Monte Carlo Tree Diffusion for System 2 Planning
蒙特卡洛树扩散用于系统2规划
机构 * New York University（纽约大学）
AI总结 蒙特卡洛树扩散结合扩散模型和MCTS的优势，通过树结构的去噪过程提升规划性能，实验证明其在长时间任务中优于现有方法。
Comments 23 pages, 7 figures, ICML 2025 Spotlight
作者
Yoshua Bengio
Machine Learning
GFlowNet Foundations
机构 * Stanford University（斯坦福大学） ； Mila, McGill University（蒙特利尔大学麦吉尔大学）
Discrete Feynman-Kac Correctors
离散费曼-科茨校正器
AI总结 本研究提出离散费曼-科茨校正器，通过序贯蒙特卡洛算法在推理时控制离散扩散模型的生成分布，实现高效采样和奖励优化。
Comments Code: https://github.com/hasanmohsin/discrete_fkc
Imagining and building wise machines: The centrality of AI metacognition
想象与构建智慧机器：AI元认知的中心性
AI总结 本文探讨了AI元认知的重要性，提出通过提升AI的元认知能力，使其在新环境中更鲁棒、更易解释、更安全。
Comments 23 pages, 2 figures, 2 tables
In-Context Reinforcement Learning through Bayesian Fusion of Context and Value Prior
通过贝叶斯融合上下文和价值先验实现上下文强化学习
机构 * University of Cambridge（剑桥大学） ； Mila - Quebec AI Institute（魁北克人工智能研究所） ； Université de Montréal（蒙特利尔大学） ； McGill University（麦吉尔大学）
AI总结 SPICE通过贝叶斯融合上下文和价值先验，实现高效适应未见过的环境，减少遗憾并保持鲁棒性。
The Future of the AI Summit Series
AI峰会系列的未来
AI总结 本文探讨了国际AI峰会系列的发展，分析其成功因素及挑战，并提出设计建议以提升治理合作的可持续性。
Comments Policy memo, 39 pages, includes tables. Prepared by the Oxford Martin AI Governance Initiative
Offline Model-Based Optimization: Comprehensive Review
离线模型驱动优化：全面综述
机构 * Mila - Quebec AI Institute/KAIST（魁北克AI研究所/韩国科学技术院） ； Mila - Quebec AI Institute/McGill University（魁北克AI研究所/麦吉尔大学） ； Mila - Quebec AI Institute/University of Montreal（魁北克AI研究所/蒙特利尔大学） ； University of Washington（华盛顿大学）
AI总结 本文综述了离线模型驱动优化的现状，分析了替代建模和生成建模两种方法，并探讨了该领域的发展方向。
Comments Accepted to TMLR 2026 (Survey Certification)
Structure-Aligned Protein Language Model
结构对齐的蛋白质语言模型
机构 * Mila – Quebec AI Institute（魁北克人工智能研究所） ； Université de Montréal（蒙特利尔大学） ； Chandar Research Lab（钱达尔研究实验室） ； Polytechnique Montréal（蒙特利尔理工学院） ； Amgen（安进公司）
AI总结 通过结构对齐方法提升蛋白质语言模型的结构知识，增强其在生物应用中的性能。
Comments 28 pages, 16 figures, 9 tables
Sliding Window Recurrences for Sequence Models
滑动窗口递归关系用于序列模型
AI总结 本研究提出滑动窗口递归关系，通过分层分解框架优化GPU内存层次结构，实现比优化Transformer更快的序列模型性能。
Visual symbolic mechanisms: Emergent symbol processing in vision language models
视觉符号机制：视觉语言模型中的涌现符号处理
AI总结 研究揭示了视觉语言模型中通过内容无关空间索引实现的新兴符号机制，用于解决视觉绑定问题并减少模型错误。
FALCON: Few-step Accurate Likelihoods for Continuous Flows
FALCON: 连续流中少步准确的似然性
机构 * Mila – Quebec AI Institute（魁北克AI研究所） ； Université de Montréal（蒙特利尔大学） ； AITHYRA ； McGill University（麦吉尔大学） ； Harvard University（哈佛大学）
AI总结 FALCON通过混合训练目标提升连续流的似然精度，实现高效分子采样，比现有模型快两个数量级。
Comments Preprint; NeurIPS 2025 MLSB
Learning What Matters: Steering Diffusion via Spectrally Anisotropic Forward Noise
学习关键要素：通过频谱各向异性前向噪声引导扩散
机构 * Mila - Quebec AI Institute and Université de Montréal（蒙特利尔大学）
AI总结 本研究提出频谱各向异性高斯扩散（SAGD），通过调整前向噪声的频谱特性，提升扩散模型对目标分布的适应能力，并在多个视觉数据集上验证了其有效性。
Chain of Thought Monitorability: A New and Fragile Opportunity for AI Safety
思维链可监控性：AI安全的新且脆弱的机会
机构 * UK AI Security Institute（英国人工智能安全研究所） ； Apollo Research（阿波罗研究） ； METR ； University of Montreal（蒙特利尔大学） ； Mila ； Anthropic ； OpenAI（开放人工智能研究所） ； Google DeepMind（谷歌DeepMind） ； Truthful AI ； UC Berkeley（伯克利大学） ； Center for AI Safety（人工智能安全中心） ； AI Futures Project（人工智能未来项目） ； Amazon（亚马逊） ； Scale AI ； Magic ； Meta ； Redwood Research（红木研究）
AI总结 本文探讨了通过监控AI思维链来提升安全性的潜力，指出其脆弱性并呼吁进一步研究和投资。
Adsorption energies are necessary but not sufficient to identify good catalysts
吸附能是识别良好催化剂的必要条件但不充分
AI总结 本文质疑过电位估计作为筛选催化剂的可靠性，提出应关注可合成性、稳定性等其他指标。
Comments 7 pages, 3 figures and 1 table. SI included as an appendix
Trajectory Balance with Asynchrony: Decoupling Exploration and Learning for Fast, Scalable LLM Post-Training
轨迹平衡与异步性：解耦探索与学习以实现快速、可扩展的LLM后训练
机构 * Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室） ； Mila – Quebec AI Institute（魁北克AI研究院） ； Université de Montréal（蒙特利尔大学） ； KAIST（韩国科学技术院） ； CIFAR Fellow
AI总结 TBA通过解耦探索与学习，提升LLM后训练的速度和性能，适用于多种任务并支持大规模数据生成。
Comments NeurIPS 2025; 27 pages
A Definition of AGI
AGI 的定义
机构 * Center for AI Safety（AI安全中心） ； University of California, Berkeley（加州大学伯克利分校） ； Virtue AI ； Morph Labs（Morph实验室） ； University of Michigan（密歇根大学） ； LG AI Research（LG人工智能研究） ； University of Oxford（牛津大学） ； Stanford University（斯坦福大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Gray Swan AI ； Carnegie Mellon University（卡内基梅隆大学） ； Cornell University（康奈尔大学） ； Hong Kong Baptist University（香港 Baptist大学） ； HKUST（香港科技大学） ； Nanyang Technological University（南洋理工大学） ； KAIST（韩国科学技术院） ； University of California, Santa Cruz（加州大学圣克鲁兹分校） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Tübingen（图宾根大学） ； University of Washington（华盛顿大学） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Beneficial AI Research（有益AI研究） ； Conjecture ； Institute for Applied Psychometrics（应用心理测量研究所） ； New York University（纽约大学） ； CSER ； Université de Montréal（蒙特利尔大学） ； LawZero
AI总结 本文提出了一种基于卡特尔-霍恩-卡罗尔理论的可量化框架，定义AGI为与受过良好教育的成年人认知能力相匹配，并通过心理测量电池评估AI系统，揭示当前AI在基础认知机制上的不足。
International AI Safety Report 2025: Second Key Update: Technical Safeguards and Risk Management
2025国际人工智能安全报告：第二关键更新：技术安全措施与风险管理工作
AI总结 2025国际人工智能安全报告第二关键更新，探讨通用人工智能风险管理工作进展，包括技术安全措施、对抗训练、数据整理及制度框架的建立。
Extendable Planning via Multiscale Diffusion
Comments First two authors contributed equally
AlignVLM: Bridging Vision and Language Latent Spaces for Multimodal Document Understanding
机构 * ServiceNow ； York University（约克大学） ； Mila – Quebec AI Institute（魁北克人工智能研究院） ； École de Technologie Supérieure（魁北克高等技术学院） ； Université de Montréal（蒙特利尔大学） ； McGill University（麦吉尔大学） ； University of Waterloo（滑铁卢大学） ； CIFAR AI Chair（CIFAR人工智能 chair） ； Polytechnique Montréal（蒙特利尔理工学院） ； University of British Columbia（不列颠哥伦比亚大学）
Efficient Regression-Based Training of Normalizing Flows for Boltzmann Generators
机构 * Mila – Québec AI Institute（魁北克AI研究所） ； Université de Montréal（蒙特利尔大学） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Oxford（牛津大学） ； AITHYRA ； HEC Montréal（蒙特利尔HEC）
Comments Preprint; ICML GenBio Best Paper Award 2025
Self-Evolving Curriculum for LLM Reasoning
Adaptive Inference-Time Scaling via Cyclic Diffusion Search
机构 * KAIST（韩国科学技术院） ； Mila – Quebec AI Institute（魁北克AI研究所） ； Université de Montréal（蒙特利尔大学） ； SAP（SAP公司）
Fast Monte Carlo Tree Diffusion: 100x Speedup via Parallel Sparse Planning
Comments 20 pages, 6 figures, NeurIPS 25 Spotlight
Scope: Selective Cross-modal Orchestration of Visual Perception Experts
机构 * ServiceNow ； Université de Montréal（蒙特利尔大学） ； École de Technologie Supérieure（高级技术学院） ； University of Waterloo（滑铁卢大学） ； McGill University（麦吉尔大学） ； York University（约克大学） ； CIFAR AI Chair（CIFAR人工智能主席） ； Mila ； Law Zero
Comments 14 pages, 2 figures
International AI Safety Report 2025: First Key Update: Capabilities and Risk Implications
Active Attacks: Red-teaming LLMs via Adaptive Environments
机构 * KAIST（韩国科学技术院） ； Mila – Québec AI Institute（魁北克人工智能研究所） ； LawZero ； Omelet ； Université de Montréal（蒙特利尔大学）
Comments 22 pages, 7 figures, 18 tables
Catalyst GFlowNet for electrocatalyst design: A hydrogen evolution reaction case study
机构 * University of Waterloo（滑铁卢大学） ； ETH Zurich（苏黎世联邦理工学院） ； Mila Quebec AI Institute（魁北克AI研究所）
Comments 5 pages, 2 figures. Accepted to NeurIPS AI for Materials Workshop 2025
OBELiX: A Curated Dataset of Crystal Structures and Experimentally Measured Ionic Conductivities for Lithium Solid-State Electrolytes
机构 * Mila ； McGill University（麦吉尔大学） ； University of Ottawa（Ottawa大学） ； Technical University of Kenya（肯尼亚技术大学） ； National Research Council Canada（加拿大国家研究委员会） ； Université de Montréal（蒙特利尔大学）
Comments 10 pages, 4 figures and 1 table
Relative Trajectory Balance is equivalent to Trust-PCL
机构 * Mila – Quebec AI Institute（魁北克AI研究所） ； Entalpic ； McGill University（麦吉尔大学） ； Université de Montréal（蒙特利尔大学） ； Google DeepMind（谷歌DeepMind）
Rejecting Hallucinated State Targets during Planning
机构 * McGill University（麦吉尔大学） ； Mila (Quebec AI Institute)（蒙特利尔AI研究所） ； Google Deepmind（谷歌DeepMind）
Comments [20250810]: ICML 2025 Camera Ready, https://github.com/mila-iqia/delusions
