Princeton University（普林斯顿大学）

Efficient Multi-objective Prompt Optimization via Pure-exploration Bandits

通过纯探索老虎机实现高效的多目标提示优化

Donghao Li, Chengshuai Shi, Weijuan Ou, Cong Shen, Jing Yang

机构 * University of Virginia（弗吉尼亚大学） ； Princeton University（普林斯顿大学） ； Southern University of Science and Technology（南方科技大学） 纠错

AI总结 本文研究多目标提示选择问题，提出基于纯探索老虎机框架的高效方法，通过理论保证和实验验证，改进了提示优化的效率和效果。

Comments Published as a conference paper at ICLR 2026

FrontierSmith: Synthesizing Open-Ended Coding Problems at Scale

FrontierSmith: 批量合成开放性编程问题

Runyuan He, Qiuyang Mang, Shang Zhou, Kaiyuan Liu, Hanchen Li, Huanzhi Mao, Qizheng Zhang, Zerui Li, Bo Peng, Lufeng Cheng, Tianfu Fu, Yichuan Wang, Wenhao Chai, Jingbo Shang, Alex Dimakis, Joseph E. Gonzalez, Alvin Cheung

机构 * University of Washington（华盛顿大学） ； Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Bespoke Labs（Bespoke实验室） 纠错

AI总结 本文提出FrontierSmith系统，通过迭代演化现有封闭性编程任务生成开放性问题，提升LLM编程能力，在两个基准测试中显著提升模型性能。

M$^2$RNN: Non-Linear RNNs with Matrix-Valued States for Scalable Language Modeling

M$^2$RNN：基于矩阵值状态的非线性RNN用于可扩展的语言建模

Mayank Mishra, Shawn Tan, Ion Stoica, Joseph Gonzalez, Tri Dao

机构 * MIT-IBM Watson Lab（MIT-IBM沃森实验室） ； Princeton University（普林斯顿大学） ； Together AI 纠错

AI总结 本文提出M$^2$RNN，通过矩阵值状态和非线性状态转移提升语言建模性能，实验证明其在长序列泛化和大规模语言建模中的优势。

HodgeCover: Higher-Order Topological Coverage Drives Compression of Sparse Mixture-of-Experts

HodgeCover：高阶拓扑覆盖驱动稀疏混合专家的压缩

Tao Zhong, Dongzhe Zheng, Christine Allen-Blanchette

机构 * Princeton University（普林斯顿大学） 纠错

AI总结 HodgeCover通过高阶拓扑覆盖技术，在不重新训练的情况下压缩稀疏混合专家层，通过识别谐波核来优化专家合并过程，实现高效压缩。

Comments 34 pages, 8 figures

Neural Fields for NV-Center Inverse Sensing

神经场用于NV中心反向传感

Zhixuan Zhao, Tao Zhong, Yixun Hu, Nathalie P. de Leon, Christine Allen-Blanchette

机构 * Princeton University（普林斯顿大学） ； Tsinghua University（清华大学） 纠错

AI总结 本文研究了基于钻石中氮-空位中心的噪声传感反向问题，提出NeTMY神经场方法，通过改进的正则化和优化策略提升反向传感性能。

Comments 33 pages, 16 figures

Neural Field Thermal Tomography: A Differentiable Physics Framework for Non-Destructive Evaluation

神经场热成像：一种无标签的非破坏性评价可微物理框架

Tao Zhong, Yixun Hu, Dongzhe Zheng, Aditya Sood, Christine Allen-Blanchette

机构 * Princeton University（普林斯顿大学） 纠错

AI总结 本文提出NeFTY框架，通过可微隐式欧拉热求解器精确满足偏微分方程，实现无标签三维逆热传导问题的高精度恢复，优于传统PINN和体素网格基线。

Comments 37 pages, 19 figures

Group Representational Position Encoding

群表示位置编码

Yifan Zhang, Zixiang Chen, Yifeng Liu, Zhen Qin, Huizhuo Yuan, Kangping Xu, Yang Yuan, Quanquan Gu, Andrew Chi-Chih Yao

机构 * Princeton University（普林斯顿大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； IIIS, Tsinghua University（清华大学人工智能研究院） 纠错

AI总结 GRAPE提出了一种基于群作用的位置编码框架，结合乘法旋转和加法logit偏置机制，扩展了RoPE和ALiBi的应用范围，适用于长上下文模型的位置几何设计。

Comments Published in ICLR 2026. Project Page: https://github.com/model-architectures/GRAPE