NeurIPS

ScaLe-INR: Scale and Learn Implicit Neural Representations

ScaLe-INR：尺度化与学习隐式神经表示

Buwaneka Epakanda, Athulya Ratnayake, Pandula Thennakoon, Mario De Silva, Avishka Ranasinghe, Roshan Godaliyadda, Parakrama Ekanayake

机构 * eng.pdn.ac.lk（彭达大学） ； ee.pdn.ac.lk（电子工程学院） 纠错

AI总结 提出多分支架构ScaLe-INR，通过方向坐标缩放匹配频谱与网络最优工作区域，并设计方向边缘引导损失消除频谱串扰，在图像、音频和3D重建任务上超越现有方法。

Comments Submitted as a conference paper to NeurIPS 2026

The Context-Ready Transformer

上下文就绪变换器

Mahesh Godavarti

机构 * A Carrot, Inc（A Carrot公司） 纠错

AI总结 提出上下文就绪变换器，通过预上下文化标记和校正网络实现循环神经网络架构，在保持并行训练的同时提升推理速度，实验表明单层模型可超越6层标准变换器。

Comments NeurIPS, 22 pages

SpecFuse: Ensembling Large Language Models via Next-Segment Prediction

SpecFuse：通过下一段预测进行大语言模型的集成

Bo Lv, Nayu Liu, Chen Tang, Xin Liu, Yue Yu, Ping Luo

机构 * Peng Cheng Laboratory（鹏城实验室） ； Key Lab of Intelligent Information Processing, Institute of Computing Technology, Chinese Academy of Sciences (ICT/CAS)（中国科学院计算技术研究所智能信息处理重点实验室） ； University of Chinese Academy of Sciences（中国科学院大学） ； Tianjin Laboratory Autonomous Intelligence Technology and Systems, School of Computer Science and Technology, Tiangong University（天津工业大学计算机科学与技术学院天津市自主智能技术与系统实验室） ； Institute for Advanced Algorithms Research, Shanghai（上海高级算法研究所） 纠错

AI总结 本文提出SpecEM框架，通过动态调整模型贡献提升集成效果，结合推测解码实现段级语义协作，实验表明在多个LLM家族和基准数据集上性能优于现有方法。

Comments 15 pages, 5 figures

Journal ref NeurIPS 2025

Check Yourself Before You Wreck Yourself: Selectively Quitting Improves LLM Agent Safety

在自毁之前检查自己：选择性退出提升LLM智能体安全性

Vamshi Krishna Bonagiri, Ponnurangam Kumaragurum, Khanh Nguyen, Benjamin Plaut

AI总结 提出让LLM智能体在不确定时主动退出，通过ToolEmu框架在12个模型上评估，发现该方法在几乎不降低有用性的情况下显著提升安全性。

Comments Reliable ML and Regulatable ML workshops, Neurips 2025