Spectral Filtering for Complex Linear Dynamical Systems
复线性动力系统中的谱滤波
机构 * Princeton University（普林斯顿大学） ； Google（谷歌） ； DeepMind（深度Mind）
AI总结 本文研究了具有扇形谱的复线性动力系统学习问题，引入基于Slepian基的谱滤波方法，证明了有效维度与状态维度无关，从而获得无维度后悔界。
大厂专区
Google（谷歌）
Closed-Form Last Layer Optimization
闭式最后一层优化
机构 * Google DeepMind Gatsby Unit, University College London（谷歌深Mind加布兹单位，伦敦大学学院） ； Tübingen AI Center, University of Tübingen（图宾根人工智能中心，图宾根大学） ； University College London（伦敦大学学院）
AI总结 本文提出在优化神经网络时，利用线性最后一层权重的闭式解，通过交替梯度下降和闭式更新提升回归任务性能。
Privately Estimating Black-Box Statistics
私有估计黑盒统计量
机构 * University of Canterbury（坎特伯雷大学） ； Google DeepMind（谷歌DeepMind）
AI总结 本文提出一种在黑盒函数上实现差分隐私的方案，平衡统计效率与 oracle 效率，并展示其近最优性。
HYPER: A Foundation Model for Inductive Link Prediction with Knowledge Hypergraphs
HYPER：一种用于知识超图归纳链接预测的基础模型
机构 * University of Oxford（牛津大学） ； Google Research（谷歌研究） ； AITHYRA ； TU Wien（维也纳技术大学）
AI总结 HYPER是一种基础模型，能处理包含新实体和新关系的知识超图归纳链接预测，通过编码超边中的实体及其位置实现跨不同关系类型的迁移学习。
TeamBench: Evaluating Agent Coordination under Enforced Role Separation
TeamBench: 在强制角色分离下评估代理协调
机构 * MIT（麻省理工学院） ； Google Research（谷歌研究院） ； Google DeepMind（谷歌DeepMind） ； Independent Researcher（独立研究者）
AI总结 TeamBench通过851个任务模板和931个预设实例，评估在操作系统强制角色分离下代理协调的能力，发现提示仅和沙盒强制团队的通过率无显著差异，但提示仅团队更易出现验证者篡改执行者代码的情况。
PACEvolve++: Improving Test-time Learning for Evolutionary Search Agents
PACEvolve++: 提高进化搜索代理的测试时学习
机构 * Google（谷歌） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Google DeepMind（谷歌DeepMind）
AI总结 PACEvolve++通过强化学习框架提升进化搜索代理的测试时策略适应能力，采用可训练顾问生成并评估假设，结合前沿模型生成可执行候选，实现更快收敛和更稳定的测试时训练。
TRAJGANR: Trajectory-Centric Urban Multimodal Learning via Geospatially Aligned Neural Representations
TRAJGANR: 通过地理对齐的神经表示进行轨迹导向的城市多模态学习
机构 * Google Research, Mountain View, CA（谷歌研究，山景城，加利福尼亚州） ； Google LLC, Mountain View, CA（谷歌公司，山景城，加利福尼亚州） ； Dept. of Computer Science, University of Southern California, Los Angeles, CA（计算机科学系，南加州大学，洛杉矶，加利福尼亚州） ； SEAI Lab, Dept. of Geography and the Environment, The University of Texas at Austin, Austin, TX（SEAI实验室，地理与环境系，德克萨斯大学奥斯汀分校，奥斯汀，德克萨斯州）
AI总结 TRAJGANR提出一种新的多模态自监督学习框架，通过将连续移动模式与静态位置观察对齐，提升城市理解和移动任务的性能，优于现有方法。
Bridging Textual Profiles and Latent User Embeddings for Personalization
弥合文本特征与潜在用户嵌入之间的鸿沟以实现个性化
机构 * University of Notre Dame（诺特大学） ； Google（谷歌）
AI总结 本文提出BLUE框架，通过结合语言基用户特征与嵌入基推荐目标，弥合可解释性文本特征与判别性潜在嵌入之间的差距，实验证明其在零样本序列推荐中优于基线方法。
AI and Consciousness: Shifting Focus Towards Tractable Questions
人工智能与意识：转向可解决的问题
机构 * Google DeepMind（谷歌DeepMind）
AI总结 本文探讨人工智能意识的可研究性，指出直接研究AI是否具有主观体验的问题目前难以解决，而公众对AI意识的认知影响社会规范，需加强对其感知原因和影响的研究。
A$^2$RD: Agentic Autoregressive Diffusion for Long Video Consistency
A$^2$RD：基于代理的自回归扩散用于长视频一致性
机构 * Google Cloud AI Research（谷歌云人工智能研究）
AI总结 A$^2$RD通过Retrieve-Synthesize-Refine-Update循环实现长视频一致性合成，提升视频生成的连贯性和叙事一致性。
Comments Project page: http://dxlong2000.github.io/AARD
In-Context Credit Assignment via the Core
通过核心进行上下文内信用分配
机构 * UC Berkeley（伯克利大学） ； Toyota Technological Institute at Chicago（芝加哥丰田技术研究所） ； Google Research（谷歌研究）
AI总结 本文提出了一种激励对齐的上下文内信用分配机制，基于合作博弈理论中的核心解概念，通过算法近似核心解来稳定分配价值，实验显示其在网页检索任务中效率显著高于其他方法。
Accelerated Relax-and-Round for Concave Coverage Problems
加速的放松与舍入算法用于凹覆盖问题
机构 * Google（谷歌）
AI总结 本文提出了一种加速的放松与舍入算法，用于解决凹覆盖问题，改进了传统最大覆盖问题。通过使用投影加速梯度法和特定舍入方案，实现了更高效的运行时间，并证明了新的奖励函数的逼近比。
Comments 47 pages, 6 figures
Uneven Evolution of Cognition Across Generations of Generative AI Models
不同世代生成式AI模型认知能力的不均衡发展
机构 * Google DeepMind（谷歌DeepMind） ； Google Research（谷歌研究） ； University of Washington（华盛顿大学）
AI总结 本文通过心理测量框架评估生成式AI的认知特征，发现其在语言抽象推理方面发展迅速，而视觉感知组织能力停滞，表明架构偏倚影响认知平衡发展。
Comments 25 pages, 5 Figures, 3 Tables
MIND: Monge Inception Distance for Generative Models Evaluation
MIND：生成模型评估的 Monge 落合距离
机构 * Google DeepMind（谷歌DeepMind） ； LPSM, Sorbonne Université（巴黎-萨克雷大学LPSM）
AI总结 MIND 通过 sliced Wasserstein 距离评估生成模型，克服 FID 的局限，更高效、稳健且抗攻击，实验表明 5k 样本可替代 50k 样本的 FID 性能。
The Linear Centroids Hypothesis: Features as Directions Learned by Local Experts
线性质心假说：由局部专家学习的特征作为方向
机构 * Rice University（里士大学） ； Google Research（谷歌研究） ； Brown University（布朗大学）
AI总结 本文提出线性质心假说，将深度网络的质心空间中的线性方向作为特征，通过替换中间激活为质心，提升可解释性工具的效果，并统一了字典、探针、电路和显著性图等方法。
Comments 23 pages, 17 figures
Discovering Multiagent Learning Algorithms with Large Language Models
用大型语言模型发现多智能体学习算法
机构 * Google DeepMind（谷歌DeepMind）
AI总结 本文利用AlphaEvolve框架自动发现CFR和PSRO算法，提出VAD-CFR和SHOR-PSRO，通过简化核心机制获得更高效的WOP-CFR和PM-PSRO，提升泛化能力。
Comments More experiments and analysis on algorithmic distilliation
Into the Rabbit Hull: From Task-Relevant Concepts in DINO to Minkowski Geometry
进入兔皮：从DINO中的任务相关概念到闵可夫斯基几何
机构 * Kempner Institute, Harvard University（哈佛大学凯姆纳研究所） ； Harvard University（哈佛大学） ； Dept. of Psychology, Harvard University（哈佛大学心理学系） ； Brown University（布朗大学） ； Google DeepMind（谷歌DeepMind） ； Meta ； Goodfire
AI总结 本文通过分析DINOv2的任务相关概念，揭示了其在分类、分割和深度估计中的功能专业化，并提出闵可夫斯基表示假设以解释视觉Transformer的表示结构。
Comments Accepted at ICLR 2026
Journal ref ICLR 2024
InvThink: Premortem Reasoning for Safer Language Models
InvThink：用于更安全语言模型的预mortem推理
机构 * MIT（麻省理工学院） ； Google Research（谷歌研究院） ； Google DeepMind（谷歌DeepMind） ； Samsung Research（三星研究）
AI总结 InvThink通过预mortem推理框架提升语言模型安全性，通过枚举、分析和约束潜在故障来生成响应，相比现有方法在安全性和减少有害行为方面表现更优。
Limitations on Accurate, Trusted, Human-level Reasoning
对准确、可信、人类水平推理的限制
机构 * Google Research（谷歌研究） ； University of Southern California（南加州大学）
AI总结 本文研究了准确、可信和人类水平推理在AI系统中的根本矛盾，证明了准确且可信的系统无法实现人类水平推理。
Comments 19 pages, 1 figure
