Princeton University（普林斯顿大学）

ConforNets: Latents-Based Conformational Control in OpenFold3

ConforNets: 基于潜在空间的开放Fold3构象控制

Minji Lee, Colin Kalicki, Minkyu Jeon, Aymen Qabel, Alisia Fadini, Mohammed AlQuraishi

机构 * Department of Systems Biology, Columbia University, NY, USA（系统生物学系，哥伦比亚大学，纽约，美国） ； Department of Computer Science, Columbia University, NY, USA（计算机科学系，哥伦比亚大学，纽约，美国） ； Department of Computer Science, Princeton University, Princeton, NJ, USA（计算机科学系，普林斯顿大学，普林斯顿，新泽西州，美国） 纠错

AI总结 ConforNets通过在AF3架构中对潜在表示进行通道级仿射变换，实现了对构象变化的全局调控，提升了多态本征的生成能力和跨蛋白质家族的构象转移能力。

Reckoning with the Political Economy of AI: Avoiding Decoys in Pursuit of Accountability

审视人工智能的政治经济学：避免诱饵以实现问责

Janet Vertesi, danah boyd, Alex Taylor, Benjamin Shestakofsky

机构 * Sociology Department（社会学系） ； Princeton University（普林斯顿大学） ； Department of Communication（传播学系） ； Cornell University（康奈尔大学） ； Institute of Design Informatics（设计信息研究所） ； University of Edinburgh（爱丁堡大学） ； Department of Information Science（信息科学系） 纠错

AI总结 本文探讨人工智能项目中诱饵对权力与经济的影响，指出需识别诱饵的误导性并直接面对其物质政治经济，以促进更公平的AI发展。

Comments To be presented at ACM FAccT, Montréal, Canada, June 25 to June 28, 2026

Temporal Representations for Exploration: Learning Complex Exploratory Behavior without Extrinsic Rewards

时间表示用于探索：在没有外在奖励的情况下学习复杂探索行为

Faisal Mohamed, Catherine Ji, Benjamin Eysenbach, Glen Berseth

机构 * Mila-Quebec AI Institute（魁北克AI研究所） ； Université de Montréal（蒙特利尔大学） ； Princeton University（普林斯顿大学） 纠错

AI总结 本文提出一种基于时间对比表示的探索方法，通过优先选择不可预测未来结果的状态，实现复杂探索行为的学习，无需外在奖励。

The Illusion of Insight in Reasoning Models

推理模型中的“顿悟”幻觉

Liv G. d'Aliberti, Manoel Horta Ribeiro

机构 * Princeton University（普林斯顿大学） 纠错

AI总结 研究探讨推理模型在推理过程中是否出现突然的顿悟现象，发现此类现象罕见且不提升准确性，但高不确定性下人工触发可提高性能。

Contact-Rich Robotic Assembly in Construction via Diffusion Policy Learning

通过扩散策略学习实现建筑中的接触密集机器人装配

Salma Mozaffari, Daniel Ruan, William van den Bogert, Nima Fazeli, Sigrid Adriaenssens, Arash Adel

机构 * Princeton University（普林斯顿大学） ； University of Michigan（密歇根大学） 纠错

AI总结 本文研究了在建筑施工中使用扩散策略学习提升机器人装配的鲁棒性和精度，通过紧密契合的木构接合作为案例，证明扩散策略能通过接触感知控制补偿对齐误差。

Discrepancies are Virtue: Weak-to-Strong Generalization through Lens of Intrinsic Dimension

差异是美德：通过内在维度视角实现弱到强的泛化

Yijun Dong, Yicheng Li, Yunai Li, Jason D. Lee, Qi Lei

机构 * New York University（纽约大学） ； Shanghai Jiaotong University（上海交通大学） ； Princeton University（普林斯顿大学） 纠错

AI总结 通过内在低维空间视角分析弱到强泛化，揭示强弱模型差异对泛化误差的正向影响，实验验证了在回归、视觉和NLP任务中的有效性。

Comments ICML 2025

ScenarioControl: Vision-Language Controllable Vectorized Latent Scenario Generation

ScenarioControl: 基于视觉-语言的向量化潜在场景生成

Lili Gao, Yanbo Xu, William Koch, Samuele Ruffino, Luke Rowe, Behdad Chalaki, Dmitriy Rivkin, Julian Ost, Roger Girgis, Mario Bijelic, Felix Heide

机构 * Torc Robotics（Torc机器人公司） ； Princeton University（普林斯顿大学） ； Mila 纠错

AI总结 ScenarioControl通过视觉-语言控制机制生成多样且真实的3D场景，结合向量化潜在空间和跨全局控制机制，实现对道路布局和交通状况的精细控制，支持长时程驾驶场景延续。

Computational Hermeneutics: Evaluating generative AI as a cultural technology

计算阐释学：评估生成式AI作为文化技术

Cody Kommers, Ruth Ahnert, Maria Antoniak, Emmanouil Benetos, Steve Benford, Mercedes Bunz, Baptiste Caramiaux, Shauna Concannon, Martin Disley, James Dobson, Yali Du, Edgar Duéñez-Guzmán, Kerry Francksen, Evelyn Gius, Jonathan W. Y. Gray, Ryan Heuser, Sarah Immel, Richard Jean So, Sang Leigh, Dalaki Livingston, Hoyt Long, Meredith Martin, Georgia Meyer, Daniela Mihai, Ashley Noel-Hirst, Kirsten Ostherr, Deven Parker, Yipeng Qin, Jessica Ratcliff, Emily Robinson, Karina Rodriguez, Adam Sobey, Ted Underwood, Aditya Vashistha, Matthew Wilkens, Youyou Wu, Yuan Zheng, Drew Hemment

机构 * The Alan Turing Institute（艾伦·图灵研究所） ； Queen Mary University of London（伦敦玛丽女王大学） ； University of Colorado（科罗拉多大学） ； University of Nottingham（诺丁汉大学） ； King’s College London（伦敦国王学院） ； Sorbonne Université（索邦大学） ； Durham University（杜伦大学） ； University of Edinburgh（爱丁堡大学） ； Dartmouth College（达特茅斯学院） ； Gibran AI（吉布兰人工智能） ； University of Coventry（科文特大学） ； Technische Universität Darmstadt（德累斯顿技术大学） ； University of Cambridge（剑桥大学） ； McGill University（麦吉尔大学） ； Cornell University（康奈尔大学） ； University of Utah（犹他大学） ； University of Chicago（芝加哥大学） ； Princeton University（普林斯顿大学） ； London School of Economics（伦敦经济学院） ； University of Southampton（南安普顿大学） ； Rice University（德克萨斯大学稻谷分校） ； University of Glasgow（格拉斯哥大学） ； Cardiff University（卡迪夫大学） ； University of Exeter（埃克塞特大学） ； University of Brighton（布里斯托尔大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University College London（伦敦大学学院） ； University of Sheffield（谢菲尔德大学） 纠错

AI总结 本文提出计算阐释学框架，旨在通过阐释学理论评估生成式AI作为文化技术的含义生成与理解挑战。

Comments Published in Frontiers in Artificial Intelligence

Journal ref Front. Artif. Intell. 9:1753041

Tighter Performance Theory of FedExProx

FedExProx优化方法的更紧性能理论

Wojciech Anyszka, Kaja Gruntkowska, Alexander Tyurin, Peter Richtárik

机构 * Princeton University（普林斯顿大学） ； King Abdullah University of Science and Technology（国王阿卜杜勒·阿齐兹大学） ； AXXX ； Applied AI Institute（应用人工智能研究所） 纠错

AI总结 本文重新审视FedExProx，发现其理论保证不如梯度下降，提出新的分析框架，证明其在非强凸二次问题中具有更紧的线性收敛率，并扩展到满足Polyak-Lojasiewicz条件的一般函数。

Comments 43 pages, 4 figures