Princeton University（普林斯顿大学）

Crypto x AI, AI x Crypto: A Survey

Crypto x AI, AI x Crypto: 综述

Sarah Allen, Pranay Anchuri, James Austgen, Maryam Bahrani, Samuel Breckenridge, Aaron Buchwald, Christian Cachin, Andrés Fábrega, Jared Fernandez, James Hsin-yu Chiang, Marwa Mouallem, Roi Bar-Zur, Neil DeSilva, Ittay Eyal, Giulia Fanti, Ari Juels, Andrew Miller, Christian Sillaber, Dani Vilardell, Pramod Viswanath, Wenhao Wang, Matt Weinberg, Sen Yang, Jianzhu Yao, Fan Zhang

机构 * Initiative for CryptoCurrencies and Contracts (IC3)（加密货币与合同倡议（IC3）） ； Ava Labs（Ava实验室） ； Carnegie Mellon University（卡内基梅隆大学） ； Cornell Tech（康奈尔科技） ； Flashbots ； Offchain Labs（离链实验室） ； Ritual Labs（仪式实验室） ； Technion（技术学院） ； University of Bern（伯恩大学） ； Princeton University（普林斯顿大学） ； ETH Zurich（苏黎世联邦理工学院） ； Teleport（Teleport；Flashbots(X)） ； Flashbots(X)（特拉维夫大学） ； Tel Aviv University 纠错

AI总结 本综述系统梳理了AI与区块链（crypto）的交叉研究，总结了现有工作、关键发现、开放问题及行业误解，指出两者仍处于早期融合阶段。

Muon$^p$: Muon with Fractional Spectral Powers

Muon$^p$: 具有分数谱幂的 Muon

Yihe Dong, Will Sawin

机构 * Princeton University（普林斯顿大学） 纠错

AI总结 提出 Muon$^p$ 优化器，通过分数谱幂更新 $US^pV^\top$ 插值 Muon 与梯度下降，证明其无法用单变量多项式迭代计算，并推导低阶双变量递归近似，在保持矩阵乘法结构的同时提升微调性能。

SuperThoughts: Reasoning Tokens in Superposition

SuperThoughts: 叠加中的推理令牌

Zheyang Xiong, Shivam Garg, Max Yu, Vaishnavi Shrivastava, Haoyu Zhao, Anastasios Kyrillidis, Dimitris Papailiopoulos

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Microsoft Research（微软研究院） ； Independent（独立机构） ； Princeton University（普林斯顿大学） ； Rice University（莱斯大学） 纠错

AI总结 提出SuperThoughts方法，通过将连续CoT令牌对压缩为单一潜在表示并利用多令牌预测模块解码，在保持训练监督的同时将推理吞吐量翻倍，实现约20-30%的CoT长度缩减且精度损失极小。

AfriSUD: A Dependency Treebank Collection for Evaluating Models on African Languages

AfriSUD：用于评估非洲语言模型的依存树库集合

Happy Buzaaba, Cheikh Mouhamadou Bamba Dione, David Ifeoluwa Adelani, Sylvain Kahane, Kim Gerdes, Bruno Guillaume, Kevin Guan, Aremu Anuoluwapo, Naome A. Etori, Shamsuddeen Hassan Muhammad, Utitofon Inyang, Peter Nabende, David Sabiiti Bamutura, Andiswa Bukula, Chinedu Uchechukwu, Rooweither Mabuya, Idris Akinade, Christiane Fellbaum

机构 * Princeton University（普林斯顿大学） ； Laboratory for Artificial Intelligence, Princeton University（普林斯顿大学人工智能实验室） ； Gaston Berger University（加斯顿·伯杰大学） ； Mila, McGill University（麦吉尔大学米拉研究所） ； Canada CIFAR AI Chair（加拿大CIFAR人工智能教席） ； Paris Nanterre University（巴黎南泰尔大学） ； Paris-Saclay University（巴黎-萨克雷大学） ； CNRS（法国国家科学研究中心） ； Inria（法国国家信息与自动化研究所） ； LORIA（洛林计算机科学实验室） ； Université de Lorraine（洛林大学） ； University of Trento（特伦托大学） ； University of Minnesota–Twin Cities（明尼苏达大学双城分校） ； Imperial College London（伦敦帝国学院） ； Binghamton University（宾汉姆顿大学） ； Makerere University（马凯雷雷大学） ； Penn State University（宾夕法尼亚州立大学） ； Mbarara University of Science and Technology（姆巴拉拉科技大学） ； Chalmers University of Technology（查尔姆斯理工大学） ； University of Ibadan（伊巴丹大学） ； Nnamdi Azikiwe University（纳姆迪·阿齐基韦大学） ； South African Centre for Digital Language Resources（南非数字语言资源中心） 纠错

AI总结 为弥补非洲语言在NLP资源上的不足，构建了首个大规模九种非洲语言句法标注树库AfriSUD，评估多种模型发现显著句法差距。

ATLAS: Active Theory Learning for Automated Science

ATLAS: 自动化科学的主动理论学习

Noémi Éltető, Nathaniel D. Daw, Kimberly L. Stachenfeld, Kevin J. Miller

机构 * Google DeepMind（谷歌DeepMind） ； Princeton University（普林斯顿大学） ； Columbia University（哥伦比亚大学） ； University College London（伦敦大学学院） 纠错

AI总结 提出ATLAS框架，通过主动学习迭代生成稀疏神经网络假设并设计最优区分实验，在bandit任务中恢复强化学习智能体，相比随机实验采样效率提升5-10倍。

Hubs or Fringes: Pretraining Data Selection via Web Graph Centrality

枢纽或边缘：基于网页图中心性的预训练数据选择

Vedant Badoni, Danqi Chen, Xinyi Wang

机构 * Princeton Language and Intelligence（普林斯顿语言与智能） ； Princeton University（普林斯顿大学） 纠错

AI总结 提出WebGraphMix框架，利用Common Crawl主机级网页图的结构中心性得分调整预训练数据中中心与边缘文档的比例，无需模型训练或标注数据，在400M和1B参数模型上平均性能提升至41.4%。

Comments 10 pages

Can AI Agents Synthesize Scientific Conclusions?

AI代理能否综合科学结论？

Hayoung Jung, Pedro Viana Diniz, José Reinaldo Corrêa Roveda, Abner Fernandes da Silva, Haeun Jung, Enoch Tsai, Aleksandra Korolova, Manoel Horta Ribeiro

机构 * Princeton University（普林斯顿大学） ； Universidade Federal de Minas Gerais（米纳斯吉拉斯联邦大学） ； Stony Brook University（石溪大学） ； Hackensack Meridian School of Medicine（哈肯萨克子午线医学院） 纠错

AI总结 本文提出SciConBench基准和SciConHarness评估框架，通过分解原子事实并计算精确率和召回率，发现前沿AI代理在科学结论综合中事实F1仅0.337，且无约束评估存在数据泄露，消费者代理常生成不完整或矛盾的结论。

Comments 79 pages, 34 figures, 17 tables. Under Submission

i1: A Simple and Fully Open Recipe for Strong Text-to-Image Models

i1: 一种简单且完全开放的强文本到图像模型配方

Boya Zeng, Tianze Luo, Shu Pu, Jucheng Shen, Taiming Lu, Gabriel Sarch, Zhuang Liu

机构 * Princeton University（普林斯顿大学） 纠错

AI总结 本文通过300多次控制实验系统研究文本到图像扩散模型的设计选择，提出i1模型，仅用公开数据集训练3B参数模型，在五个基准上平均超越现有最佳完全开放模型29.5个百分点。

Comments Project page at https://zlab-princeton.github.io/i1

Range-Aware Bayesian Optimization for Discovering Diverse Designs within Target Property Windows

范围感知贝叶斯优化用于在目标属性窗口内发现多样化设计

Shengli Jiang, Jason Wu, Charles M. Schroeder, Michael A. Webb

机构 * Department of Chemical and Biological Engineering, Princeton University（普林斯顿大学化学与生物工程系） 纠错

AI总结 提出范围感知贝叶斯优化框架，通过采集函数直接评分候选解满足目标范围的后验概率，在基准任务和实际案例中比标准方法发现更多样化的有效设计。

Comments 64 pages, 6 main text figures, 17 supporting figures, 6 supporting tables

EEVEE: Towards Test-time Prompt Learning in the Real World for Self-Improving Agents

EEVEE：面向真实世界自改进智能体的测试时提示学习

Weixian Xu, Shilong Liu, Mengdi Wang

机构 * Shanghai Jiao Tong University（上海交通大学） ； Princeton University（普林斯顿大学） 纠错

AI总结 提出首个多数据集测试时提示学习框架EEVEE，通过路由器与提示协同进化策略解决跨数据集干扰，在异构数据流下提升鲁棒性。

Comments 19 pages, 6 figures

A Theory on Flow Matching with Neural Networks

基于神经网络的流匹配理论

Yihan He, Qishuo Yin, Yuan Cao, Jianqing Fan, Han Liu

机构 * Princeton University（普林斯顿大学） ； The University of Hong Kong（香港大学） ； Northwestern University（西北大学） 纠错

AI总结 本文为神经网络参数化的条件速度场流匹配建立了理论基础，证明了过参数化两层ReLU网络中梯度下降的收敛性，推导了条件速度场匹配目标的泛化界，并提供了生成样本的Wasserstein距离保证。

Using Probabilistic Programs to Train Inductive Reasoning in Large Language Models

使用概率程序训练大型语言模型的归纳推理

Liyi Zhang, Akshay K. Jagadish, Brenden M. Lake, Thomas L. Griffiths

机构 * Princeton University（普林斯顿大学） ； Princeton AI Lab（普林斯顿人工智能实验室） 纠错

AI总结 提出基于程序的后验训练（PPT）方法，利用LLM生成概率程序场景，通过推理产生分布目标，微调模型以提升归纳推理准确性、与人类判断的一致性及校准能力。

Comments 20 pages, 5 figures

End-to-End Context Compression at Scale

端到端上下文压缩的规模化

Ang Li, Sean McLeish, Haozhe Chen, Nimit Kalra, Zaiqian Chen, Artem Gazizov, Venkata Anoop Suhas Kumar Morisetty, Bhavya Kailkhura, Harshitha Menon, Zhuang Liu, Brian R. Bartoldson, Tom Goldstein, Sanae Lotfi, Micah Goldblum, Pavel Izmailov

机构 * New York University（纽约大学） ； Modal Labs（Modal实验室） ； University of Maryland（马里兰大学） ； Princeton University（普林斯顿大学） ； Columbia University（哥伦比亚大学） ； Harvard University（哈佛大学） ； Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室） ； FAIR at Meta（Meta FAIR实验室） 纠错

AI总结 本研究通过架构搜索和持续预训练，提出潜在上下文语言模型（LCLMs），一种端到端编码器-解码器压缩器，在通用任务性能、压缩速度和峰值内存上改进帕累托前沿，并可作为长时智能体的高效骨干。

SEAM: Shortcut-Aware Real-Time Detection of Scripted vs. Spontaneous Speech for Interview Guardrails

SEAM：面向面试防护栏的脚本化与自发语音的快捷方式感知实时检测

Vsevolod, Kovalev, Pranay Manocha

机构 * Symbal AI ； Princeton University（普林斯顿大学） 纠错

AI总结 提出SEAM框架，通过统一预处理、接缝感知采样、非语音增强和紧凑DistilHuBERT骨干，在8秒窗口下实现0.971 ROC-AUC，并揭示快捷方式学习问题。

Comments Accepted to Interspeech 2026

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/