Princeton University（普林斯顿大学）

Which Way Did It Move? Diagnosing and Overcoming Directional Motion Blindness in Video-LLMs

它往哪个方向移动？视频大语言模型中方向运动盲症的诊断与克服

Jongseo Lee, Hyuntak Lee, Sunghun Kim, Sooa Kim, Jihoon Chung, Jinwoo Choi

机构 * Kyung Hee University（庆熙大学） ； Princeton University（普林斯顿大学） 纠错

AI总结 本文研究了视频大语言模型在理解方向运动时的盲点，提出MoDirect数据集和DeltaDirect方法，通过改进模型对方向运动的感知能力，显著提升了模型在合成和真实场景中的方向识别性能。

Comments Preprint. 59 pages, including appendix. Code: https://github.com/KHU-VLL/DeltaDirect

Behavior-Consistent Deep Reinforcement Learning

行为一致的深度强化学习

Marcel Hussing, Liv G. d'Aliberti, Claas Voelcker, Benjamin Eysenbach, Eric Eaton

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Princeton University（普林斯顿大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 本文提出了一种行为一致的深度强化学习方法，通过控制策略的分布相似性来减少跨训练运行的策略分歧，从而提高稳定性和性能。

Hyperparameter Transfer with Mixture-of-Expert Layers

通过专家混合层进行超参数迁移

Tianze Jiang, Blake Bordelon, Cengiz Pehlevan, Boris Hanin

机构 * Operations Research ； Financial Engineering, Princeton University, Princeton, NJ, USA ； Center of Mathematical Sciences ； Applications, Harvard University, Cambridge, MA, USA ； John A. Paulson School of Engineering ； Applied Sciences, Center for Brain Science, Kempner Institute for the Study of Natural ； Artificial Intelligence, Harvard University, Cambridge, MA, USA 纠错

AI总结 本文提出了一种新的参数化方法，用于在扩展模型宽度、深度、专家数量和专家（隐藏）大小时，通过专家混合层的变压器模型进行超参数迁移，该方法基于动态平均场理论分析，实验证明其在不同规模模型间可靠地迁移超参数。

Comments ICML 2026

Investigating Concept Alignment Using Implausible Category Members

通过不合理的类别成员探究概念对齐

Sunayana Rane, Brenden M. Lake, Thomas L. Griffiths

机构 * Department of Computer Science（计算机科学系） ； Princeton University（普林斯顿大学） ； Department of Psychology（心理学系） 纠错

AI总结 本文研究了通过询问不合理类别成员来探究概念边界，发现AI模型在某些概念上与人类存在显著差异，如将'词语'归类为'车辆'或'衣物'，并探讨了这些概念错位对AI安全的影响。

Vendi Novelty Scores for Out-of-Distribution Detection

Vendi Novelty Scores for Out-of-Distribution Detection

Amey P. Pasarkar, Adji Bousso Dieng

机构 * Lewis-Sigler Institute For Integrative Genomics, Princeton University（普林斯顿大学整合基因组学研究所） ； Department of Computer Science, Princeton University（普林斯顿大学计算机科学系） 纠错

AI总结 本文提出了一种基于Vendi Scores的Vendi Novelty Score（VNS）方法，从多样性角度解决分布外检测问题，该方法无需密度建模，具有线性时间复杂度和非参数特性，并在多个图像分类基准上实现了最先进的OOD检测性能。

Learning Mixture Models via Efficient High-dimensional Sparse Fourier Transforms

通过高效的高维稀疏傅里叶变换学习混合模型

Alkis Kalavasis, Pravesh K. Kothari, Shuchen Li, Manolis Zampetakis

机构 * Yale University（耶鲁大学） ； Princeton University（普林斯顿大学） 纠错

AI总结 本文提出了一种在高维空间中以多项式时间复杂度学习混合模型参数的方法，适用于具有重尾分布的混合模型，包括那些协方差有限的分布，且无需集群均值的最小分离。