Princeton University（普林斯顿大学）

Sparsely gated tiny linear experts

稀疏门控的微型线性专家

Simon Schug

机构 * Princeton University（普林斯顿大学） 纠错

AI总结 提出稀疏门控线性神经元（sgatlin）网络，通过将每个专家缩减为单个神经元并去除非线性，在等计算量下提升语言模型困惑度，同时增强可解释性。

Comments Code available at https://github.com/smonsays/sparsely-gated-linear

AdMem: Advanced Memory for Task-solving Agents

AdMem: 面向任务求解智能体的高级记忆

Runzhe Wang, Huilin Lu, Shengjie Liu, Li Dong, Jason Zhu

机构 * Princeton University（普林斯顿大学） ； Amazon（亚马逊） ； Arm 纠错

AI总结 提出一种统一自动记忆框架，集成语义、情节和程序记忆，通过双层级设计和多智能体架构实现自动生成、奖励标注与自适应检索，提升长程多轮任务的鲁棒性和成功率。

Towards Serverless Semi-Decentralized Federated Learning with Heterogeneous Optimizers

面向异构优化器的无服务器半去中心化联邦学习

Su Wang, Mung Chiang, H. Vincent Poor

机构 * Department of Electrical and Computer Engineering, Princeton University（普林斯顿大学电子工程与计算机科学系） ； Department of Electrical and Computer Engineering, Purdue University（帕克森大学电子工程与计算机科学系） 纠错

AI总结 提出无服务器半去中心化联邦学习（SSD-FL），通过轻量级D2D初始化实现聚类，利用有效损失函数和Cheeger不等式优化聚类，提升收敛速度和通信效率。

Comments Under review at IEEE/ACM Transactions on Networking

WorldBench: A Challenging and Visually Diverse Multimodal Reasoning Benchmark

WorldBench: 一个具有挑战性且视觉多样的多模态推理基准

Yida Yin, Harish Krishnakumar, Chung Peng Lee, Boya Zeng, Wenhao Chai, Shengbang Tong, Wenhu Chen, Hu Xu, Xingyu Fu, Gabriel Sarch, Aleksandra Korolova, Zhuang Liu

机构 * Princeton University（普林斯顿大学） ； NYU（纽约大学） ； University of Waterloo（滑铁卢大学） ； Meta, FAIR（Meta和FAIR） 纠错

AI总结 提出WorldBench，通过构建多领域视觉概念分类法并收集多样化图像，设计前沿MLLM难以回答的问题，以评估多模态大语言模型的视觉理解能力，揭示其弱点。

Comments Project page: https://worldbench-vl.github.io/

CountsDiff: A Diffusion Model on the Natural Numbers for Generation and Imputation of Count-Based Data

CountsDiff: 一种用于计数数据生成和插补的自然数扩散模型

Renzo G. Soatto, Anders Hoel, Greycen Ren, Shorna Alam, Stephen Bates, Nikolaos P. Daskalakis, Caroline Uhler, Maria Skoularidou

机构 * Princeton University（普林斯顿大学） ； Stanford University（斯坦福大学） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 提出CountsDiff扩散框架，通过生存概率调度和显式损失加权简化Blackout扩散，引入连续时间训练、无分类器引导和逆动态，在自然图像和单细胞RNA-seq插补任务中匹配或超越现有方法。

Comments 39 Pages, 11 figures. To appear in the 43rd International Conference on Machine Learning (ICML 2026)

The Geometry of Representational Failures in Vision Language Models

视觉语言模型中表征失败的几何结构

Daniele Savietto, Declan Campbell, André Panisson, Marco Nurisso, Giovanni Petri, Jonathan D. Cohen, Alan Perotti

机构 * Dipartimento di Fisica, Università di Torino（都灵大学物理系） ； Princeton Neuroscience Institute and AI Lab, Princeton University（普林斯顿大学神经科学研究所和AI实验室） ； Intesa Sanpaolo AI Research（Intesa Sanpaolo AI研究中心） ； Dipartimento di Scienze Matematiche, Politecnico di Torino（都灵理工学院数学科学系） ； Network Science Institute, Northeastern University London, UK（伦敦大学东北方大学网络科学研究所） 纠错

AI总结 通过分析开源视觉语言模型的概念向量几何重叠，揭示多目标视觉任务中幻觉等错误与认知约束的关联，并提出基于干预的验证方法。