Second-Order Muon Done Right: A Principled Marriage of Spectral Geometry and Curvature
正确的二阶Muon：谱几何与曲率的原则性结合
机构 * NVIDIA Research（英伟达研究院）
AI总结 本文提出GO-MUON算法，将谱几何与曲率结合，通过复用匹配的依赖数据的几何实现精确更新，量化了softmax交叉熵中相关因子的接近情况，揭示了惰性几何是计算-统计的权衡。
大厂专区
NVIDIA（英伟达）
Evolving Safety Landscape of Multi-modal Large Language Models: A Survey of Emerging Threats and Safeguards
多模态大语言模型的演进安全态势：新兴威胁与防护措施综述
机构 * University of Alabama at Birmingham（阿拉巴马大学伯明翰分校） ； NVIDIA（英伟达公司） ； Penn State University（宾夕法尼亚州立大学） ； Columbia University（哥伦比亚大学） ； University of Missouri-Kansas City（密苏里大学堪萨斯分校） ； Florida State University（佛罗里达州立大学） ； Auburn University（奥本大学）
AI总结 本综述针对多模态大语言模型（MLLMs）的新型安全威胁，提出多模态安全威胁分类法，梳理安全策略进展，探讨未来安全机制的研究方向。
Comments Accepted at the ICLR 2026 Workshop on Principled Design for Trustworthy AI
LLM-as-a-Tutor: Policy-Aware Prompt Adaptation for Non-Verifiable RL
大语言模型作为导师：不可验证强化学习中的策略感知提示适应
机构 * KAIST（韩国科学技术院） ； Upstage ； University of Toronto（多伦多大学） ； Carnegie Mellon University（卡内基梅隆大学） ； NVIDIA（英伟达）
AI总结 针对不可验证强化学习中训练提示静态导致的问题，提出LLM-as-a-Tutor框架，让大语言模型从评判扩展为导师，通过对比策略展开检测无挑战性提示并添加约束，提升性能。
DeltaPrompts: Escaping the Zero-Delta Trap in Multimodal Distillation
DeltaPrompts: 逃离多模态蒸馏中的零delta陷阱
机构 * NVIDIA Research（NVIDIA研究院）
AI总结 本文提出DeltaPrompts，通过量化教师与学生之间的答案分歧（Δ）来生成高分歧的推理问题，从而解决传统蒸馏中因零delta提示导致的学习信号不足问题，实验表明DeltaPrompts在多个场景下显著提升了模型性能。
FusionRelight: Relighting Portraits in Real Time via Hybrid Domain Knowledge Fusion
面向真实场景中人像重照明的混合领域知识融合
机构 * NVIDIA
AI总结 本文提出混合领域知识融合方法，通过融合合成、单光源和真实数据集的优势，提升人像重照明的实用性与效率，实现6至240倍的推理加速且保持SOTA视觉质量。
Multi-objective Evolutionary Merging Enables Efficient Reasoning Models
多目标进化融合实现高效推理模型
机构 * Sapienza University of Rome（罗马大学） ； Independent Researcher（独立研究员） ； EPFL（瑞士联邦理工学院洛桑） ； NVIDIA（英伟达）
AI总结 本文提出Evo-L2S框架，通过多目标优化解决长到短推理问题，减少生成推理轨迹长度同时保持或提升推理准确性。
Comments Published as a conference paper at COLM 2026
TGIF: Text-Guided Layer Fusion Mitigates Hallucination in Multimodal LLMs
基于文本引导的层融合缓解多模态大语言模型中的幻觉
机构 * University of Connecticut（康涅狄格大学） ； NVIDIA（NVIDIA公司） ； Stanford University（斯坦福大学）
AI总结 TGIF通过文本引导的层融合方法，有效缓解多模态大语言模型中的幻觉问题，提升视觉接地能力。
Comments Accepted at COLM 2026
Data Repetition Beats Data Scaling in Long-CoT Supervised Fine-Tuning
数据重复胜过数据扩展在长链推理监督微调中
机构 * University of Technology Nuremberg（图恩大学） ； NVIDIA（英伟达）
AI总结 本研究发现，在长链推理监督微调中，数据重复训练比数据扩展更有效，通过token准确率作为停止标准可替代昂贵的数据扩展。
NeuralDMD: Interpretable Neural Representation of Dynamics from Sparse and Noisy Measurements
NeuralDMD：基于稀疏且含噪测量的可解释动力学神经表示
机构 * University of Toronto（多伦多大学） ； NVIDIA Corporation（NVIDIA公司）
AI总结 NeuralDMD是结合神经隐式表示与DMD的可解释未训练重建框架，可从稀疏含噪测量中直接重建预测时空动力学，在天气、黑洞观测等任务上优于基线，线性场景下稳定，非线性场景仍有应用潜力。
Comments 53 pages, 26 figures
