Princeton University（普林斯顿大学）

KinDER: A Physical Reasoning Benchmark for Robot Learning and Planning

KinDER：机器人学习与规划的运动学与动力学推理基准

Yixuan Huang, Bowen Li, Vaibhav Saxena, Yichao Liang, Utkarsh Aashu Mishra, Liang Ji, Lihan Zha, Jimmy Wu, Nishanth Kumar, Sebastian Scherer, Danfei Xu, Tom Silver

机构 * Princeton University（普林斯顿大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Georgia Tech（佐治亚理工学院） ； University of Cambridge（剑桥大学） ； NVIDIA（英伟达） ； MIT（麻省理工学院） 纠错

AI总结 KinDER基准针对机器人学习与规划中的物理推理挑战，包含25个生成环境、Python库和评估套件，旨在通过系统比较不同方法提升机器人物理推理能力。

Comments Project website: https://prpl-group.com/kinder-site/. 21 pages, 8 figures. Accepted to Robotics Science and Systems (RSS), 2026

Automated Adversarial Collaboration for Advancing Theory Building in the Cognitive Sciences

自动化对抗协作促进认知科学理论构建

Suyog Chandramouli, George Kachergis, Akshay Jagadish

机构 * Department of Psychology, Princeton University（普林斯顿大学心理学系） ； Department of Psychology, Stanford University（斯坦福大学心理学系） ； Princeton AI Lab, Princeton University（普林斯顿大学人工智能实验室） 纠错

AI总结 本文提出自动化对抗协作框架，通过闭环模拟验证认知科学理论 adjudication，展示了在噪声环境下恢复真实理论的可行性。

Comments 2 pages

Sharp Capacity Scaling of Spectral Optimizers in Learning Associative Memory

谱优化器在关联记忆学习中的容量扩展分析

Juno Kim, Eshaan Nichani, Denny Wu, Alberto Bietti, Jason D. Lee

机构 * UC Berkeley（加州大学伯克利分校） ； Princeton University（普林斯顿大学） ； New York University（纽约大学） ； Flatiron Institute（Flatiron研究所） 纠错

AI总结 本文研究了谱优化器在关联记忆问题中的性能，发现Muon的存储容量显著超过SGD，且在仅使用一阶信息时可与牛顿法匹配。通过实验验证了预测的扩展规律，为更实际的语言建模任务提供了理论基础。

Comments 84 pages, 9 figures

Diffusion Model for Manifold Data: Score Decomposition, Curvature, and Statistical Complexity

流形数据的扩散模型：分数分解、曲率与统计复杂性

Zixuan Zhang, Kaixuan Huang, Tuo Zhao, Mengdi Wang, Minshuo Chen

机构 * Georgia Tech（佐治亚理工学院） ； Princeton University（普林斯顿大学） ； Northwestern University（西北大学） 纠错

AI总结 本文研究扩散模型如何学习流形数据，通过分析分数函数的分解和曲率影响，提出高效的神经网络近似方法，并推导出基于数据内在维度和曲率的统计学习率。