Princeton University（普林斯顿大学）

Introspective Diffusion Language Models

反思式扩散语言模型

Yifan Yu, Yuqing Jian, Junxiong Wang, Zhongzhu Zhou, Donglin Zhuang, Xinyu Fang, Sri Yanamandra, Xiaoxia Wu, Qingyang Wu, Shuaiwen Leon Song, Tri Dao, Ben Athiwaratkun, James Zou, Fan Lai, Chenfeng Xu

机构 * Together AI ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Princeton University（普林斯顿大学） ； Stanford University（斯坦福大学） 纠错

AI总结 本文提出反思式扩散语言模型，通过引入反思性解码算法，在保持并行解码的同时继承自回归训练的反思一致性，实现了与同规模自回归模型相当的质量并优于先前扩散模型。

SciPredict: Can LLMs Predict the Outcomes of Scientific Experiments in Natural Sciences?

SciPredict: LLMs能否预测自然科学中的实验结果？

Udari Madhushani Sehwag, Elaine Lau, Haniyeh Ehsani Oskouie, Shayan Shabihi, Erich Liang, Andrea Toledo, Guillermo Mangialardi, Sergio Fonrouge, Ed-Yeremai Hernandez Cardona, Paula Vergara, Utkarsh Tyagi, Chen Bo Calvin Zhang, Pavi Bhatter, Nicholas Johnson, Furong Huang, Ernesto Gabriel Hernandez Montoya, Bing Liu

机构 * Scale AI ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of Maryland（马里兰大学） ； Princeton University（普林斯顿大学） ； Human Frontier Collective（人类前沿集体） 纠错

AI总结 SciPredict通过405个实验任务评估LLM预测科学实验结果的准确性，发现模型表现低于人类专家，且无法区分可靠与不可靠的预测。

Can Small Training Runs Reliably Guide Data Curation? Rethinking Proxy-Model Practice

小规模训练能否可靠地指导数据整理？重新审视代理模型实践

Jiachen T. Wang, Tong Wu, Kaifeng Lyu, James Zou, Dawn Song, Ruoxi Jia, Prateek Mittal

机构 * Princeton University（普林斯顿大学） ； Tsinghua University（清华大学） ； UC Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； Virginia Tech（弗吉尼亚理工大学） 纠错

AI总结 本文探讨了小规模代理模型训练在数据整理中的可靠性问题，指出固定配置协议与全规模模型开发流程的差异，并提出通过降低学习率提升小规模实验的可靠性。

Comments ICLR 2026

Learning Color Equivariant Representations

学习颜色等变表示

Yulong Yang, Felix O'Mahony, Christine Allen-Blanchette

机构 * Princeton University（普林斯顿大学） ； University of Oxford（牛津大学） 纠错

AI总结 本文提出颜色等变图卷积神经网络，解决颜色变化下的等变问题，通过提升等变性并扩展到饱和度和亮度变化，提升模型泛化能力和样本效率。

Comments Accept to The 13th International Conference on Learning Representations (ICLR 2025)

Predicting Associations between Solar Flares and Coronal Mass Ejections Using SDO/HMI Magnetograms and a Hybrid Neural Network

利用SDO/HMI磁图和混合神经网络预测日冕物质抛射与日闪的关系

Jialiang Li, Vasyl Yurchyshyn, Jason T. L. Wang, Haimin Wang, Manolis K. Georgoulis, Wen He, Yasser Abduallah, Hameedullah A. Farooki, Yan Xu

机构 * Institute for Space Weather Sciences, New Jersey Institute of Technology（新泽西理工学院空间天气科学研究所） ； Department of Computer Science, New Jersey Institute of Technology（新泽西理工学院计算机科学系） ； Big Bear Solar Observatory, New Jersey Institute of Technology（新泽西理工学院大熊太阳天文台） ； Center for Solar-Terrestrial Research, New Jersey Institute of Technology（新泽西理工学院日地研究中心） ； Johns Hopkins University Applied Physics Laboratory（约翰霍普金斯大学应用物理实验室） ； Research Center for Astronomy and Applied Mathematics, Academy of Athens（雅典学院天文学与应用数学研究中心） ； Department of Astrophysical Sciences, Princeton University（普林斯顿大学天体物理科学系） 纠错

AI总结 本文提出一种混合神经网络方法，结合视觉Transformer和LSTM，利用SDO/HMI磁图时间序列预测日闪与日冕物质抛射关联性，验证了方法有效性并发现磁通量抵消可能触发相关日冕物质抛射。

Comments 14 pages, 8 figures