NeurIPS

Is PRM Necessary? Problem-Solving RL Implicitly Induces PRM Capability in LLMs

PRM是否必要？问题解决RL隐式地在LLMs中诱导PRM能力

Zhangying Feng, Qianglong Chen, Ning Lu, Yongqian Li, Siqi Cheng, Shuangmu Peng, Duyu Tang, Shengcai Liu, Zhirui Zhang

机构 * Huawei Technologies Ltd.（华为技术有限公司） ； Guangdong Provincial Key Laboratory of Brain-Inspired Intelligent Computation, Department of CSE, SUSTech（广东省脑启发智能计算重点实验室、信息科学部、南方科技大学） 纠错

AI总结 本研究发现纯RL训练可提升LLMs的推理能力并隐式诱导PRM能力，挑战了PRM的必要性。

Comments Accepted by NeurIPS 2025, camera-ready version

Quantization-Free Autoregressive Action Transformer

无量化自回归动作变压器

Ziyad Sheebaelhamd, Michael Tschannen, Michael Muehlebach, Claire Vernade

机构 * University of Tübingen（图宾根大学） ； Google DeepMind（谷歌DeepMind） ； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） 纠错

AI总结 无量化自回归动作变压器通过生成无限词汇变换器直接参数化连续策略，简化流程并提升在模拟机器人任务中的性能。

Journal ref 39th Conference on Neural Information Processing Systems, 2025

HybridNorm: Towards Stable and Efficient Transformer Training via Hybrid Normalization

HybridNorm: 一种通过混合归一化实现稳定和高效Transformer训练的方法

Zhijian Zhuo, Yutao Zeng, Ya Wang, Sijun Zhang, Jian Yang, Xiaoqing Li, Xun Zhou, Jinwen Ma

机构 * School of Mathematical Sciences, Peking University（北京大学数学科学学院） ； Beihang University（北航） ； Capital University of Economics and Business（首都经济贸易大学） 纠错

AI总结 HybridNorm通过结合Pre-Norm和Post-Norm的优势，提升Transformer训练的稳定性与效率。

Comments Accepted by NeurIPS 2025

Flatten Graphs as Sequences: Transformers are Scalable Graph Generators

将图扁平化为序列：Transformer是可扩展的图生成器

Dexiong Chen, Markus Krimmel, Karsten Borgwardt

机构 * Max Planck Institute of Biochemistry（马克斯·普朗克生物化学研究所） 纠错

AI总结 AutoGraph利用Transformer模型将图扁平化为序列，实现高效可扩展的图生成，生成速度比扩散模型快100倍，并展示出良好的迁移能力。

Comments Camera-ready version published at NeurIPS 2025

Evaluating Model Performance Under Worst-case Subpopulations

在最坏情况下子群体上评估模型性能

Mike Li, Daksh Mittal, Hongseok Namkoong, Shangzhou Xia

机构 * Decision, Risk, and Operations Division, Columbia Business School（哥伦比亚商学院决策、风险与运营部门） 纠错

AI总结 本文提出了一种评估模型在最坏情况下子群体鲁棒性的方法，通过两阶段估计程序实现无维度收敛保证，并在真实数据集上验证了其有效性。

Comments Earlier version appeared in the proceedings of Advances in Neural Information Processing Systems 34 (NeurIPS 2021): https://proceedings.neurips.cc/paper_files/paper/2021/file/908075ea2c025c335f4865f7db427062-Paper.pdf

Less Is More, but Where? Dynamic Token Compression via LLM-Guided Keyframe Prior

少即是多，但在哪里？通过LLM引导的关键帧先验实现动态令牌压缩

Yulin Li, Haokun Gui, Ziyang Fan, Junjie Wang, Bin Kang, Bin Chen, Zhuotao Tian

机构 * Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； Shenzhen Loop Area Institute（深圳河套学院） ； University of Chinese Academy of Sciences（中国科学院大学） ； The Hong Kong University of Science and Technology（香港科技大学） 纠错

AI总结 本文提出DyToK方法，通过LLM引导的关键帧先验实现动态令牌压缩，提升视频处理效率和准确性。

Comments Accepted by NeurIPS 2025

ArchPower: Dataset for Architecture-Level Power Modeling of Modern CPU Design

ArchPower：现代CPU设计架构级功率建模的数据集

Qijun Zhang, Yao Lu, Mengming Li, Shang Liu, Zhiyao Xie

机构 * Hong Kong University of Science and Technology（香港理工大学） 纠错

AI总结 ArchPower是首个公开的架构级处理器功率建模数据集，通过复杂设计流程收集200个CPU样本，包含100+架构特征和细粒度功率信息，用于提升机器学习模型的准确性。

Comments Published in NeurIPS'25 Dataset and Benchmark Track

Learning Relative Gene Expression Trends from Pathology Images in Spatial Transcriptomics

从病理图像中学习相对基因表达趋势

Kazuya Nishimura, Haruka Hirose, Ryoma Bise, Kaito Shiku, Yasuhiro Kojima

机构 * Laboratory of Computational Life Science, National Cancer Center Japan（国立癌症中心日本计算生命科学实验室） ； Department of Advanced Information Technology, Kyushu University（九州大学先进信息技术系） 纠错

AI总结 本文提出STRank方法，通过学习相对基因表达模式以提高病理图像中基因表达估计的鲁棒性。

Comments Neurips 2025

How Should We Evaluate Data Deletion in Graph-Based ANN Indexes?

在基于图的ANN索引中，我们应如何评估数据删除？

Tomohiro Yamashita, Daichi Amagata, Yusuke Matsui

机构 * The University of Tokyo（东京大学） ； The University of Osaka（大阪大学） 纠错

AI总结 本文提出了一种评估框架和指标，用于评估基于图的ANNS索引在动态数据中的数据删除效率，并提出删除控制方法以动态选择合适的删除策略。

Comments 4 pages, 4 figures. Accepted at NeurIPS 2025 Workshop on Machine Learning for Systems

JaxWildfire: A GPU-Accelerated Wildfire Simulator for Reinforcement Learning

JaxWildfire：一种用于强化学习的GPU加速野火模拟器

Ufuk Çakır, Victor-Alexandru Darvariu, Bruno Lacerda, Nick Hawes

机构 * Oxford Robotics Institute（牛津机器人研究所） ； University of Oxford（牛津大学） 纠错

AI总结 JaxWildfire是一种基于JAX的GPU加速野火模拟器，利用单元格自动机模型实现高效模拟，加速RL训练以优化野火扑灭策略。

Comments To be presented at the NeurIPS 2025 Workshop on Machine Learning and the Physical Sciences (ML4PS)

Chopping Trees: Semantic Similarity Based Dynamic Pruning for Tree-of-Thought Reasoning

砍树：基于语义相似性的动态剪枝用于树状思维推理

Joongho Kim, Xirui Huang, Zarreen Reza, Gabriel Grand

机构 * Massachusetts Institute of Technology (MIT)（麻省理工学院） 纠错

AI总结 SSDP通过动态剪枝技术提升树状思维推理效率，实现2.3倍速度提升且保持高准确性。

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

Saliency Guided Longitudinal Medical Visual Question Answering

基于显著性的纵向医学视觉问答

Jialin Wu, Xiaofeng Liu

机构 * Dept. of Computer Science and Engineering University of California, San Diego（计算机科学与工程系，加州大学圣地亚哥分校） ； Dept. of Radiology and Biomedical Imaging Yale University（放射学与生物医学成像系，耶鲁大学） 纠错

AI总结 本文提出基于显著性的纵向医学视觉问答模型，通过显著性引导的编码器-解码器结构，在保持空间一致性的同时实现高效的临床变化识别。

Comments Published in NeurIPS Workshop

Towards Resilient Safety-driven Unlearning for Diffusion Models against Downstream Fine-tuning

面向对抗下游微调的鲁棒安全驱动遗忘方法用于扩散模型

Boheng Li, Renjie Gu, Junjie Wang, Leyi Qi, Yiming Li, Run Wang, Zhan Qin, Tianwei Zhang

机构 * Nanyang Technological University, Singapore（南洋理工大学，新加坡） ； Central South University, China（中南大学，中国） ； Key Laboratory of Aerospace Information Security and Trusted Computing, Ministry of Education, School of Cyber Science and Engineering, Wuhan University, China（航空航天信息安全部门，教育部，武汉大学，中国） ； State Key Laboratory of Blockchain and Data Security, Zhejiang University, China（区块链与数据安全国家重点实验室，浙江大学，中国） 纠错

AI总结 本文提出ResAlign，一种针对扩散模型对抗下游微调的鲁棒安全驱动遗忘框架，通过隐含优化问题建模和元学习策略提升安全性和生成能力。

Comments Accepted to the 39th Conference on Neural Information Processing Systems (NeurIPS 2025)

Radial Attention: $O(n\log n)$ Sparse Attention with Energy Decay for Long Video Generation

径向注意力：具有能量衰减的 $O(n\log n)$ 稀疏注意力用于长视频生成

Xingyang Li, Muyang Li, Tianle Cai, Haocheng Xi, Shuo Yang, Yujun Lin, Lvmin Zhang, Songlin Yang, Jinbo Hu, Kelly Peng, Maneesh Agrawala, Ion Stoica, Kurt Keutzer, Song Han

机构 * MIT（麻省理工学院） ； NVIDIA（英伟达） ； Princeton（普林斯顿大学） ； UC Berkeley（加州大学伯克利分校） ； Stanford（斯坦福大学） ； First Intelligence（第一智能） 纠错

AI总结 本文提出径向注意力，通过能量衰减机制实现高效的长视频生成，显著提升生成速度并降低计算成本。

Comments Accepted to NeurIPS 2025, Code: https://github.com/mit-han-lab/radial-attention

Semi-supervised Graph Anomaly Detection via Robust Homophily Learning

基于鲁棒同质学习的半监督图异常检测

Guoguo Ai, Hezhe Qiao, Hui Yan, Guansong Pang

机构 * School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院） ； School of Computing and Information Systems, Singapore Management University（新加坡国立管理学院计算机与信息系） 纠错

AI总结 本文提出RHO方法，通过鲁棒同质学习有效识别图中异常节点，优于现有方法。

Comments Accepted at NeurIPS 2025

X-Scene: Large-Scale Driving Scene Generation with High Fidelity and Flexible Controllability

X-Scene: 通过高保真和灵活可控性实现大规模驾驶场景生成

Yu Yang, Alan Liang, Jianbiao Mei, Yukai Ma, Yong Liu, Gim Hee Lee

机构 * Zhejiang University（浙江大学） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 X-Scene通过高保真和灵活可控性实现大规模驾驶场景生成，支持多粒度控制和一致性外推，提升自动驾驶的数据生成与模拟能力。

Comments Accepted by NeurIPS 2025, Project page at https://x-scene.github.io/

LabUtopia: High-Fidelity Simulation and Hierarchical Benchmark for Scientific Embodied Agents

LabUtopia：高保真模拟与分层基准用于科学具身智能体

Rui Li, Zixuan Hu, Wenxi Qu, Jinouwen Zhang, Zhenfei Yin, Sha Zhang, Xuantuo Huang, Hanqing Wang, Tai Wang, Jiangmiao Pang, Wanli Ouyang, Lei Bai, Wangmeng Zuo, Ling-Yu Duan, Dongzhan Zhou, Shixiang Tang

机构 * Shanghai AI Laboratory（上海人工智能实验室） ； Peking University（北京大学） ； Oxford（牛津大学） ； The Chinese University of Hong Kong（香港中文大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 LabUtopia通过高保真模拟和分层基准推动实验室环境中具身智能的发展。

Comments Accepted by NeurIPS 2025 Dataset and Benchmark Track

Large Language Models Miss the Multi-Agent Mark

大语言模型错失多智能体标记

Emanuele La Malfa, Gabriele La Malfa, Samuele Marro, Jie M. Zhang, Elizabeth Black, Michael Luck, Philip Torr, Michael Wooldridge

机构 * Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； Department of Informatics, King’s College London（伦敦国王学院信息学院） ； Department of Engineering, University of Oxford（牛津大学工程系） ； University of Sussex（苏塞克斯大学） 纠错

AI总结 本文指出大语言模型多智能体系统在理论与实践间的差距，强调需整合MAS核心概念以避免误解和错失机会。

Comments NeurIPS 2025 - position track -

Target Speaker Extraction through Comparing Noisy Positive and Negative Audio Enrollments

通过比较噪声正样本和负样本音频进行目标说话人提取

Shitong Xu, Yiyuan Yang, Niki Trigoni, Andrew Markham

机构 * Department of Computer Science, University of Oxford（计算机科学系，牛津大学） 纠错

AI总结 本文提出通过比较噪声正样本与负样本音频提取目标说话人，提升单声道语音提取性能。

Comments Accepted by NeurIPS 2025

Towards Unsupervised Domain Bridging via Image Degradation in Semantic Segmentation

通过图像退化实现无监督领域桥接的语义分割方法

Wangkai Li, Rui Sun, Huayu Mai, Tianzhu Zhang

机构 * MoE Key Laboratory of Brain-inspired Intelligent Perception and Cognition, University of Science and Technology of China（脑启发智能感知与认知联合实验室，中国科学技术大学） ； National Key Laboratory of Deep Space Exploration, Deep Space Exploration Laboratory（国家深空探测重点实验室，深空探测实验室） 纠错

AI总结 DiDA通过图像退化构建中间领域并补偿语义偏移，提升语义分割在不同领域间的适应性能。

Comments Accepted by Conference on Neural Information Processing Systems (NeurIPS 2025)

Charting the Shapes of Stories with Game Theory

用博弈论绘制故事的形状

Constantinos Daskalakis, Ian Gemp, Yanchen Jiang, Renato Paes Leme, Christos Papadimitriou, Georgios Piliouras

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Archimedes AI Cambridge, MA（阿基米德AI剑桥分校） ； Google DeepMind London, UK（谷歌深度Mind伦敦分公司） ； Harvard SEAS Cambridge, MA（哈佛大学科学与工程学院） ； Google Research New York, New York（谷歌研究纽约分公司） ； Columbia CS & Archimedes AI New York, NY（哥伦比亚大学计算机科学与阿基米德AI纽约分校） 纠错

AI总结 本研究利用博弈论方法分析故事结构，通过AI技术揭示情节、人物动机及反事实情节，应用于《罗密欧与朱丽叶》并探讨其在现实中的应用潜力。

Comments NeurIPS 2024 Creative AI Track

RepLDM: Reprogramming Pretrained Latent Diffusion Models for High-Quality, High-Efficiency, High-Resolution Image Generation

RepLDM: 重编程预训练的潜在扩散模型以实现高质量、高效、高分辨率图像生成

Boyuan Cao, Jiaxin Ye, Yujie Wei, Hongming Shan

AI总结 RepLDM通过重编程预训练的潜在扩散模型，实现高质量、高效、高分辨率的图像生成，优于现有方法。

Comments NeurIPS 2025 (Spotlight)

Demystifying Language Model Forgetting with Low-rank Example Associations

解开语言模型遗忘之谜：低秩示例关联

Xisen Jin, Xiang Ren

机构 * University of Southern California（南加州大学） 纠错

AI总结 本文通过低秩矩阵分析揭示语言模型微调时遗忘的机制，并提出基于矩阵补全的方法有效缓解遗忘问题。

Comments NeurIPS 2025. Updated code and data URL

Convergence for Discrete Parameter Update Schemes

离散参数更新方案的收敛性

Paul Wilson, Fabio Zanasi, George Constantinides

机构 * ARIA’s Safeguarded AI programme（ARIA的受保护AI计划） 纠错

AI总结 本文提出了一种基于离散更新规则的深度学习训练方法，通过建立收敛性保证和实证验证，为低精度训练提供了新的高效解决方案。

Comments opt-ml 2025 workshop at NeurIPS

Variational Uncertainty Decomposition for In-Context Learning

变分不确定性分解用于上下文学习

I. Shavindra Jayasekera, Jacob Si, Filippo Valdettaro, Wenlong Chen, A. Aldo Faisal, Yingzhen Li

AI总结 本文提出变分不确定性分解框架，用于分解上下文学习中的先验和随机不确定性，通过优化辅助查询获得不确定性上界并诱导下界，实验验证其有效性。

Comments Neurips Version

Exoplanet formation inference using conditional invertible neural networks

利用条件可逆神经网络推断系外行星形成

Remo Burn, Victor F. Ksoll, Hubert Klahr, Thomas Henning

AI总结 本文利用条件可逆神经网络推断系外行星形成过程，通过多行星系统数据提升预测能力，但单行星数据存在外推局限。

Comments 10 pages, accepted poster for the Machine Learning and the Physical Sciences Workshop at the 39th conference on Neural Information Processing Systems (NeurIPS 2025)

Journal ref Machine Learning and the Physical Sciences Workshop, 39th conference on Neural Information Processing Systems (NeurIPS 2025)

CureAgent: A Training-Free Executor-Analyst Framework for Clinical Reasoning

CureAgent：一种无需训练的执行-分析框架用于临床推理

Ting-Ting Xie, Yixin Zhang

机构 * Cambridge（剑桥） 纠错

AI总结 CureAgent提出无需训练的执行-分析框架，通过模块化架构和分层集合策略提升临床推理性能，实现CURE-Bench上的最佳表现。

Comments 2nd Place Solution to the CURE-Bench Competition @ NeurIPS 2025. Code available at https://github.com/June01/CureAgent

RoBoN: Routed Online Best-of-n for Test-Time Scaling with Multiple LLMs

RoBoN: 基于路由的在线最佳-n方法用于多LLM测试时间扩展

Jonathan Geuter, Gregor Kornhardt

机构 * Kempner Institute for the Study of Natural & Artificial Intelligence（自然与人工智能研究 institute） 纠错

AI总结 RoBoN通过在线路由多LLM生成过程，提高测试时间扩展性能，无需额外训练，有效提升准确率。

Comments 20 pages, 3 figures. 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Workshop: Foundations of Reasoning in Language Models

Generalization Beyond Benchmarks: Evaluating Learnable Protein-Ligand Scoring Functions on Unseen Targets

超越基准的泛化：在未见目标上评估可学习的蛋白质-配体评分函数

Jakub Kopko, David Graber, Saltuk Mustafa Eyrilmez, Stanislav Mazurenko, David Bednar, Jiri Sedlar, Josef Sivic

机构 * CIIRC, Faculty of Electrical Engineering, Czech Technical University in Prague（捷克技术大学布拉格分校电子工程学院智能信息研究中心） ； Seminar for Applied Mathematics, Department of Mathematics, ETH Zurich（苏黎世联邦理工学院应用数学研讨会） ； Institute for Computational Life Sciences, Zurich University of Applied Sciences（苏黎世应用科学大学计算生命科学研究所） ； Loschmidt Laboratories, Faculty of Science, Masaryk University, Brno（马萨里克大学布拉格分校科学学院洛施米特实验室） ； ICRC, St. Anne’s University Hospital, Brno（布拉格大学医院ICRC） 纠错

AI总结 本研究评估了可学习蛋白质-配体评分函数在未见靶标上的泛化能力，揭示了现有基准的不足，并探讨了预训练和简单方法对提升泛化性能的潜在作用。

Comments 15 pages, 6 figures, submitted to NeurIPS 2025 AI4Science Workshop

MAR-FL: A Communication Efficient Peer-to-Peer Federated Learning System

MAR-FL：一种通信高效的点对点联邦学习系统

Felix Mulitze, Herbert Woisetschläger, Hans Arno Jacobsen

机构 * Technical University of Munich（慕尼黑技术大学） ； University of Toronto（多伦多大学） 纠错

AI总结 MAR-FL是一种通过迭代分组聚合减少通信开销的点对点联邦学习系统，具有O(N log N)的通信复杂度，提升了在大规模节点环境下的鲁棒性和可扩展性。

Comments Accepted at the peer-reviewed AI4NextG Workshop at NeurIPS 2025