Princeton University（普林斯顿大学）

Samudra 2: Scaling Ocean Emulators across Resolutions

Samudra 2: 跨分辨率扩展海洋仿真器

Yuan Yuan, Jesse Rusak, Alexander Merose, Adam Subel, Pavel Perezhogin, Alistair Adcroft, Carlos Fernandez-Granda, Laure Zanna

机构 * Courant Institute School of Mathematics, Computing, and Data Science, New York University（Courant学院数学、计算与数据科学系，纽约大学） ； Open Athena AI Foundation, Inc.（开放Athena人工智能基金会） ； Program in Atmospheric and Oceanic Sciences, Princeton University（大气与海洋科学项目，普林斯顿大学） 纠错

AI总结 针对现有海洋神经仿真器在长期自回归滚动中出现的方差崩溃和印记伪影问题，提出Samudra 2，通过改进U-Net骨干网络和动态损失函数，在1°分辨率下将上层海洋全球平均温度R²从0.56提升至0.87，并将深层海洋温度误差降低约七倍，且可扩展至1/2°和1/4°分辨率。

Autogenesis: A Self-Evolving Agent Protocol

自生成：一种自我进化代理协议

Wentao Zhang, Zhe Zhao, Haibin Wen, Yingcheng Wu, Cankun Guo, Ming Yin, Bo An

机构 * Nanyang Technological University（南洋理工大学） ； Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学） ； City University of Hong Kong（香港城市大学） ； University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 本文提出了一种自生成协议（AGP），该协议通过分离进化内容与进化过程，解决了现有代理协议在跨实体生命周期管理、版本追踪和安全更新接口方面的不足。基于AGP，作者展示了自生成系统（AGS），该系统能够动态实例化、检索和优化协议注册的资源，通过多个具有长视界规划和工具使用的挑战性基准测试，验证了代理资源管理和闭环自我进化的有效性。

Agent Skill Framework: Perspectives on the Potential of Small to Medium Language Models in Industrial Environments

Agent技能框架：中小型语言模型在工业环境中的潜力视角

Yangjie Xu, Lujun Li, Lama Sleem, Niccolo Gentile, Yewei Song, Yiqun Wang, Siming Ji, Wenbo Wu, Radu State

机构 * University of Luxembourg（卢森堡大学） ； Foyer S.A.（Foyer公司） ； Princeton University（普林斯顿大学） ； Université Paris-Saclay（巴黎萨克雷大学） 纠错

AI总结 研究在资源受限的工业场景中，中小型开源语言模型（270M-80B）使用Agent技能的效果，发现30B-80B模型受益显著，而小型模型技能选择困难，思考变体提升有限且增加GPU开销。

Comments 12 pages

Provable Learning of Random Hierarchy Models and Hierarchical Shallow-to-Deep Chaining

随机层次模型与层次化浅到深链的可证明学习

Yunwei Ren, Yatin Dandi, Florent Krzakala, Jason D. Lee

机构 * Princeton University（普林斯顿大学） ； École Polytechnique Fédérale de Lausanne（瑞士联邦理工学院洛桑分校） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 针对深度网络能否高效利用层次结构的问题，证明在温和条件下深度卷积网络可高效学习随机层次模型，并提出逐层训练策略。

Comments COLT 2026

Meta-learning ecological priors from large language models explains human learning and decision making

从大型语言模型中元学习生态先验解释人类学习与决策

Akshay K. Jagadish, Mirko Thalmann, Julian Coda-Forno, Marcel Binz, Eric Schulz

机构 * Institute for Human-Centered AI, Helmholtz Computational Health Center（以人为本的人工智能研究所，海德堡计算健康中心） ； Computational Principles of Intelligence, Max Planck Institute for Biological Cybernetics（计算智能原理，马克斯·普朗克生物 cybernetics 研究院） ； Eberhard Karls University of Tübingen（图宾根大学） ； Princeton AI Lab, Princeton University（普林斯顿大学人工智能实验室） 纠错

AI总结 提出生态理性分析框架，利用大语言模型生成生态有效任务，通过元学习得到ERMI算法，该算法内化自然问题空间的统计规律，灵活适应新情境，在15个实验中优于多个认知模型，表明人类认知可能反映对日常问题生态结构的适应性对齐。

Mitigating Cross-Image Information Leakage in Multi-Image Understanding with Large Vision-Language Models

缓解多图像理解中大型视觉语言模型的跨图像信息泄露

Yeji Park, Minyoung Lee, Sanghyuk Chun, Junsuk Choe

机构 * Sogang University（ソガン大学） ； Princeton University（普林斯顿大学） ； NAVER AI Lab（NAVER AI实验室） 纠错

AI总结 针对大型视觉语言模型在多图像输入时性能下降的问题，提出无需训练且架构无关的FOCUS方法，通过随机噪声掩码和噪声参考输入抑制跨图像信息泄露，显著提升多图像和视频理解性能。

Comments Source code is available at https://github.com/yejipark-m/FOCUS

A statistical physics framework for optimal learning

最优学习的统计物理框架

Francesca Mignacco, Francesco Mori

机构 * Joseph Henry Laboratories of Physics, Princeton University（普林斯顿大学物理系Joseph Henry实验室） ； Graduate Center, City University of New York（纽约市立大学研究生中心） ； Center of Mathematical Sciences and Applications, Harvard University（哈佛大学数学科学与应用中心） 纠错

AI总结 结合统计物理与控制论，在高维极限下推导出跟踪随机梯度下降的常微分方程，将学习协议设计转化为最优控制问题，并应用于课程学习、自适应dropout和去噪自编码器噪声调度，揭示最优协议如何平衡学习权衡。

Comments 29 pages, 10 figures

Journal ref PNAS Nexus, Volume 5, Issue 6, June 2026, pgag182

Measuring Human Contribution in AI-Assisted Content Generation

衡量AI辅助内容生成中的人类贡献

Yueqi Xie, Tao Qi, Jingwei Yi, Xiyuan Yang, Ryan Whalen, Junming Huang, Qian Ding, Yu Xie, Xing Xie, Fangzhao Wu

机构 * Princeton University（普林斯顿大学） ； Tsinghua University（清华大学） ； University of Science and Technology of China（中国科学技术大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； The University of Hong Kong（香港大学） ； Microsoft Research Asia（微软亚洲研究院） ； Peking University（北京大学） 纠错

AI总结 针对AI辅助内容生成中人类贡献度难以量化的问题，提出基于信息论的框架，通过互信息与自信息之比计算人类信息贡献比例，实验证明能有效区分不同创意领域的人类贡献程度。