Princeton University（普林斯顿大学）

An evolutionary perspective on modes of learning in Transformers

Transformer中学习模式的进化视角

Alexander Y. Ku, Thomas L. Griffiths, Stephanie C. Y. Chan

机构 * Google DeepMind（谷歌DeepMind） ； Department of Psychology, Princeton University（普林斯顿大学心理学系） 纠错

AI总结 研究通过控制任务环境稳定性与提示可靠性，探讨Transformer中永久参数优化与上下文学习策略的适应性差异及任务依赖的策略转换机制。

Levels of Analysis for Large Language Models

大型语言模型的分析层次

Alexander Y. Ku, Declan Campbell, Xuechunzi Bai, Jiayi Geng, Ryan Liu, Raja Marjieh, R. Thomas McCoy, Andrew Nam, Ilia Sucholutsky, Veniamin Veselovsky, Liyi Zhang, Jian-Qiao Zhu, Thomas L. Griffiths

机构 * Department of Psychology, Princeton University（普林斯顿大学心理学系） ； Princeton Neuroscience Institute, Princeton University（普林斯顿神经科学研究所） ； Department of Psychology, The University of Chicago（芝加哥大学心理学系） ； Department of Computer Science, Princeton University（普林斯顿大学计算机科学系） ； Department of Linguistics, Yale University（耶鲁大学语言学系） ； Princeton Laboratory for Artificial Intelligence, Princeton University（普林斯顿人工智能实验室） ； Center for Data Science, New York University（纽约大学数据科学中心） 纠错

AI总结 本文提出基于David Marr分析层次框架，利用认知科学方法理解大型语言模型的结构与行为，提供分析工具以应对AI理解难题。

DataProphet: Demystifying Supervision Data Generalization in Multimodal LLMs

DataProphet：解开多模态大语言模型监督数据泛化之谜

Xuan Qi, Luxi He, Dan Roth, Xingyu Fu

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Tsinghua University（清华大学） ； Princeton University（普林斯顿大学） 纠错

AI总结 本文提出DataProphet，一种无需训练的指标，通过结合多模态困惑度、相似性和数据多样性，有效评估监督数据对目标基准的影响，实现更优的数据选择。

Comments 14 pages

CryoHype: Reconstructing a thousand cryo-EM structures with transformer-based hypernetworks

CryoHype：基于变换器的超网络重建千个冷冻电镜结构

Jeffrey Gu, Minkyu Jeon, Ambri Ma, Serena Yeung-Levy, Ellen D. Zhong

机构 * Princeton University（普林斯顿大学） ； Stanford University（斯坦福大学） 纠错

AI总结 CryoHype通过变换器超网络实现高通量冷冻电镜结构重建，解决混合分子物种的组分异质性问题，实现1000个结构的高精度重建。

Comments CVPR 2026

Interpretable Early Warnings using Machine Learning in an Online Game-experiment

利用机器学习的可解释早期预警在在线游戏实验中

Guillaume Falmagne, Anna B. Stephenson, Simon A. Levin

机构 * High Meadows Environmental Institute, Princeton University（高地环境研究所，普林斯顿大学） ； Department of Ecology and Evolutionary Biology, Princeton University（生态与进化生物学系，普林斯顿大学） ； Centre for Sociology Of Humans And Machines, Research Hubs, Technological University Dublin（人类与机器社会研究中心，都柏林技术大学） 纠错

AI总结 本文通过在线游戏实验测试了临界转变的早期预警信号，开发了基于梯度提升决策树的预警系统，实现了高准确率的早期预警，并揭示了复杂系统中临界转变的驱动因素。

Journal ref PNAS 123(1), e2503493122(2026)

MEMO: Memory-Augmented Model Context Optimization for Robust Multi-Turn Multi-Agent LLM Games

MEMO: 带记忆的模型上下文优化用于鲁棒的多轮多智能体大语言模型游戏

Yunfei Xie, Kevin Wang, Bobby Cheng, Jianzhu Yao, Zhizhou Sha, Alexander Duffy, Yihan Xi, Hongyuan Mei, Cheston Tan, Chen Wei, Pramod Viswanath, Zhangyang Wang

机构 * Rice University（里士满大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Princeton University（普林斯顿大学） ； A*STAR ； Good Start Labs ； TTIC 纠错

AI总结 MEMO通过优化推理时的上下文，结合记忆保留和探索，提升了多轮多智能体大语言模型游戏的鲁棒性和性能，显著提高了胜率并降低了运行间方差。

Comments Code has been released https://github.com/openverse-ai/MEMO

M2P: Improving Visual Foundation Models with Mask-to-Point Weakly-Supervised Learning for Dense Point Tracking

M2P：通过Mask-to-Point弱监督学习改进视觉基础模型以实现密集点跟踪

Qiangqiang Wu, Tianyu Yang, Bo Fang, Jia Wan, Matias Di Martino, Guillermo Sapiro, Antoni B. Chan

机构 * Department of Computer Science, City University of Hong Kong（香港城市大学计算机科学系） ； Department of Electrical and Computer Engineering, Princeton University（普林斯顿大学电气与计算机工程系） ； Meituan, Shenzhen, China（美团（深圳，中国）） ； School of Computer Science and Technology, Harbin Institute of Technology（哈尔滨工业大学计算机科学与技术学院） ； Department of Electrical and Computer Engineering, Duke University（杜克大学电气与计算机工程系） 纠错

AI总结 本文提出M2P学习方法，利用视频对象分割掩码注解改进视觉基础模型，通过局部结构一致性损失、掩码标签一致性损失和掩码边界约束，提升密集点跟踪性能，实验表明其在TAP-Vid-DAVIS基准上优于DINOv2和DINOv3。

Grounding Robot Generalization in Training Data via Retrieval-Augmented VLMs

通过检索增强的视觉语言模型实现机器人在训练数据中的泛化

Jensen Gao, Dorsa Sadigh, Sandy Huang, Dhruv Shah

机构 * Stanford University（斯坦福大学） ； Google DeepMind（谷歌DeepMind） ； Princeton University（普林斯顿大学） 纠错

AI总结 本文提出RADAR框架，通过检索和视觉语言模型分析，评估机器人策略在不同场景下的泛化能力，验证了其在大规模数据集中的有效性。

Comments 12 pages

AI Scientist via Synthetic Task Scaling

通过合成任务扩展实现AI科学家

Ziyang Cai, Harkirat Behl

机构 * Princeton University（普林斯顿大学） ； Microsoft Research（微软研究院） 纠错

AI总结 本文提出一种合成环境生成管道，用于训练能从实践中学习的机器学习代理。通过真实数据集验证和自调试循环，生成高质量合成任务，提升Qwen3-4B和Qwen3-8B在MLGym上的性能，AUP指标分别提升9%和12%。

HorizonMath: Measuring AI Progress Toward Mathematical Discovery with Automatic Verification

HorizonMath：通过自动验证衡量AI向数学发现的进步

Erik Y. Wang, Sumeet Motwani, James V. Roggeveen, Eliot Hodges, Dulhan Jayalath, Charles London, Kalyan Ramakrishnan, Flaviu Cipcigan, Philip Torr, Alessandro Abate

机构 * University of Oxford（牛津大学） ； Benchmark ； Harvard University（哈佛大学） ； Princeton University（普林斯顿大学） ； Ellison Institute of Technology（Ellison技术研究所） 纠错

AI总结 HorizonMath通过自动验证框架评估AI在数学发现中的进展，针对需要深入数学洞察但验证简单的难题，发现部分模型提出改进现有结果的解决方案。

Beyond Binary Success: Sample-Efficient and Statistically Rigorous Robot Policy Comparison

超越二元成功：样本高效且统计严谨的机器人策略比较

David Snyder, Apurva Badithela, Nikolai Matni, George Pappas, Anirudha Majumdar, Masha Itkina, Haruki Nishimura

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Toyota Research Institute (TRI)（丰田研究院） ； Princeton University（普林斯顿大学） 纠错

AI总结 本文提出一种样本高效且统计严谨的机器人策略比较框架，适用于多种评价指标，通过安全 anytime-valid 推断实现早期停止，减少评估负担并提升统计严谨性。

Comments 12 + 9 pages, 2 + 5 figures,

Taming Vision Priors for Data Efficient mmWave Channel Modeling

驯服视觉先验以实现数据高效的毫米波信道建模

Zhenlin An, Longfei Shangguan, John Kaewell, Philip Pietraski, Jelena Senic, Camillo Gentile, Nada Golmie, Kyle Jamieson

机构 * University of Georgia（佐治亚大学） ； University of Pittsburgh（匹兹堡大学） ； Interdigital（Interdigital公司） ； NIST（国家标准与技术研究院） ； Princeton University（普林斯顿大学） 纠错

AI总结 本文提出VisRFTwin框架，结合视觉获取的材料先验与可微射线追踪，通过少量稀疏信道测量快速校准参数，提升毫米波信道建模效率与精度。

Continual Fine-Tuning with Provably Accurate and Parameter-Free Task Retrieval

持续微调与可证明准确且无参数的任务检索

Hang Thi-Thuy Le, Long Minh Bui, Minh Hoang, Trong Nghia Hoang

机构 * Washington State University（华盛顿州立大学） ； Princeton University（普林斯顿大学） 纠错

AI总结 本文提出一种无参数任务检索的持续微调方法，结合输入和参数适应的优势，通过自适应模块组合策略和基于聚类的检索机制，提升任务检索和预测性能。

A Human-in-the-Loop Confidence-Aware Failure Recovery Framework for Modular Robot Policies

一个带有人类参与的置信度意识故障恢复框架用于模块化机器人策略

Rohan Banerjee, Krishna Palempalli, Bohan Yang, Jiaying Fang, Alif Abdullah, Tom Silver, Sarah Dean, Tapomayukh Bhattacharjee

机构 * Cornell University（康奈尔大学） ； Princeton University（普林斯顿大学） 纠错

AI总结 本文提出一个模块化机器人策略的人机协作故障恢复框架，通过整合模块级不确定性估计与人类干预成本模型，优化故障恢复效率与用户负荷。

Comments The second and third authors contributed equally. The last two authors advised equally

Finance-Informed Neural Network: Learning the Geometry of Option Pricing

金融导向神经网络：学习期权定价的几何结构

Amine M. Aboussalah, Xuanze Li, Cheng Chi, Raj Patel

机构 * NYU Tandon School of Engineering（纽约大学Tandon工程学院） ； University of Toronto（多伦多大学） ； Princeton University（普林斯顿大学） 纠错

AI总结 FINN通过复制和风险控制原则学习期权定价，而非参数假设，实现无套利定价与鲁棒性，适用于新兴市场。

Reactive Writers: How Co-Writing with AI Changes How We Engage with Ideas

反应性写作：与AI共写如何改变我们对想法的参与方式

Advait Bhat, Marianne Aubin Le Quéré, Mor Naaman, Maurice Jakesch

机构 * Paul G. Allen School of Computer Science, University of Washington（保罗·G·艾伦计算机科学学院，华盛顿大学） ； Center for Information Technology Policy, Princeton University（信息科技政策中心，普林斯顿大学） ； Cornell Tech（康奈尔科技） ； Bauhaus University（包豪斯大学） 纠错

AI总结 本文研究了与AI共写如何改变写作过程，发现反应性写作是一种以评估优先、建议引导的写作方式，作者在过程中未察觉AI影响，但容易受AI偏见影响。

Comments 21 pages, 8 figures, CHI 2026 : ACM CHI Conference on Human Factors in Computing Systems

World Models That Know When They Don't Know - Controllable Video Generation with Calibrated Uncertainty

能识别不确定性的世界模型 - 可控视频生成中的校准不确定性

Zhiting Mei, Tenny Yin, Micah Baker, Ola Shorinwa, Anirudha Majumdar

机构 * Princeton University（普林斯顿大学） 纠错

AI总结 提出C3方法，通过校准不确定性量化提升可控视频生成的可靠性与可信度。

Communication-Efficient Multimodal Federated Learning: Joint Modality and Client Selection

高效多模态联邦学习：联合模态与客户端选择

Liangqi Yuan, Dong-Jun Han, Su Wang, Devesh Upadhyay, Christopher G. Brinton

机构 * School of Electrical and Computer Engineering, Purdue University（普渡大学电气与计算机工程学院） ； Department of Computer Science and Engineering, Yonsei University（延世大学计算机科学与工程系） ； School of Electrical and Computer Engineering, Princeton University（普林斯顿大学电气与计算机工程学院） ； Saab Inc.（Saab公司） 纠错

AI总结 本文提出MFedMC框架，通过解耦架构和联合选择算法，实现高效多模态联邦学习，减少通信开销并提升模型泛化能力。

Comments arXiv admin note: text overlap with arXiv:2310.07048

From Pixels to Predicates: Learning Symbolic World Models via Pretrained Vision-Language Models

从像素到谓词：通过预训练视觉-语言模型学习符号世界模型

Ashay Athalye, Nishanth Kumar, Tom Silver, Yichao Liang, Jiuguang Wang, Tomás Lozano-Pérez, Leslie Pack Kaelbling

机构 * MIT（麻省理工学院） ； Princeton University（普林斯顿大学） ； University of Cambridge（剑桥大学） ； RAI Institute（RAI研究院） 纠错

AI总结 通过预训练视觉-语言模型学习符号世界模型，以实现复杂机器人领域中长周期决策制定的零样本泛化。

Comments A version of this paper appears in the official proceedings of RA-L, Volume 11, Issue 4

Tracking Phenological Status and Ecological Interactions in a Hawaiian Cloud Forest Understory using Low-Cost Camera Traps and Visual Foundation Models

利用低成本相机陷阱和视觉基础模型追踪夏威夷云林 understory 的物候状态和生态互动

Luke Meyers, Anirudh Potlapally, Yuyan Chen, Mike Long, Tanya Berger-Wolf, Hari Subramoni, Remi Megret, Daniel Rubenstein

机构 * Computer Science, The Ohio State University, Columbus, Ohio, USA（俄亥俄州立大学计算机科学系） ； Computer Science, The University of Puerto Rico Rio Piedras, San Juan, Puerto Rico（波多黎各大学里奥皮埃拉斯分校计算机科学系） ； Computer Science, McGill University, Montreal, Quebec, Canada（麦吉尔大学计算机科学系） ； Battele Ecology, Neon Domain 20, Hilo, Hawaii（Battele生态研究所） ； Ecology, Princeton University, Princeton, New Jersey, USA（普林斯顿大学生态学系） 纠错

AI总结 本研究利用低成本相机陷阱和视觉基础模型，追踪夏威夷云林 understory 的植物物候变化及生态互动，揭示时间精细度高的物候趋势。

Breaking Training Bottlenecks: Effective and Stable Reinforcement Learning for Coding Models

突破训练瓶颈：为编码模型提供有效且稳定的强化学习

Zongqian Li, Shaohan Huang, Zewen Chi, Yixuan Su, Lexin Zhou, Li Dong, Nigel Collier, Furu Wei

机构 * Microsoft Research（微软研究院） ； University of Cambridge（剑桥大学） ； Princeton University（普林斯顿大学） 纠错

AI总结 本文提出MicroCoder-GRPO方法，通过改进的组相对策略优化解决编码模型训练瓶颈，实现性能提升并发布相关数据集和评估框架。

Representing local protein environments with machine learning force fields

用机器学习力场表示局部蛋白质环境

Meital Bojan, Sanketh Vedula, Advaith Maddipatla, Nadav Bojan Sellam, Anar Rzayev, Federico Napoli, Paul Schanda, Alex M. Bronstein

机构 * IST Austria（IST奥地利研究院） ； Technion, Israel（技术学院，以色列） ； University of Oxford, UK（牛津大学，英国） ； Princeton University（普林斯顿大学） ； Broad Institute of MIT and Harvard（哈佛大学与麻省理工学院Broad研究所） 纠错

AI总结 本文提出基于原子基础模型的局部蛋白质环境表示方法，有效捕捉结构和化学特征，实现了高精度的生物分子核磁共振化学移位预测。

Improved high-dimensional estimation with Langevin dynamics and stochastic weight averaging

改进的高维估计与 Langevin 动力学和随机权重平均

Stanley Wei, Alex Damian, Jason D. Lee

机构 * Princeton University（普林斯顿大学） ； Harvard University（哈佛大学） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出利用 Langevin 动力学和迭代平均来改进高维估计，证明在不显式平滑的情况下，Langevin 动力学可在n≈d^{k*/2}样本下成功恢复隐藏方向。

Why Human Guidance Matters in Collaborative Vibe Coding

为何人类指导在协作式节奏编码中至关重要

Haoyu Hu, Raja Marjieh, Katherine M Collins, Chenyi Li, Thomas L. Griffiths, Ilia Sucholutsky, Nori Jacoby

机构 * Cornell University（康奈尔大学） ； Princeton University（普林斯顿大学） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Cambridge（剑桥大学） ； New York University（纽约大学） 纠错

AI总结 本研究通过实验表明，人类在协作式节奏编码中提供有效高层指令，而AI指令常导致性能下降，混合系统在人类主导指令时表现最佳，强调人类指导的重要性。

Knowledge Graphs are Implicit Reward Models: Path-Derived Signals Enable Compositional Reasoning

知识图谱是隐式奖励模型：路径衍生信号促进组合推理

Yuval Kansal, Niraj K. Jha

机构 * Department of Electrical and Computer Engineering, Princeton University, New Jersey, USA（电气与计算机工程系，普林斯顿大学，新泽西州，美国） 纠错

AI总结 本文提出利用知识图谱作为隐式奖励模型，通过路径衍生信号提升模型在复杂推理任务中的组合推理能力。

Phys2Real: Fusing VLM Priors with Interactive Online Adaptation for Uncertainty-Aware Sim-to-Real Manipulation

Phys2Real: 融合视觉语言模型先验与交互在线适应以实现不确定性感知的仿真到现实操控

Maggie Wang, Stephen Tian, Aiden Swann, Ola Shorinwa, Jiajun Wu, Mac Schwager

机构 * Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学） 纠错

AI总结 Phys2Real通过融合视觉语言模型先验与交互适应，提升仿真到现实操控的不确定性感知与任务成功率。

Comments Accepted to IEEE International Conference on Robotics and Automation (ICRA) 2026

FlashAttention-4: Algorithm and Kernel Pipelining Co-Design for Asymmetric Hardware Scaling

FlashAttention-4：异构硬件扩展下的算法与内核流水线协同设计

Ted Zadouri, Markus Hoehnerbach, Jay Shah, Timmy Liu, Vijay Thakkar, Tri Dao

机构 * Princeton University（普林斯顿大学） ； Meta ； Colfax Research（Colfax研究公司） ； NVIDIA（NVIDIA公司） ； Georgia Tech（佐治亚理工学院） ； Together AI 纠错

AI总结 FlashAttention-4通过异构硬件扩展下的算法与内核流水线协同设计，提升B200 GPU上的注意力计算效率。

UFO-4D: Unposed Feedforward 4D Reconstruction from Two Images

UFO-4D：从两幅图像中进行无约束前馈4D重建

Junhwa Hur, Charles Herrmann, Songyou Peng, Philipp Henzler, Zeyu Ma, Todd Zickler, Deqing Sun

机构 * Google（谷歌） ； Princeton University（普林斯顿大学） ； Harvard University（哈佛大学） 纠错

AI总结 UFO-4D通过统一的前馈框架，从两幅图像中高效重建密集4D表示，实现3D几何、运动和相机姿态的联合估计，提升4D重建精度与效率。

Comments ICLR 2026, Project page: https://ufo-4d.github.io/

From Word to World: Can Large Language Models be Implicit Text-based World Models?

从词到世界：大型语言模型能否作为隐式的基于文本的世界模型？

Yixia Li, Hongru Wang, Jiahao Qiu, Zhenfei Yin, Dongdong Zhang, Cheng Qian, Zeping Li, Pony Ma, Guanhua Chen, Heng Ji

机构 * Southern University of Science and Technology（南方科技大学） ； Microsoft Research（微软研究院） ； University of Edinburgh（爱丁堡大学） ； Princeton University（普林斯顿大学） ； Oxford University（牛津大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学香槟分校） ； Fudan University（复旦大学） ； Mind Lab 纠错

AI总结 本文研究了大型语言模型在基于文本的环境中作为世界模型的可行性，通过三个评估层面验证了其在提升智能体性能方面的有效性，并明确了环境复杂性和行为覆盖对世界建模效果的影响。

Transport Clustering: Solving Low-Rank Optimal Transport via Clustering

传输聚类：通过聚类解决低秩最优传输

Henri Schmidt, Peter Halmos, Ben Raphael

机构 * Department of Computer Science, Princeton University, NJ, USA（计算机科学系，普林斯顿大学） 纠错

AI总结 传输聚类通过将低秩最优传输转化为聚类问题，提供多项式时间近似算法，提升计算效率与精度。