Let AI Agents Translate Networks, Not Reason About Them
让人工智能代理翻译网络，而非对其进行推理
机构 * Princeton University（普林斯顿大学）
AI总结 研究针对生产网络缺乏形式模型的问题，提出将人工智能局限于网络工件到形式逻辑规则的翻译，依靠求解器推理，构建TypoNet验证模拟广域网符号模型，能快速可靠回答操作问题及促进故障定位。
Comments 8 pages, 3 figures, 1 table
高校专区
Princeton University（普林斯顿大学）
Real-time Reconstruction of Human Visual Perception from fMRI
基于功能磁共振成像的人类视觉感知实时重建
机构 * Princeton University（普林斯顿大学） ； Dartmouth College（达特茅斯学院） ； Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院） ； Harvard University（哈佛大学） ； University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Medical AI Research Center (MedARC)（医学人工智能研究中心）
AI总结 该研究基于fMRI的实时闭环神经反馈分析方法落后，提出实时兼容的先进管道改编版，利用RT-Cloud平台实时扫描解码视觉感知，通过模拟分析记录性能变化因素，证明实时部署强大解码管道可行，为脑机接口应用铺路。
Evaluating the Effect of Linguistic Relatedness on Cross-Lingual Transfer in Large Multilingual Automatic Speech Recognition
评估语言相关性对大型多语言自动语音识别中跨语言迁移的影响
机构 * Princeton University（普林斯顿大学） ； Maseno University（马塞诺大学）
AI总结 研究在大型多语言自动语音识别中，通过系统实验设计，探讨语言相关性能否可靠预测跨语言迁移增益，发现仅语言相关性难以有效促进跨语言迁移。
$τ$-Rec: A Verifiable Benchmark for Agentic Recommender Systems
$τ$-Rec：面向智能推荐系统的可验证基准
机构 * Independent Researcher（独立研究员） ； Princeton University（普林斯顿大学）
AI总结 针对多轮对话式智能推荐系统评估中主观性强、成本高的问题，提出$τ$-Rec基准，通过可验证奖励和揭示标记引导机制，结合pass^k可靠性指标，系统评估模型推理一致性，发现当前最佳模型可靠性仅约57%。
Comments Accepted at ACM RecSys 2026 (Reproducibility and Resource Track)
Recurrent Autoregressive Diffusion: Global Memory Meets Local Attention
循环自回归扩散：全局记忆与局部注意力相结合
机构 * Peking University（北京大学） ； Princeton University（普林斯顿大学） ； Nanyang Technological University（南洋理工大学）
AI总结 研究针对超长视频生成中现有模型的不足，提出循环自回归扩散（RAD）框架，结合循环块与局部注意力，解决训练推理差距等问题，在相关数据集实验中展现出长视频生成的优越性。
Comments Published at ECCV 2026. Project page: https://yeyutaihan.github.io/recurrent-autoregressive-diffusion/
