期刊&会议
Conference on Neural Information Processing Systems · 会议 · Machine Learning
以新视角思考：生成增强型空间智能的系统分析
机构 * Joy Future Academy（京东探索研究院）
AI总结 本文提出TwNV框架，通过生成新视角合成提升空间推理能力，系统实验表明指令格式、生成精度和推理时的视角缩放对性能有显著影响。
Comments Submitted to NeurIPS 2026
基于动作分块的强化学习
机构 * UC Berkeley（伯克利大学）
AI总结 本文提出Q-chunking方法，通过动作分块技术提升长周期稀疏奖励任务的强化学习效率，实现离线到在线学习的样本效率优化。
Comments The Thirty-Ninth Annual Conference on Neural Information Processing Systems (NeurIPS 2025); 29 pages, 17 figures
前瞻性压缩在人类抽象学习中的作用
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Dalhousie University（达尔豪斯大学） ； Nanyang Technological University（南洋理工大学）
AI总结 本文研究了非平稳环境下人类如何前瞻性压缩未来任务，通过模式构建任务发现人类抽象学习与现有回顾性压缩算法存在差异。
Comments under review at neurips 2026
显式推理使评判更可靠：对准确性、效率和鲁棒性的系统研究
机构 * Arizona State University（亚利桑那州立大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文通过对比显式推理与非显式推理模型在RewardBench任务中的表现，发现显式推理模型在准确性、效率和鲁棒性上均优于非显式模型，且在多语言环境下也表现出优势。
Comments Accepted in 2025 NeurIPS Foundations of Reasoning in Language Models Workshop
数据混合可在知识获取中引发相变
机构 * Institute for Interdisciplinary Information Sciences, Tsinghua University（清华大学交叉信息研究院） ； College of AI, Tsinghua University（清华大学人工智能学院） ； Shanghai Qizhi Institute（上海启智研究院） ； Simons Institute for the Theory of Computing, UC Berkeley（伯克利理论计算研究所）
AI总结 本文研究了在数据混合训练中LLM的知识获取行为，发现混合比例和模型规模会影响知识获取的相变现象，揭示了容量分配机制与信息理论框架下的预测关系。
Comments NeurIPS'25 Spotlight
PolyMATH：一个具有挑战性的多模态数学推理基准
机构 * Arizona State University（亚利桑那州立大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 PolyMATH基准通过5000张高质量图像评估多模态大语言模型的推理能力，揭示其在空间关系和抽象推理上的不足，指出模型无法真正理解视觉信息，存在逻辑错误风险。
Comments Accepted in Neural Information Processing Systems (NeurIPS 2025) Workshop: Foundations of Reasoning in Language Models
Transformer表示的因果维度：测量、扩展与层数结构
机构 * Erdős AI Lab（埃德罗斯人工智能实验室）
AI总结 研究通过测量Transformer残差流的因果维度，揭示了表示能力与因果能力的分离现象，证明了因果维度与模型规模无关，且在不同层数间保持恒定。
Comments 9 pages, 17 figures, 14 tables (excluding references and appendices). Companion short paper under review at the ICML 2026 Mechanistic Interpretability Workshop. Code: https://anonymous.4open.science/r/NeurIPS-Causal-Capacity-in-SAEs-7D20/
MC-RFM：通过混合曲率黎曼流匹配实现的几何感知少样本适应
机构 * Talan Research Center（塔兰研究中心）
AI总结 本文提出MC-RFM框架，通过混合曲率黎曼流匹配实现少样本适应，结合双曲因子和欧几里得因子构建产品流形，提升视觉识别性能。
Comments Submitted to NeurIPS (Under Review)
大语言模型的链式推理是否是一种幻象？一种数据分布视角
机构 * Arizona State University（亚利桑那州立大学）
AI总结 本文通过数据分布视角探讨了大语言模型链式推理的有效性，揭示其在分布差异下的脆弱性，提出DataAlchemy环境验证了推理能力受训练分布影响的结论。
Comments Accepted by the Association for Computational Linguistics (ACL) 2026 and Foundations of Reasoning in Language Models (FoRLM) at NeurIPS 2025
PLD: 一种基于选择理论的列表级知识蒸馏
机构 * School of Computer Science, Peking University（北京大学计算机科学学院）
AI总结 本文提出PLD，一种基于Plackett-Luce模型的列表级知识蒸馏方法，通过将教师logits视为'价值'评分，直接优化教师最优排名，实现凸且平移不变的替代目标，涵盖加权交叉熵。
Journal ref Advances in Neural Information Processing Systems 38 (NeurIPS 2025), 136090--136112 (2026)
GRIT: 教授大语言模型通过图像思考
机构 * UC Santa Cruz（加州大学圣克鲁兹分校） ； UC Santa Barbara（加州大学圣芭芭拉分校） ； eBay
AI总结 GRIT提出一种基于图像和文本的 grounded reasoning 方法，通过强化学习实现高效训练，使大语言模型生成视觉基础的推理链。
Journal ref NeurIPS 2025
不再有间隙：通过一个分词器实现零间隙多模态整合
机构 * Research Center for Frontier Fundamental Studies, Zhejiang Lab（前沿基础研究研究中心，浙江实验室） ； Research Center for Scientific Data Hub, Zhejiang Lab（科学数据枢纽研究中心，浙江实验室）
AI总结 本文提出One Tokenizer，通过统一词汇实现多模态无缝整合，克服传统架构的几何模态间隙问题，提升生物推理性能。
Comments Under review at NeurIPS 2026
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈