NeurIPS

The Structured Output Benchmark: A Multi-Source Benchmark for Evaluating Structured Output Quality in Large Language Models

结构化输出基准：一个多源基准，用于评估大型语言模型中的结构化输出质量

Abhinav Kumar Singh, Harsha Vardhan Khurdula, Yoeven D Khemlani, Vineet Agarwal

机构 * JigsawStack, Inc.（JigsawStack公司） ； New Delhi, India（印度新德里） ； San Francisco, CA, USA（美国旧金山） ； Durgapur, WB, India（印度德里邦杜格apur） 纠错

AI总结 本文提出SOB基准，用于评估大型语言模型在多源数据中的结构化输出质量，通过文本、图像和音频三种模态的测试数据，发现模型在结构合规性上表现良好，但价值准确性在不同数据源中差异显著。

Comments 19 pages, 4 figures, 11 tables, submitted to NeurIPS 2026

Online combinatorial optimization with stochastic decision sets and adversarial losses

在线组合优化与随机决策集及对抗性损失

Gergely Neu, Michal Valko

机构 * SequeL team, INRIA Lille – Nord Europe（INRIA里尔–北欧分部序列团队） 纠错

AI总结 本文研究了处理随机可用性决策集的在线组合优化算法，提出基于扰动领导者预测方法的新算法，并在不同反馈设置下分析其性能，改进了睡眠带宽问题的性能保证。

Comments Published at Neural Information Processing Systems (NeurIPS) 2014

Immediate Derivatives Suffice for Online Recurrent Adaptation

即时导数足以支持在线递归适应

Aur Shalev Merin

机构 * Independent Researcher（独立研究者） 纠错

AI总结 本文证明在线递归学习无需传播雅可比张量，通过即时导数实现与全RTRL相似的性能，展示了在不同优化器和网络结构下的有效性。

Comments 25 pages, 4 figures, 19 tables. Submitted to NeurIPS 2026

InternScenes: A Large-scale Simulatable Indoor Scene Dataset with Realistic Layouts

InternScenes: 一个大规模可模拟室内场景数据集，具有逼真布局

Weipeng Zhong, Peizhou Cao, Yichen Jin, Li Luo, Wenzhe Cai, Jingli Lin, Hanqing Wang, Zhaoyang Lyu, Tai Wang, Bo Dai, Xudong Xu, Jiangmiao Pang

机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai Jiao Tong University（上海交通大学） ； Beihang University（北航） ； The University of Hong Kong（香港大学） 纠错

AI总结 本文提出InternScenes数据集，包含4万多个多样化场景，涵盖15种常见场景类型和288个物体类别，通过整合现实扫描、程序生成和设计师创作的场景，保留大量小物品以实现逼真布局，用于场景布局生成和点-目标导航任务。

Comments Accepted by NeurIPS 2025; Project page: https://marjordcpz.github.io/InternScenes.github.io

ReSim: Reliable World Simulation for Autonomous Driving

ReSim：面向自动驾驶的可靠世界模拟

Jiazhi Yang, Kashyap Chitta, Shenyuan Gao, Long Chen, Yuqian Shao, Xiaosong Jia, Hongyang Li, Andreas Geiger, Xiangyu Yue, Li Chen

机构 * The Chinese University of Hong Kong（香港中文大学） ； The University of Hong Kong（香港大学） ； OpenDriveLab at Shanghai AI Lab（上海人工智能实验室OpenDrive实验室） ； NVIDIA Research（NVIDIA研究） ； Xiaomi EV（小米电动车） ； Shanghai Jiao Tong University（上海交通大学） ； University of Tübingen, Tübingen AI Center（图宾根大学，图宾根人工智能中心） ； HKUST（香港科技大学） 纠错

AI总结 本文提出ReSim模型，通过整合真实数据与模拟数据提升自动驾驶场景模拟的可靠性与可控性，提升规划和策略选择性能。

Comments NeurIPS 2025 Spotlight. Project page: https://opendrivelab.com/ReSim