Princeton University（普林斯顿大学）

Emergent Transfer of a Physics Foundation Model from Simulation to Laboratory Turbulence

物理基础模型从模拟到实验室湍流的涌现迁移

Payel Mukhopadhyay, Stefan S. Nixon, Romain Watteaux, Michael McCabe, Alberto Bietti, Kyunghyun Cho, Cristiana Diaconu, Irina Espejo Morales, David Fouhey, Siavash Golkar, Tom Hehir, Shirley Ho, Jake Kovalic, Geraud Krawezik, Francois Lanusse, Tanya Marwah, Rudy Morel, Mariel Pettee, Helen Qu, Jeff Shen, Hadi Sotoudeh, Stuart B. Dalziel, Miles Cranmer

机构 * University of Cambridge（剑桥大学） ； CEA, DAM/DIF（法国CEA DAM/DIF） ； Flatiron Institute（Flatiron研究所） ； New York University（纽约大学） ； Princeton University（普林斯顿大学） ； Yale University（耶鲁大学） ； AIM, Université Paris-Saclay, Université Paris Cité, CEA, CNRS（AIM，巴黎-萨克雷大学，巴黎城市大学，CEA，CNRS） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Polymathic AI（聚合人工智能） 纠错

AI总结 通过微调连续介质动力学基础模型Walrus，在仅使用少量模拟数据的情况下，零样本泛化到实验室瑞利-泰勒不稳定性实验，揭示了初始条件在模拟-实验差距中的关键作用。

GraspGen-X: Cross-Embodiment 6-DOF Diffusion-based Grasping

GraspGen-X: 跨形态6自由度扩散抓取

Beining Han, Yu-Wei Chao, Erwin Coumans, Clemens Eppner, Balakumar Sundaralingam, Jia Deng, Stan Birchfield, Adithyavairavan Murali

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

AI总结 提出一种基于扩散模型的跨形态6自由度抓取方法，通过扫描体积启发式编码夹爪表示，在20亿抓取数据上训练，实现对新物体、场景和夹爪形态的零样本泛化。

Task diversity produces systematic transfer but inhibits continual reinforcement learning

任务多样性产生系统性迁移但抑制持续强化学习

Purab Seth, Neil Shah, Kunal Jha, Samuel J. Gershman, Max Kleiman-Weiner, Wilka Carvalho

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

AI总结 通过引入GPU加速的持续强化学习领域Banyan，研究任务多样性（地图布局、交互对象、子目标层次结构）对智能体在分布变化下持续学习能力的影响，发现多样性促进局部迁移但导致长期任务性能停滞和遗忘。

Cuttlebot: a platform demonstration for complex, autonomous, bio-inspired swimmers

Cuttlebot：一种复杂自主仿生游泳机器人的平台演示

Alexander Nicholas White, Ang Leo Li, Alexander Yin, Derrick Roseman, Valeria Saro-Cortes, Hannah Wiswell, Aimy Wissa, Mihai Duduta

机构 * School of Mechanical, Aerospace, and Manufacturing Engineering, University of Connecticut（康涅狄格大学机械、航空航天与制造工程学院） ； Department of Mechanical and Industrial Engineering, University of Toronto（多伦多大学机械与工业工程系） ； University of Connecticut, Institute of Materials Science（康涅狄格大学材料科学研究所） ； Department of Mechanical and Aerospace Engineering, Princeton University（普林斯顿大学机械与航空航天工程系） 纠错

AI总结 本文提出CORE自主机器人平台，驱动六个人工肌肉并感知视觉与空间信息，开发了仿乌贼机器人Cuttlebot，通过波动鳍实现三维游泳，验证了平台的有效性。

Value Flows

Value Flows

Perry Dong, Chongyi Zheng, Chelsea Finn, Dorsa Sadigh, Benjamin Eysenbach

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

AI总结 本文利用基于流的生成模型估计完整未来回报分布，通过新的流匹配目标满足分布贝尔曼方程，并利用流导数ODE估计回报不确定性以优先学习，在离线与在线设置中平均成功率提升1.3倍。

Comments ICLR 2026

Two Datasets Are Better Than One: Method of Double Moments for 3-D Reconstruction in Cryo-EM

两个数据集优于一个：冷冻电镜三维重建的双矩方法

Joe Kileel, Oscar Mickelin, Amit Singer, Sheng Xu

机构 * Department of Mathematics and Oden Institute, University of Texas at Austin（德克萨斯大学奥斯汀分校数学系与奥登研究所） ； Yau Mathematical Sciences Center, Tsinghua University（清华大学姚贝泰数学科学中心） ； Program in Applied and Computational Mathematics and Department of Mathematics, Princeton University（普林斯顿大学应用与计算数学项目及数学系） ； Program in Applied and Computational Mathematics, Princeton University（普林斯顿大学应用与计算数学项目） 纠错

AI总结 提出双矩方法（MoDM），利用均匀和非均匀两种取向分布下的二阶矩数据唯一确定分子结构，并开发基于凸松弛的算法实现高精度重建。

Beyond Objects: Contextual Synthetic Data Generation for Fine-Grained Classification

超越对象：面向细粒度分类的上下文合成数据生成

William Yang, Xindi Wu, Zhiwei Deng, Esin Tureci, Olga Russakovsky

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

AI总结 提出BOB微调策略，通过提取并条件化类不可知属性（如场景背景和物体姿态）来缓解过拟合，提升细粒度分类中合成训练数据的质量，在多个数据集上达到最优性能。

Comments CVPR 2026

Princeton365: A Diverse Dataset with Accurate Camera Pose

Princeton365: 一个具有精确相机位姿的多样化数据集

Karhan Kayan, Stamatis Alexandropoulos, Rishabh Jain, Yiming Zuo, Erich Liang, Jia Deng

机构 * Princeton University（普林斯顿大学） 纠错

AI总结 提出Princeton365数据集，包含365个视频和精确相机位姿，通过校准板和360度相机的新颖真值采集框架弥合精度与多样性差距，并引入基于光流的尺度感知评估指标及新颖视图合成基准。

Comments Update v2: Match the ICCV 2025 camera-ready version. Fix typos

Bayesian Inference with Shaped Deep Non-linear MLPs

具有形状深度非线性MLP的贝叶斯推断

Boris Hanin, Tianze Jiang

机构 * Princeton University（普林斯顿大学） 纠错

AI总结 本文通过神经协方差SDE分析深度非线性MLP在训练样本数、输入维数、隐藏层宽度和层数均较大时的贝叶斯推断，发现LP/N的一阶准则决定深度对模型证据的益处，并推导出贝叶斯预测后验等价于数据相关核方法。

Comments 35 Pages

Learning to Perceive the World Through Control: Empowerment-Based Representation Learning

通过控制学习感知世界：基于赋能的表示学习

Mahsa Bastankhah, Sophie Broderick, Benjamin Eysenbach

机构 * Princeton University, USA（普林斯顿大学，美国） 纠错

AI总结 本文通过最大化赋能目标，研究如何学习仅捕捉环境控制相关特征的表示，并证明赋能代理诱导的前向和后向表示对控制无关特征具有不变性。

VLM3: Vision Language Models Are Native 3D Learners

VLM3：视觉语言模型是原生3D学习者

Zhipeng Cai, Zhuang Liu, Yunyang Xiong, Zechun Liu, Vikas Chandra, Yangyang Shi

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

AI总结 本文提出VLM3，通过焦距统一、文本像素参考和数据混合缩放，使标准视觉语言模型无需复杂架构或损失函数即可高效掌握多种3D任务。

NumLeak: Public Numeric Benchmarks as Latent Labels in Foundation Models

NumLeak: 基础模型中的公开数值基准作为潜在标签

Anany Kotawala

机构 * Princeton University（普林斯顿大学） 纠错

AI总结 提出NumLeak框架，通过API边界探测和开源因果模型的白盒验证，揭示基础模型在预训练中记忆公开数值基准，导致评估高估泛化能力。

Comments 23 pages, 12 figures, 17 tables. Accepted at the ICML 2026 Workshop on the Impact of Memorization on Trustworthy Foundation Models (MemFM)

RoboWits: Unexpected Challenges for Robotic Creative Problem Solving

RoboWits：机器人创造性问题解决中的意外挑战

Chunru Lin, Hongxin Zhang, Fenghao Yu, Zhehuan Chen, Thomas L. Griffiths, Yejin Choi, David Held, Chuang Gan

机构 * University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； Princeton University（普林斯顿大学） ； Stanford University（斯坦福大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出RoboWits双臂机器人基准，通过多智能体协作的自动化任务生成流水线评估机器人在几何、材料和装配推理中的认知推理、创造性工具使用及鲁棒性，发现预训练VLA在突变任务中表现脆弱。

Comments The first two authors contributed equally

Resolution Diagnostics for Paired LLM Evaluation

配对LLM评估的分辨率诊断

Anany Kotawala

机构 * Princeton University（普林斯顿大学） 纠错

AI总结 针对公开LLM排行榜中配对排名未达到常规配对检验分辨率目标的问题，提出基于假设检验的配对评估框架，并引入分辨率比q=N/N*作为主要诊断指标，揭示了常用非配对Cohen-h-plus-(1-rho)捷径在接近比较区域存在约两倍的偏差。

Comments 16 pages, 7 figures, 12 tables. Accepted to the ICML 2026 Workshop on Hypothesis Testing, Seoul, South Korea, 2026. Copyright 2026 by the author(s)

Prioritize the Process, Not Just the Outcome: Rewarding Latent Thought Trajectories Improves Reasoning in Looped Language Models

优先过程而非结果：奖励潜在思维轨迹改善循环语言模型的推理能力

Jonathan Williams, Esin Tureci

机构 * Department of Computer Science, Princeton University, Princeton NJ, U.S.A（普林斯顿大学计算机科学系） 纠错

AI总结 针对循环语言模型（LoopLM）中标准强化学习（如GRPO）仅奖励最终潜在状态导致推理改进失败的问题，提出RLTT框架，通过在整个潜在推理轨迹上分配奖励实现密集的轨迹级信用分配，显著提升数学推理性能并泛化至非数学任务。

Comments ICML 2026

Approximate Proportionality in Online Fair Division

在线公平分配中的近似比例性

Davin Choo, Winston Fu, Derek Khu, Tzeh Yuan Neoh, Tze-Yang Poon, Nicholas Teh

机构 * Harvard University, USA（哈佛大学） ； University of Oxford, UK（牛津大学） ； Centre for Frontier AI Research (CFAR), Agency for Science, Technology and Research (A*STAR), Singapore（前沿人工智能研究中心（CFAR）） ； Institute of High Performance Computing (IHPC), Agency for Science, Technology and Research (A*STAR), Singapore（高性能计算研究所（IHPC）） ； Princeton University, New Jersey, USA（普林斯顿大学） ； Institute for Infocomm Research (I2R), Agency for Science, Technology and Research (A*STAR), Singapore（信息与通信研究所以（I2R）） 纠错

AI总结 研究在线公平分配问题中比例性（PROP1）的可近似性，通过非自适应对手和最大物品价值预测两种松弛方法，设计了具有鲁棒保证的在线算法。

Comments Appears in the 43rd International Conference on Machine Learning (ICML), 2026

Attention as In-Context Empirical Bayes: A Two-Stage View via Particle Dynamics

注意力作为上下文经验贝叶斯：通过粒子动力学的两阶段视角

Matthew Smart, Soumya Ganguly, Nilava Metya, Alexandre V. Morozov, Anirvan M. Sengupta

机构 * Lewis-Sigler Institute for Integrative Genomics（利斯-西格尔整合基因组研究所） ； Princeton University（普林斯顿大学） ； Department of Mathematics（数学系） ； Rutgers University（罗格斯大学） ； Department of Physics and Astronomy（物理与天文学系） ； Center for Computational Quantum Physics and Center for Computational Mathematics（计算量子物理中心和计算数学中心） ； Flatiron Institute（Flatiron研究所） ； Simons Foundation（西蒙斯基金会） 纠错

AI总结 本文通过粒子动力学将最小注意力仅变换器解释为两阶段经验贝叶斯过程，揭示了深度和注意力残差的统计角色，并证明无需显式噪声调度即可实现有效去噪。

Comments 52 pages, 5 figures

GrepSeek: Training Search Agents for Direct Corpus Interaction

GrepSeek：训练用于直接语料库交互的搜索代理

Alireza Salemi, Chang Zeng, Atharva Nijasure, Jui-Hui Chung, Razieh Rahimi, Fernando Diaz, Hamed Zamani

机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Princeton University（普林斯顿大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 提出GrepSeek，一种通过两阶段训练（冷启动数据集+GRPO优化）和语义保持的分片并行执行引擎，训练紧凑型搜索代理直接与文本语料库交互（通过shell命令），在开放域问答中取得最优F1和精确匹配。

PROTOCOL: Late Interaction Retrieval for Protein Homolog Search

PROTOCOL: 用于蛋白质同源搜索的延迟交互检索

Gabrielle Cohn, Rohan Gumaste, Minh Hoang, Vihan Lakshman

机构 * MIT（麻省理工学院） ； Princeton University（普林斯顿大学） 纠错

AI总结 提出ProtoCol模型，利用ColBERT风格的延迟交互机制对残基嵌入进行最大相似度评分，以提升远程同源搜索的灵敏度，在SCOPe超家族和Pfam clan基准上优于多种基线方法。

When Models Disagree: Rethinking LLM Evaluation for Public Comment Analysis

当模型存在分歧：重新思考用于公众评论分析的LLM评估

Aisha Najera, Alvin Moon, Vedant Srinivasan, Rajesh Veeraraghavan

机构 * AI Lab, Princeton University Engineering and Applied Sciences（普林斯顿大学人工智能实验室、工程与应用科学学院） ； RAND Corporation（RAND公司） ； Engineering and Applied Sciences（工程与应用科学） ； Science, Technology, and International Affairs（科学、技术与国际事务） ； Georgetown University（乔治·华盛顿大学） 纠错

AI总结 提出一种解释性审计流程，利用多模型分歧检测解释复杂性，引导人工审查关注真正模糊的公众意见，以补充传统基于准确率的评估方法。

GASS: Geometry-Aware Spherical Sampling for Disentangled Diversity Enhancement in Text-to-Image Generation

GASS: 几何感知球面采样用于文本到图像生成中解耦多样性增强

Ye Zhu, Kaleb S. Newman, Johannes F. Lutzeyer, Adriana Romero-Soriano, Michal Drozdzal, Olga Russakovsky

机构 * Laboratoire d'Informatique (LIX), CNRS, École Polytechnique, IPP, France（信息实验室（LIX），法国国家科学研究中心，巴黎高等技术学院，IPP，法国） ； Department of Computer Science, Princeton University, USA（计算机科学系，普林斯顿大学，美国） ； FAIR at Meta - Montreal, Canada（Meta FAIR - 加拿大蒙特利尔） ； McGill University, Canada（麦吉尔大学，加拿大） ； Mila, Quebec AI Institute, Canada（魁北克人工智能研究所，加拿大） ； Canada CIFAR AI chair（加拿大CIFAR人工智能主席） 纠错

AI总结 提出几何感知球面采样（GASS），通过正交分解CLIP嵌入中的提示相关与无关变异方向，沿两轴扩展投影分布以引导采样，在保持图像保真度和语义对齐的同时增强生成多样性。

Comments ICML 2026 Camera-ready. Code available at https://github.com/L-YeZhu/GASS_T2I

VRAG: Learning World Models for Interactive Video Generation

VRAG：面向交互式视频生成的世界模型学习

Taiye Chen, Xun Hu, Zihan Ding, Chi Jin

机构 * Peking University（北京大学） ； University of Oxford（牛津大学） ； Princeton University（普林斯顿大学） 纠错

AI总结 针对自回归视频生成中累积误差和记忆机制不足的问题，提出视频检索增强生成（VRAG）方法，通过显式全局状态条件降低长期累积误差并提升时空一致性。

Comments Published at NeurIPS 2025. Project page: https://sites.google.com/view/vrag

OmniVerifier-M1: Multimodal Meta-Verifier with Explicit Structured Recalibration

OmniVerifier-M1: 具有显式结构化重校准的多模态元验证器

Xinchen Zhang, Bowei Liu, Jiale Liu, Chufan Shi, Yizhen Zhang, Junhong Liu, Youliang Zhang, Zhiheng Li, Yujiu Yang, Ling Yang

机构 * Tsinghua University（清华大学） ； Pennsylvania State University（宾夕法尼亚州立大学） ； University of Southern California（南加州大学） ； Microcyto ； Princeton University（普林斯顿大学） 纠错

AI总结 提出OmniVerifier-M1，通过符号化元验证（如边界框）和解耦强化学习，实现多模态大模型的可靠细粒度验证与动态区域级自校正。

Comments ICML 2026. Project: https://github.com/Cominclip/OmniVerifier

SeeGroup: Multi-Layer Depth Estimation of Transparent Surfaces via Self-Determined Grouping

SeeGroup: 通过自确定分组的透明表面多层深度估计

Hongyu Wen, Jia Deng

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

AI总结 提出SeeGroup方法，通过将多层深度建模为点过程并采用置换不变损失，实现自适应分组，显著提升透明表面多层深度估计精度。

Transformers Provably Learn to Internalize Chain-of-Thought

Transformer可证明地内化思维链

Yixiao Huang, Hanlin Zhu, Zixuan Wang, Jiantao Jiao, Stuart Russell, Somayeh Sojoudi, Song Mei

机构 * UC Berkeley（伯克利大学） ； Princeton University（普林斯顿大学） 纠错

AI总结 提出Log-ICoT课程训练，使L层Transformer用多项式样本学习k-奇偶性，匹配显式CoT的样本效率且消除推理开销。

Fine-Tuning Dynamics of In-Context Factual Recall in Transformers

Transformer中上下文事实回忆的微调动力学

Ruomin Huang, Eshaan Nichani, Jason D. Lee, Rong Ge

机构 * Duke University（杜克大学） ； Princeton University（普林斯顿大学） ； UC Berkeley（加州大学伯克利分校） 纠错

AI总结 研究Transformer在上下文学习中如何利用存储的参数化事实知识，通过引入上下文事实回忆任务并分析单层Transformer的微调动力学，证明模型收敛到特定的成对注意力模式，且所需样本量极少。

Robust Moment-Based Estimation via Spectral Gradient Reweighting

基于谱梯度重加权的稳健矩估计

Liu Zhang, Amit Singer

机构 * Program in Applied and Computational Mathematics, Princeton University（应用与计算数学项目，普林斯顿大学） 纠错

AI总结 提出SGR-GMM算法，通过谱梯度重加权对观测梯度进行软重加权，实现稳健的广义矩估计，并给出理论保证和实验验证。

LocateAnything: Fast and High-Quality Vision-Language Grounding with Parallel Box Decoding

LocateAnything: 基于并行框解码的快速高质量视觉定位

Shihao Wang, Shilong Liu, Yuanguo Kuang, Xinyu Wei, Yangzhou Liu, Zhiqi Li, Yunze Man, Guo Chen, Andrew Tao, Guilin Liu, Jan Kautz, Lei Zhang, Zhiding Yu

机构 * The Hong Kong Polytechnic University（香港理工大学） ； Princeton University（普林斯顿大学） ； Nanjing University（南京大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 提出并行框解码（PBD）方法，将边界框和点作为原子单元单步解码，结合大规模数据集LocateAnything-Data，实现高效统一的目标定位与检测，在保持高精度同时显著提升解码吞吐量。

Comments fix github link

Quantifying Empirical Compute-Supervision Tradeoffs in RLVR

量化 RLVR 中计算与监督的实证权衡

Ryo Mitsuhashi, Patrick Chen, Isabelle Tseng, Jasin Cekinmez, Addison J. Wu

机构 * Princeton University（普林斯顿大学） 纠错

AI总结 通过 GSM8K 上的 GRPO 实验，研究验证器噪声对 RLVR 的影响，发现计算扩展无法弥补监督噪声，且假阴性比假阳性危害更大。

Comments Workshop on Combining Theory and Benchmarks @ ICML 2026

Knowledge Graph-Driven Expert-Level Reasoning for Neuroscience

知识图谱驱动的神经科学专家级推理

Jake Stephen, Niraj K. Jha

机构 * Department of Electrical and Computer Engineering, Princeton University（普林斯顿大学电气与计算机工程系） 纠错

AI总结 本文通过从单一教科书构建知识图谱并生成问答监督，微调语言模型，实现超越大语言模型的专家级神经科学推理。