NeurIPS

CPT: Controllable and Editable Design Variations with Language Models

CPT：基于语言模型的可控可编辑设计变体

Karthik Suresh, Amine Ben Khalifa, Li Zhang, Wei-ting Hsu, Fangzheng Wu, Vinay More, Asim Kadav

机构 * Adobe ； Atta 纠错

AI总结 本文提出CPT系统，利用解码器-only语言模型生成可编辑的设计变体，通过Creative Markup Language实现结构与细节的精准描述，提升设计流程的可扩展性与个性化。

Comments 18 pages, 6 figures, Accepted at NeurIPS 2025 Workshop on Generative and Protective AI for Content Creation (GenProCC 2025)

Projected Autoregression: Autoregressive Language Generation in Continuous State Space

投影自回归：在连续状态空间中进行自回归语言生成

Oshri Naparstek

机构 * IBM Research（IBM研究院） 纠错

AI总结 本文提出投影自回归方法，通过连续预测和离散投影实现语言生成，展示连续状态空间在生成文本结构和动态方面的独特优势。

Comments In preperation to Neurips 2026

A Unified Stability Analysis of SAM vs SGD: Role of Data Coherence and Emergence of Simplicity Bias

SAM与SGD稳定性分析的统一视角：数据一致性与简单性偏见的作用

Wei-Kai Chang, Rajiv Khanna

机构 * Purdue University（普渡大学） 纠错

AI总结 本文通过线性稳定性框架分析SAM与SGD在两层ReLU网络中的行为，揭示数据一致性如何影响优化动态及学习解的稳定性。

Comments Neurips 2025

C-NAV: Towards Self-Evolving Continual Object Navigation in Open World

C-NAV：迈向开放世界中的自进化持续物体导航

Ming-Ming Yu, Fei Zhu, Wenzhuo Liu, Yirong Yang, Qunbo Wang, Wenjun Wu, Jing Liu

机构 * Beihang University（北京航空航天大学） ； Centre for Artificial Intelligence and Robotics, HKISI-CAS（香港智能科学与工业研究院人工智能与机器人中心） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Hangzhou International Innovation Institute, Beihang University（北京航空航天大学杭州国际创新研究院） ； Beijing Jiaotong University（北京交通大学） 纠错

AI总结 本文提出C-Nav框架，通过双路径抗遗忘机制和自适应采样策略，解决持续物体导航中的灾难性遗忘问题，实验表明其在多个模型架构上均优于现有方法，且内存需求显著降低。

Comments Accepted at NeurIPS 2025

Journal ref NeurIPS 2025

Lark: Biologically Inspired Neuroevolution for Multi-Stakeholder LLM Agents

Lark：生物启发的多利益相关者大语言模型代理神经进化

Rikhil Tanugula, Dheeraj Chintapalli, Sunkalp Chandra

AI总结 Lark通过结合大语言模型推理与进化型多智能体系统，解决冗余与利益相关者权衡问题，采用四机制提升策略生成效率与透明度，实验显示其在30轮评估中表现优异且成本可控。

Comments 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Workshop: NeurIPS 2025 Workshop on Efficient Reasoning

Text Summarization With Graph Attention Networks

基于图注意力网络的文本摘要

Mohammadreza Ardestani, Yllias Chali

机构 * University of Lethbridge（莱斯布里奇大学） 纠错

AI总结 本文通过引入RST和Coref图结构提升摘要性能，发现图注意力网络未获提升，但多层感知机在CNN/DM数据集上提升了结果，并标注XSum数据集建立图基摘要基准。

Comments Published in Proceedings of the 4th NeurIPS Efficient Natural Language and Speech Processing Workshop (ENLSP-IV), Vancouver, Canada, 2024. 14 pages, 8 figures

Journal ref Proc. Mach. Learn. Res. 262:540-553, 2024

Truth as a Compression Artifact in Language Model Training

真相作为语言模型训练中的压缩特征

Konstantin Krestnikov

AI总结 研究发现语言模型在矛盾数据训练中更倾向于正确答案，这源于错误的可压缩性而非真相本身。通过小规模Transformer模型实验，发现当错误遵循一致规则时，模型无法区分虚假系统与真相，提出压缩-一致性原则解释这一现象。

Comments v3: Added Qwen3 architecture check (0.6B), ~1B experiment on FineWeb-Edu, generative eval at all scales, matched-random ablation. Formal MDL predictions. Softened claims, fixed bibliography, added NeurIPS checklist. 210+ models (was 160+)

FABLE: A Localized, Targeted Adversarial Attack on Weather Forecasting Models

FABLE：一种针对天气预报模型的局部化、针对性对抗攻击

Yue Deng, Asadullah Hill Galib, Xin Lan, Jack Gunn, Pang-Ning Tan, Lifeng Luo

机构 * Michigan State University（密歇根州立大学） ； TSMC Technology Inc（台积电技术公司） 纠错

AI总结 本文提出FABLE框架，通过3D离散小波分解分离数据的空间和时间成分，调节对抗扰动幅度以生成接近原输入但能引导模型生成目标预报的对抗输入，验证了其在多种指标上的有效性。

Comments Version 2 incorporates revisions based on feedback from NeurIPS 2025 reviewers (final score: borderline). We improved clarity in previously complex sections to enhance accessibility for non-expert readers and expanded the experimental evaluation to provide more comprehensive and diverse results

An Analytical Theory of Spectral Bias in the Learning Dynamics of Diffusion Models

扩散模型学习动力学中频谱偏置的分析理论

Binxu Wang, Cengiz Pehlevan

机构 * Kempner Institute, Harvard University（哈佛大学肯普纳研究所） ； SEAS, Harvard University（哈佛大学工程与应用科学学院） 纠错

AI总结 本文提出分析框架，揭示生成分布在扩散模型训练中的演变规律，发现频谱定律揭示高方差结构学习速度快于低方差细节，且局部卷积改变学习动态。

Comments 96 pages, 29 figures. Published in Advances in Neural Information Processing Systems, NeurIPS 2025 (Spotlight)

Using LLM-as-a-Judge/Jury to Advance Scalable, Clinically-Validated Safety Evaluations of Model Responses to Users Demonstrating Psychosis

利用LLM作为法官/陪审团推进模型响应用户表现精神病的可扩展、临床验证的安全性评估

May Lynn Reese, Markela Zeneli, Mindy Ng, Jacob Haimes, Andreea Damien, Elizabeth Stade

机构 * Apart Research ； Odyssean Institute ； London School of Economics and Political Science（伦敦政治经济学院） ； Stanford Institute for Human-Centered AI（斯坦福大学以人为本人工智能研究所） 纠错

AI总结 本文提出利用LLM作为法官或陪审团评估模型响应用户精神病表现的方法，开发了七项临床验证的安全标准，并展示了LLM作为法官在临床验证中的有效性。

Comments published at IASEAI 2026, preliminary work presented at GenAI4Health workshop at NeurIPS 2025

Semantically Annotated Multimodal Dataset for RF Interpretation and Prediction

语义标注的多模态数据集用于射频解释与预测

Steve Blandino, Jelena Senic, Raied Caromi, Samuel Berweger, Anuraag Bodi, Camillo Gentile, Nada Golmie

机构 * National Institute of Standards and Technology (NIST)（美国国家标准与技术研究院） ； Prometheus Computing LLC（普罗米修斯计算有限责任公司） 纠错

AI总结 本文提出结合射频测量与视觉数据的多模态数据集，用于提升射频信号与物理环境的解释与预测能力。

Journal ref NeurIPS 2025 AI for Science Workshop

StelLA: Subspace Learning in Low-rank Adaptation using Stiefel Manifold

StelLA: 基于Stiefel流形的低秩适应子空间学习

Zhizhong Li, Sina Sajadmanesh, Jingtao Li, Lingjuan Lyu

机构 * Sony AI Zurich（索尼AI苏黎世） 纠错

AI总结 StelLA通过引入三因子分解U SV^T，利用Stiefel流形约束U和V的正交性，提升低秩适应的性能，适用于多种下游任务。

Comments NeurIPS 2025 Spotlight

Unveiling m-Sharpness Through the Structure of Stochastic Gradient Noise

通过随机梯度噪声的结构揭示m-锐度

Haocheng Luo, Mehrtash Harandi, Dinh Phung, Trung Le

机构 * Monash University（莫纳什大学） 纠错

AI总结 本文研究了m-锐度，揭示了SAM在微批次减小时性能单调提升的机制，提出RW-SAM方法通过锐度加权采样提升泛化能力。

Comments Accepted to NeurIPS 2025; added code availability

Reviewing Scientific Papers for Critical Problems With Reasoning LLMs: Baseline Approaches and Automatic Evaluation

利用推理LLM审查科学论文中的关键问题：基线方法与自动评估

Tianmai M. Zhang, Neil F. Abernethy

机构 * University of Washington（华盛顿大学） 纠错

AI总结 本文提出利用推理LLM作为论文质量检查器，介绍基线方法和自动评估框架，通过arXiv论文验证方法，并评估其在识别科学论文关键错误中的性能。

Comments Accepted and presented at NeurIPS 2025 AI for Science Workshop

SNEAKDOOR: Stealthy Backdoor Attacks against Distribution Matching-based Dataset Condensation

SNEAKDOOR：针对基于分布匹配的数据集压缩的隐秘后门攻击

He Yang, Dongyi Lv, Song Ma, Wei Xi, Jizhong Zhao

机构 * School of Computer Science and Technology, Xi’an Jiaotong University（西安交通大学计算机科学与技术学院） ； National Key Laboratory of Human-Machine Hybrid Augmented Intelligence, Xi’an Jiaotong University（西安交通大学人机混合增强智能全国重点实验室） 纠错

AI总结 本文提出SNEAKDOOR，通过利用类别决策边界漏洞和生成模块，提升隐秘性而不影响攻击效果，实验表明其在攻击成功率、清洁测试准确率和隐秘性之间取得良好平衡。

Comments 29 pages, 5 figures, accepted to NeurIPS 2025

PartNeXt: A Next-Generation Dataset for Fine-Grained and Hierarchical 3D Part Understanding

PartNeXt：面向细粒度和层次化3D部件理解的下一代数据集

Penghao Wang, Yiyang He, Xin Lv, Yukai Zhou, Lan Xu, Jingyi Yu, Jiayuan Gu

机构 * ShanghaiTech University（上海科技大学） 纠错

AI总结 PartNeXt通过23000个高质量纹理3D模型，解决传统数据集在可扩展性和实用性上的不足，提升细粒度部件分割和3D部件问答任务的性能。

Comments NeurIPS 2025 DB Track. Project page: https://authoritywang.github.io/partnext

Continuous SUN (Stable, Unique, and Novel) Metric for Generative Modeling of Inorganic Crystals

连续SUN（稳定、唯一、新颖）度量用于无机晶体生成建模

Masahiro Negishi, Hyunsoo Park, Kinga O. Mastej, Aron Walsh

机构 * Imperial College London（伦敦帝国学院） 纠错

AI总结 本文提出连续SUN度量，解决传统二元指标在晶体生成中的局限性，通过连续化提升评估精度与可调性，实验表明其能有效识别优质样本并避免强化学习中的奖励黑客问题。

Comments 23 pages (17 pages of main text). See https://github.com/WMD-group/xtalmet for the code. Significantly extended from the early version of this work, which was accepted to the AI4Mat workshop at NeurIPS 2025

The Pareto Frontier of Resilient Jet Tagging

可抵御的喷注标记的帕累托前沿

Rikab Gambhir, Matt LeBlanc, Yuanchen Zhou

机构 * University of Cincinnati（辛辛那提大学） ； IAIFI ； Brown University（布朗大学） 纠错

AI总结 本文研究了在高能碰撞物理中利用喷注 constituents 的动力学信息进行分类的挑战，探讨了单一性能指标可能导致的模型依赖性和偏见问题，并展示了高性能但低鲁棒性的网络的后果。

Comments 6 pages, 2 figures and 2 tables. Version presented at the 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Workshop: Machine Learning and the Physical Sciences. 6 December, 2025; San Diego, California, USA

Separate and Reconstruct: Asymmetric Encoder-Decoder for Speech Separation

分离与重建：面向语音分离的非对称编码器-解码器

Ui-Hyeop Shin, Sangyoun Lee, Taehan Kim, Hyung-Min Park

AI总结 本文提出非对称编码器-解码器结构，通过扩展特征序列维度实现早期特征分离，结合全局与局部Transformer块提升长序列处理效率，实验表明该结构在多种基准数据集上取得state-of-the-art性能。

Comments In NeurIPS 2024; Project Page: https://dmlguq456.github.io/SepReformer_Demo

LLM-Assisted Emergency Triage Benchmark: Bridging Hospital-Rich and MCI-Like Field Simulation

基于大语言模型的急救分级基准：连接医院丰富与MCI类现场模拟

Joshua Sebastian, Karma Tobden, KMA Solaiman

机构 * University of Maryland Baltimore County（马里兰大学巴尔的摩县分校） 纠错

AI总结 本文提出一个开放的急救分级基准，通过大语言模型辅助构建，解决现有基准不可用的问题，涵盖医院环境和MCI模拟两种场景，提升临床AI数据集的可重复性和可访问性。

Comments Submitted to GenAI4Health@NeurIPS 2025. This was the first version of the LLM-assisted emergency triage benchmark dataset and baseline models. A related but separate benchmark-focused study on emergency triage under constrained sensing has been accepted at the IEEE International Conference on Healthcare Informatics (ICHI) 2026 (see arXiv:2602.20168)

Advancing Multi-Instrument Music Transcription: Results from the 2025 AMT Challenge

推进多乐器音乐转录：2025年AMT挑战赛的结果

Ojas Chaturvedi, Kayshav Bhardwaj, Tanay Gondil, Benjamin Shiue-Hal Chou, Kristen Yeon-Ji Yun, Yung-Hsiang Lu, Yujia Yan, Sungkyun Chang

AI总结 本文报告了2025年自动音乐转录挑战赛的结果，展示了多乐器转录的进展与挑战，强调了转录准确性的提升及多声部和音色变化的难点。

Comments 7 pages, 3 figures. Accepted to the AI for Music Workshop at NeurIPS 2025

Silicon Bureaucracy and AI Test-Oriented Education: Contamination Sensitivity and Score Confidence in LLM Benchmarks

硅 bureaucracy 与 AI 考试导向教育：LLM 测试基准中的污染敏感性与分数可信度

Yiliang Song, Hongjun An, Jiangan Chen, Xuanchen Yan, Huan Song, Jiawei Shao, Xuelong Li

机构 * Institute of Artificial Intelligence (TeleAI), China Telecom（中国电信人工智能研究院（TeleAI）） ； Guangxi Normal University（广西师范大学） ； Northwestern Polytechnical University（西北工业大学） 纠错

AI总结 本文探讨了基于测试基准的LLM评估体系，指出其依赖于基准分数直接反映真实泛化能力的假设，并提出审计框架以分析污染敏感性和分数可信度。

Comments Remove the NeurIPS 2026 template

Robust Ego-Exo Correspondence with Long-Term Memory

具有长期记忆的鲁棒自体-外体对应

Yijun Hu, Bing Fan, Xin Gu, Haiqing Ren, Dongfang Liu, Heng Fan, Libo Zhang

机构 * University of Chinese Academy of Sciences（中国科学院大学） ； University of North Texas（北德克萨斯大学） ； Institute of Software Chinese Academy of Sciences（中国科学院软件研究所） ； Rochester Institute of Technology（罗切斯特理工学院） 纠错

AI总结 本文提出基于SAM 2的新型EEC框架，通过双记忆架构和自适应特征路由模块提升长期记忆能力，实现更鲁棒的自体-外体对应。

Comments Accepted by NeurIPS 2025

See No Evil: Adversarial Attacks Against Linguistic-Visual Association in Referring Multi-Object Tracking Systems

见无所见：对抗性攻击针对参考多目标跟踪系统中的语言-视觉关联

Halima Bouzidi, Haoyu Liu, Mohammad Abdullah Al Faruque

机构 * University of California, Irvine（加利福尼亚大学尔湾分校） 纠错

AI总结 本文研究了参考多目标跟踪系统在设计逻辑上的安全问题，揭示了语言-视觉关联和目标匹配组件的对抗性漏洞，并提出VEIL框架以破坏其统一的参考匹配机制。

Comments Accepted to the NeurIPS 2025 Workshop on Reliable ML from Unreliable Data

ShotBench: Expert-Level Cinematic Understanding in Vision-Language Models

ShotBench：视觉语言模型中的专家级电影叙事理解

Hongbo Liu, Jingwen He, Yi Jin, Dian Zheng, Yuhao Dong, Fan Zhang, Ziqi Huang, Yinan He, Yangguang Li, Weichao Chen, Yu Qiao, Wanli Ouyang, Shengjie Zhao, Ziwei Liu

机构 * Tongji University（同济大学） ； The Chinese University of Hong Kong（香港中文大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； S-Lab, Nanyang Technological University（南洋理工大学S-Lab） 纠错

AI总结 本文提出ShotBench基准测试，用于评估视觉语言模型对电影叙事语言的理解能力，通过专家标注的3500多对问答数据揭示现有模型在细粒度视觉线索和复杂空间推理上的不足，并开发ShotVL模型在该基准上取得新突破。

Journal ref Advances in Neural Information Processing Systems 38 (NeurIPS 2025)

Scalable Neural Network Verification with Branch-and-bound Inferred Cutting Planes

可扩展的神经网络验证与分支界限推导切割平面

Duo Zhou, Christopher Brix, Grani A Hanasusanto, Huan Zhang

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； RWTH Aachen University（亚琛工业大学） 纠错

AI总结 本文提出BICCOS方法，通过神经网络验证问题的结构生成高效可扩展的切割平面，利用分支界限搜索树中的逻辑关系生成约束，提升验证效率和可扩展性。

Comments Accepted by NeurIPS 2024. BICCOS is part of the alpha-beta-CROWN verifier, the VNN-COMP 2024 winner; fixed Theorem 3.2 and clarified experimental results

BeetleFlow: An Integrative Deep Learning Pipeline for Beetle Image Processing

BeetleFlow: 一种用于甲虫图像处理的集成深度学习流水线

Fangxun Liu, S M Rayeed, Samuel Stevens, Alyson East, Cheng Hsuan Chiang, Colin Lee, Daniel Yi, Junke Yang, Tejas Naik, Ziyi Wang, Connor Kilrain, Elijah H Buckwalter, Jiacheng Hou, Saul Ibaven Bueno, Shuheng Wang, Xinyue Ma, Yifan Liu, Zhiyuan Tao, Ziheng Zhang, Eric Sokol, Michael Belitz, Sydne Record, Charles V. Stewart, Wei-Lun Chao

机构 * The Ohio State University（俄亥俄州立大学） ； Rensselaer Polytechnic Institute（伦斯勒理工学院） ； The University of Maine（缅因大学） ； National Ecological Observatory Network (NEON), Battelle（国家生态观测网络（NEON），巴特尔纪念研究所） ； Michigan State University（密歇根州立大学） 纠错

AI总结 本文提出BeetleFlow流水线，通过深度学习方法自动处理大量甲虫图像，实现甲虫检测、排序裁剪和形态分割，提高生物研究效率。

Comments 4 pages, NeurIPS 2025 Workshop Imageomics

PepThink-R1: LLM for Interpretable Cyclic Peptide Optimization with CoT SFT and Reinforcement Learning

PepThink-R1：基于CoT SFT和强化学习的可解释环状肽优化LLM

Ruheng Wang, Hang Zhang, Trieu Nguyen, Shasha Feng, Hao-Wei Pang, Xiang Yu, Li Xiao, Peter Zhiping Zhang

机构 * Merck & Co., Inc., Rahway, NJ, USA（默克公司，美国新泽西州拉威） ； UT Southwestern Medical Center, Dallas, TX, USA（得克萨斯大学西南医学中心，美国得克萨斯州达拉斯） ； University of Pittsburgh, Pittsburgh, PA, USA（匹兹堡大学，美国宾夕法尼亚州匹兹堡） 纠错

AI总结 本文提出PepThink-R1，结合CoT SFT和强化学习，通过显式推理生成可解释的环状肽，提升药理性质表现，优于现有通用LLM和领域模型。

Comments 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Workshop: AI for Science (Spotlight)

Offline Decision Transformers for Neural Combinatorial Optimization: Surpassing Heuristics on the Traveling Salesman Problem

离线决策变换器用于神经组合优化：在旅行商问题上超越启发式方法

Hironori Ohigashi, Shinichiro Hamada

机构 * Panasonic Connect Co., Ltd.（松下连接有限公司） 纠错

AI总结 本文提出离线决策变换器，通过直接学习启发式解集来改进组合优化，通过指针网络和期望回归方法，在旅行商问题上超越传统启发式方法。

Comments 11 pages, 1 figures. Accepted at NeurIPS 2025 Workshop on DiffCoALG

Probing the Lack of Stable Internal Beliefs in LLMs

探测大型语言模型中稳定内部信念的缺乏

Yifan Luo, Kangping Xu, Yanzhen Lu, Yang Yuan, Andrew Chi-Chih Yao

机构 * IIIS, Tsinghua University（清华大学交叉信息研究院） ； Shanghai Qizhi Institute（上海期智研究院） 纠错

AI总结 本研究探讨了LLM在多轮交互中维持隐含一致性的能力，发现其隐含目标易随对话变化，需引入机制以锚定长期目标，以提升对话系统中的人格建模效果。

Comments Accepted by NeurIPS 2025 Workshop Mexico City PersonaNLP