型在复杂任务中存在显著不足。
MMRINet: 基于Mamba的高效双路径细化分割网络用于低资源MRI分析
机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； New York University（纽约大学）
AI总结 提出MMRINet，一种基于Mamba的轻量级分割网络，通过双路径特征细化和渐进特征聚合，在低资源MRI分析中以2.5M参数实现高效分割，在SSA数据集上优于UNETR等基线。
Comments Accepted at The Medical Image Understanding and Analysis Conference (MIUA 2026)
用于3D脑部MRI的掩码和预测自监督基础模型
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）
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。
智能体互联网：大规模通信、协调与集体智能
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）
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：一种细粒度新颖性度量方法
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）
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$^2$：网络事件演化的生成式模拟器
机构 * NYU Shanghai（上海纽约大学）
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)
真实噪声合成减少偏差并改善有监督机器学习的组织微结构估计
机构 * Robarts Research Institute, Schulich School of Medicine and Dentistry, The University of Western Ontario（罗巴茨研究所在，施密特医学与牙科学院，温哥华大学） ； Center for Biomedical Imaging, Department of Radiology, NYU Grossman School of Medicine（生物医学成像中心，放射科，纽约大学格罗斯曼医学院） ； Cardiff University Brain Research Imaging Center (CUBRIC), School of Psychology, Cardiff University（卡迪夫大学脑研究成像中心（CUBRIC），心理学学院，卡迪夫大学） ； School of Computer Science and Informatics, Cardiff University（计算机科学与信息学院，卡迪夫大学） ； Laboratorio de Procesado de Imagen, Universidad de Valladolid（图像处理实验室，瓦尔达利德大学） ； Instituto de Investigación Biosanitaria de Valladolid, IBioVALL（瓦尔达利德生物医学研究所，IBioVALL）
AI总结 针对扩散MRI中模拟与实测信号噪声不匹配导致的协变量偏移问题，提出真实噪声合成框架，通过引入Rician期望和有效后处理噪声方差，显著降低参数估计偏差并提高精度。
Comments * Shared first author
多令牌残差预测
机构 * New York University（纽约大学） ； New York University Shanghai（纽约大学上海） ； Nos Research（Nos研究） ； Modal
AI总结 本文提出了一种轻量级模块Multi-token Residual Prediction，通过利用去噪过程中相邻步骤的logit分布相似性，在单次骨干网络前向传播中实现依赖感知的多令牌去噪，从而在成本较低的情况下提高去噪效率。
MoReBench：评估语言模型中的程序性和多元道德推理，超越结果
机构 * University of Washington（华盛顿大学） ； New York University（纽约大学） ； Scale AI ； Harvard University（哈佛大学） ； University of Michigan（密歇根大学） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； Center for AI Safety（人工智能安全中心） ； Stanford University（斯坦福大学） ； MIT（麻省理工学院） ； University of Oxford（牛津大学）
AI总结 提出MoReBench基准，包含1000个道德场景和超过2.3万条标准，用于评估语言模型在道德推理中的程序性推理能力，发现现有基准无法预测模型表现，且模型对特定道德框架存在偏好。
Comments 46 pages, 8 figures, 10 tables. Published in ICLR 2026. Accepted at CHAI workshop and SPP 2026 (non-archival)
从基准到技能：LLM评估的低秩因子
机构 * Bar-Ilan University（巴伊兰大学） ； OriginAI ； Data Science Institute Columbia University（哥伦比亚大学数据科学学院） ； Center for Data Science New York University（纽约大学数据科学中心）
AI总结 通过因子分析发现LLM基准性能矩阵本质低秩，揭示任务冗余，提出基于潜在技能空间的评估框架，用于识别冗余任务、用小任务子集建模新模型和按技能轮廓选模型。
DeepONet和S-DeepONet中的单分支与多分支：网络架构遵循多物理系统中的耦合
机构 * National Center for Supercomputing Applications, University of Illinois at Urbana-Champaign（国家超级计算应用中心，伊利诺伊大学厄巴纳-香槟分校） ； The Grainger College of Engineering, Mechanical Science and Engineering, University of Illinois at Urbana-Champaign（格拉inger工程学院，机械科学与工程系，伊利诺伊大学厄巴纳-香槟分校） ； The Grainger College of Engineering, Nuclear, Plasma & Radiological Engineering, University of Illinois at Urbana-Champaign（格拉inger工程学院，核物理与辐射工程系，伊利诺伊大学厄巴纳-香槟分校） ； Department of Industrial and Manufacturing Systems Engineering, Kansas State University（工业与制造系统工程系，堪萨斯州立大学） ； Civil and Urban Engineering Department, New York University Abu Dhabi, UAE（土木与城市工程系，纽约大学阿布扎比分校，阿联酋）
AI总结 研究比较单分支与多分支神经算子架构在强耦合多物理系统中的表现，发现单分支网络在紧耦合场景下通过共享潜在表示优于多分支，而多分支适用于解耦或单物理任务，代理模型加速高达1.8×10^4倍。
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
机构 * New York University（纽约大学） ； Sony AI（索尼人工智能） ； Sony Group Corporation（索尼集团）
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
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）
机构 * New York University（纽约大学） ； Interactive Media Arts（互动媒体艺术）
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编码智能体能够复现社会科学研究结果
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）
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。
基于AI生成描述的1亿+星系图像语义搜索
机构 * New York University（纽约大学） ； University of Toronto（多伦多大学） ； Dunlap Institute for Astronomy & Astrophysics（达伦普天文与天体物理研究所） ； University of California, Berkeley（加州大学伯克利分校） ； Center for Data Science（数据科学中心） ； Lawrence Berkeley National Lab（伯克利国家实验室） ； Flatiron Institute（Flatiron研究所） ； Université Paris-Saclay（巴黎-萨克莱大学） ； CEA（法国原子能委员会） ； CNRS（法国国家科学研究中心） ； AIM（应用数学研究所） ； Princeton University（普林斯顿大学）
AI总结 提出利用视觉语言模型生成星系图像描述，并对比对齐预训练天文学基础模型，构建可搜索嵌入，实现大规模星系图像的语义搜索，在稀有现象发现上取得最先进性能。
Comments ApJ, in press
绕过生产环境中的提示守卫：受控释放提示攻击
机构 * UC Berkeley（加州大学伯克利分校） ； zkBricks Inc（zkBricks公司） ； Ethereum Foundation（以太坊基金会） ； NYU Shanghai（纽约大学上海分校）
AI总结 针对AI对齐的提示过滤存在理论上的不可能性，本文提出受控释放提示攻击，利用轻量级输入过滤器与主模型之间的资源不对称性，在实际部署的大语言模型系统中成功绕过提示守卫。
Comments Accepted to USENIX Security 2026
MLaGA: 多模态大语言与图助手
机构 * New York University（纽约大学） ； New York University Shanghai（纽约大学上海） ； New York University Brooklyn（纽约大学布鲁克林） ； Virginia Polytechnic Institute and State University（弗吉尼亚理工大学） ； New York University Abu Dhabi（纽约大学阿布扎克）
AI总结 提出MLaGA模型，通过结构感知多模态编码器和指令微调，将大语言模型扩展到多模态图数据，在监督和迁移学习任务中优于基线方法。
LLM自动化叙事中的缺陷
机构 * New York University（纽约大学）
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：阿拉伯语语法错误解释的层次分类体系
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）
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：百万级数据湖上的探索性问答基准
机构 * Columbia University（哥伦比亚大学） ； New York University（纽约大学） ； Barnard College（巴纳德学院）
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：为何SOTA裁判难以应对真实人类推理
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））
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
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
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）
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。
预测性辅助与探索性压缩的时间动态
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）
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。
AI辅助优化下的探索响应性与适应性刚性
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）
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。
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