期刊&会议
Conference on Neural Information Processing Systems · 会议 · Machine Learning
从不可约元组合线性层
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 提出用Clifford代数将线性层分解为双向量（几何基元）的组合，仅需O(log^2 d)参数，在LLM注意力投影中匹配强基线性能。
Comments 35 Pages, 11 Tables, 6 Figures, Appearing in NeurIPS 2025
Journal ref Advances in Neural Information Processing Systems 38 (2025)
不负责任的人工智能：大型科技公司对AI研究的影响及相关影响
机构 * Big Tech（大科技公司）
AI总结 本文指出大型科技公司对AI研究的不成比例影响推动了不负责任的AI发展，并加剧了环境和社会负面影响，呼吁研究者通过集体行动加以抵制。
Comments Presented as a spotlight oral at the International Conference on Machine Learning 2026 (Position Paper Track). First version presented at NeurIPS 2025 Workshop on Algorithmic Collective Action
GPO：从关键步骤中学习以改进大语言模型推理
机构 * Department of Computer Science Northwestern University（计算机科学系西北大学） ； AI Foundations Capital One（人工智能基础资本 one） ； Meta AI
AI总结 提出引导式关键优化（GPO）微调策略，通过识别推理轨迹中的关键步骤并优先学习，显著提升大语言模型的多步推理能力。
Comments 39th Conference on Neural Information Processing Systems (NeurIPS 2025)
物理驱动的时空建模用于AI生成视频检测
机构 * South China University of Technology（华南理工大学） ； University of Science and Technology of China（中国科学技术大学） ； Key Laboratory of Big Data and Intelligent Robot, Ministry of Education（教育部大数据与智能机器人重点实验室） ； Pazhou Lab（琶洲实验室） ； University of Melbourne（墨尔本大学） ； Hunan University（湖南大学） ； Hong Kong Baptist University（香港 Baptist大学）
AI总结 提出基于概率流守恒的物理驱动AI生成视频检测范式，通过归一化时空梯度（NSG）统计量捕捉物理异常，结合预训练扩散模型估计NSG，并利用最大均值差异（MMD）进行检测，在Recall和F1-Score上分别提升16.00%和10.75%。
Comments Accepted at NeurIPS 2025 spotlight
当研究人员谈论AI的心理模型/心智理论时，他们究竟在说什么？
机构 * Center for Human, Artificial Intelligence, and Robot Teaming（人类、人工智能与机器人协同中心）
AI总结 本文指出当前AI心智理论研究混淆了行为预测与真实认知，提出应转向人机交互中的互惠心智理论框架。
Comments This work have been accepted in CogInterp @ NeurIPS 2025
ChartAgent: 一种用于复杂图表问答中视觉基础推理的多模态智能体
机构 * J.P. Morgan AI Research（摩根大通人工智能研究）
AI总结 提出ChartAgent框架，通过迭代分解查询为视觉子任务并利用图表专用视觉工具（如绘制注释、裁剪区域）进行空间域推理，在ChartBench和ChartX上取得最先进性能，尤其对无标注图表提升显著。
Comments Accepted at ACL 2026 (Main Conference). Also presented as an oral paper at the NeurIPS 2025 Multimodal Algorithmic Reasoning Workshop (https://marworkshop.github.io/neurips25/)
CGES：面向高效准确自一致性的置信引导早停方法
机构 * University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校）
AI总结 提出贝叶斯框架CGES，通过自适应停止采样减少自一致性推理调用次数，在5个推理基准上平均减少58%调用且精度损失仅0.4个百分点。
Comments Extended version. A preliminary version was accepted at the Efficient Reasoning Workshop @ NeurIPS 2025. Code: https://github.com/EhsanAghazadeh/cges
扩散模型中可重复性与泛化性的出现
机构 * CIFAR-10 dataset（CIFAR-10数据集）
AI总结 研究发现扩散模型在相同初始噪声和确定性采样器下，不同模型输出高度相似，且这种可重复性在记忆和泛化两种训练模式下均存在，对训练效率、模型隐私等有重要启示。
Comments NeurIPS Diffusion Model Workshop 2023 (best paper award), the Forty-first International Conference on Machine Learning (ICML 2024)
MC-CPO：基于 mastery 的约束策略优化用于教学安全的智能辅导系统
机构 * School of Computing Sciences（计算科学学院） ； Computer Engineering, University of Southern Mississippi, Hattiesburg, MS 39406, USA（计算机工程，密西西比大学，哈特斯伯格，MS 39406，USA）
AI总结 本文提出 MC-CPO 框架，通过结构化约束解决教学安全问题，提升学习者知识掌握率，实验证明其在两个平台上的效果显著。
Comments 35 pages, 8 figures. v2: Major revision adding real-world validation on Junyi Academy (16.2M interactions, 72,758 students) and XES3G5M (NeurIPS 2023, 5.1M interactions, 14,453 students). Revised title and abstract. Submitted to Computers and Education: Artificial Intelligence
基于基础推理模型的随机微分方程上下文学习
机构 * Lamarr Institute（拉马尔研究所） ； University of Bonn（波恩大学） ； Fraunhofer IAIS（弗劳恩霍夫智能系统研究所） ； University of Potsdam（波茨坦大学）
AI总结 提出FIM-SDE，一种预训练识别模型，通过上下文学习从噪声时间序列中零样本估计低维SDE的漂移和扩散函数，并支持快速微调，在合成和真实数据上表现鲁棒。
Comments Accepted at NeurIPS 2025. The previous version appeared under the title "Foundation Inference Models for Stochastic Differential Equations: A Transformer-based Approach for Zero-shot Function Estimation.";
Journal ref 39th Conference on Neural Information Processing Systems (NeurIPS 2025)
干扰导致的失败：当有缺陷机制掩盖健全机制时，语言模型在平衡括号任务中出错
机构 * George Mason University（乔治·马歇尔大学） ； University of Central Florida（中央佛罗里达大学） ； Department of Computer Science（计算机科学系）
AI总结 研究揭示语言模型在平衡括号任务中出错的原因：部分组件实现可靠机制，而其他组件引入噪声，当噪声机制主导时导致错误。提出RASteer方法，通过增强可靠组件贡献，将部分模型准确率从0%提升至近100%，并在算术推理任务中取得约20%的性能提升。
Comments 23 pages, 10 figures, accepted for NeurIPS 2025
发现数据结构：最近邻搜索及其他
机构 * Université de Montréal（蒙特利尔大学） ； Mila ； HEC Montréal（蒙特利尔高等商学院） ； Microsoft Research（微软研究院） ； University of Southern California（南加州大学） ； Stanford University（斯坦福大学）
AI总结 提出一个端到端学习数据结构的通用框架，自动适应数据分布并控制查询与空间复杂度，在最近邻搜索中逆向工程出二分搜索、插值搜索、k-d树和局部敏感哈希等算法。
Comments Neurips 2025 Version
PolarQuant: 利用极坐标变换实现高效键缓存量化和解码加速
机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学北京校区人工智能学院） ； ShanghaiTech University（上海科技大学） ； Meituan（美团）
AI总结 提出PolarQuant方法，通过将键向量分组为二维子向量并编码为量化半径和极角，解决键缓存量化中的异常值问题，同时通过查表加速解码，保持全精度模型性能。
Comments NeurIPS 2025 version with minor revisions to the methodology
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