Optimize Your Sampling: Tuned Diffusion Sampling with Bayesian Optimization
优化你的采样：基于贝叶斯优化的调优扩散采样
机构 * Cornell University（康奈尔大学）
AI总结 本研究提出OYS方法，将扩散模型采样的时间步长选择作为黑盒优化问题，用贝叶斯优化直接优化目标指标，可提升多类图像生成任务性能，大幅降低推理成本且无需额外训练。
高校专区
Cornell University（康奈尔大学）
The Plot Thins: Uniformity and Linearity in Literary Summaries
情节淡化：文学摘要中的一致性与线性性
机构 * Cornell University（康奈尔大学） ； Aarhus University（奥胡斯大学）
AI总结 该研究构建小说摘要与原作章节映射数据集，测量摘要线性性与一致性，明确文学作品与摘要的情节表达差异。
VLCP: Vision Language Control Policy Closed-Loop Code Replanning for Robot Manipulation
VLCP：用于机器人操纵的视觉语言控制策略闭环代码重规划
机构 * University of Monastir（莫纳斯提尔大学） ； St. Mildred’s-Lightbourn School（圣米尔德雷德-莱特本学校） ； Cornell University（康奈尔大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Silverstream AI（银流人工智能公司） ； Mila -- Quebec AI Institute（米拉-魁北克人工智能研究所）
AI总结 VLCP是一种无需训练的机器人操纵策略，通过在单回合内每K步由VLM重写控制代码闭合循环，在57项任务的评估中综合成功率达35.1%，较开环策略提升十倍。
Attention Flows: Tracing LLM Conceptual Engagement via Story Summaries
注意力流动：通过故事摘要追踪LLM概念性参与
机构 * Cornell University（康奈尔大学） ； Aarhus University（奥胡斯大学）
AI总结 研究通过比较人类与LLM生成的故事摘要，分析模型在文本中的概念性参与模式，发现模型更关注文本结尾，揭示了摘要生成任务的复杂性。
Comments Error found in data creation pipeline
Live Interactive Training for Video Segmentation
视频分割的实时交互训练
机构 * Cornell University（康奈尔大学）
AI总结 本文提出LIT框架，通过实时学习用户反馈提升视频分割性能，LIT-LoRA在挑战性任务中减少18-34%的修正，且训练开销低。
Comments CVPR 2026
Fermi-Dirac thermal measurements: A framework for quantum hypothesis testing and semidefinite optimization
费米-狄拉克热测量：量子假设检验和半定规划的框架
机构 * Institute of Natural Sciences, Shanghai Jiao Tong University, Shanghai 200240, China（自然科学院，上海交通大学，上海） ； School of Mathematical Sciences, Shanghai Jiao Tong University, Shanghai, 200240, China（数学科学学院，上海交通大学，上海） ； Ministry of Education Key Laboratory in Scientific and Engineering Computing, Shanghai Jiao Tong University, Shanghai 200240, China（教育部科学与工程计算重点实验室，上海交通大学，上海） ； Global College, Shanghai Jiao Tong University, Shanghai 200240, China（全球学院，上海交通大学，上海） ； School of Electrical and Computer Engineering, Cornell University, Ithaca, New York 14850, USA（电气与计算机工程学院，康奈尔大学，纽约）
AI总结 该研究提出费米-狄拉克热测量作为量子假设检验和半定规划的新框架，通过热力学方法优化量子测量，构建了费米-狄拉克机模型。
Comments v2: 36 pages, 3 figures, various technical corrections introduced
One Pipeline, Many Transformers: Pattern-Specific Imputation Specialists for Tabular Missing Data
TabImpute: 通用零样本填补表格数据
机构 * Industrial Engineering \& Operations Research, Columbia University, New York, USA ； Department of Statistics, Columbia University, New York, USA ； Operations Research \& Information Engineering, Cornell Tech, New York, USA
AI总结 TabImpute通过预训练Transformer实现通用零样本表格数据填补，采用高效特征化和合成数据生成提升填补速度与准确性。
GeoPose: Patient-agnostic CTA-to-DSA registration through projection-space calibration
GeoPose：通过投影空间校准实现患者无关的CTA到DSA配准
机构 * Weill Cornell Medicine, Cornell Tech（威尔康奈尔医学院、康奈尔理工学院） ； Technical University of Munich（慕尼黑工业大学）
AI总结 本研究提出经人群训练的GeoPose框架，通过投影空间校准实现患者无关的CTA到DSA配准，无需患者特定适配，在配准精度和速度上均优于基线方法，可为下游血管重建提供几何对应关系。
Incoherent by Design? On the Moral Self-Consistency of LLMs
天生不连贯？大型语言模型的道德自我一致性研究
机构 * Cornell University（康奈尔大学） ； Cornell Tech（康奈尔科技学院） ； Nanyang Technological University（南洋理工大学）
AI总结 本研究针对GPT、Mistral、Llama等LLM，在义务论等三大伦理框架下，发现其道德推理存在最高78%的矛盾率，内部不连贯是AI对齐的必要前提。
Comments 88 pages; pages 16 to 88 are the appendix
Real-time Estimator of Actuator Control and Health (REACH) on an Eel-Inspired Soft Robot
受鳗鱼启发的软体机器人的执行器控制与健康实时估计器（REACH）
机构 * Cornell University（康奈尔大学） ； University of California San Diego（加利福尼亚大学圣迭戈分校）
AI总结 针对受鳗鱼启发的软体游泳机器人，本文提出REACH算法，结合软体机器人模型、sigma点滤波器和统计假设检验，可在不同传感器配置、游动步态下准确估计执行器健康，实验验证其在噪声数据和制造差异下的有效性。
Modeling and Control of an Eel-Inspired Soft Robot for Design Optimization
鳗鱼启发式软机器人的建模与控制及其设计优化
机构 * Cornell University（康奈尔大学）
AI总结 本文建立鳗鱼启发式软机器人仿真模型，结合有限元法与流体力模型验证控制方法有效性，发现略不对称设计兼具相当速度与更强机动性，可指导机器人设计优化。
Beyond Pass@k: Measuring Reliability and Security of Agentic Code Generation
超越Pass@k：衡量智能体代码生成的可靠性与安全性
机构 * Stevens Institute of Technology（史蒂文斯理工学院） ； Cornell University（康奈尔大学）
AI总结 该研究指出AI编码智能体基准误用Pass@k指标，提出正确的Reliability@k及安全调整版，通过实验验证误用指标的偏差，还在SWE-bench试点中发现真实场景下的核心问题。
The Value of a Prompt: An LLM-Relative Kolmogorov-Complexity Approach
提示的价值：一种大语言模型（LLM）相对柯尔莫哥洛夫复杂度的方法
机构 * Cornell Tech（康奈尔科技学院） ； Technion（以色列理工学院） ； TAU（特拉维夫大学）
AI总结 该研究提出LLM相对的概率性Levin–柯尔莫哥洛夫复杂度pKt，将提示价值定义为相对于pKt的算法互信息，可高效估算，且提示价值b位对应无提示时复制z的中位数token成本为有提示时的2^b倍。
Sparse Prototype Code Underlies Classification and Prediction Across Modalities
跨模态分类与预测的稀疏原型编码
机构 * Hebrew University（希伯来大学） ； The Racah Institute of Physics（拉卡物理研究所） ； Edmond and Lily Safra Center for Brain Sciences（埃德蒙和莉莉·萨夫拉脑科学中心） ； Cornell Tech, Cornell University（康奈尔大学科技校区） ； Center for Brain Science, Harvard University（哈佛大学脑科学中心）
AI总结 该研究揭示跨模态AI模型分类任务存在通用表征几何，推导平均场理论准确预测分类准确率，发现分类由稀疏质心对齐结构支配，关联稀疏特征提取方法。
Comments 33 pages, 13 figures, 14 tables
QUASAR: Lowering the Loss Floor of Quantization-Aware Training with Loss-Aware Reconstruction
QUASAR：通过损失感知重构降低量化感知训练的损失下限
机构 * Together AI ； Cornell University（康奈尔大学）
AI总结 QUASAR是一种QAT方法，通过训练循环中轻量级损失感知重构降低大语言模型量化损失下限，在2-4比特下优于现有方法，提升了低比特模型准确率。
Comments 39 pages
Decoding Task Progress from VLA Representations
从视觉-语言-动作模型（VLA）表征中解码任务进度
机构 * Cornell University（康奈尔大学）
AI总结 该研究利用机制可解释性探究VLA的π₀.₅残差流，发现任务进度可从激活值线性读取，基于此构建的探测器可作为无标签OOD检测器，性能接近最先进方法，为监控部署的视觉运动策略提供轻量可解释路径。
ReconSpan: Reconstruction-Guided Adaptive Latent Tokenization
ReconSpan：重建引导的自适应隐式分词
机构 * Cornell University（康奈尔大学）
AI总结 本文提出ReconSpan，一种重建引导的自适应隐式分词方法，可将文本划分为特定块并保留前缀码作为隐式token，在匹配平均长度下其边界比随机边界保留更多文本，能可靠传递主题信息但难以提取精确细节。
Comments 16 pages, 3 figures
Which Site, and When: A Free-Satellite-Data Test of Himalayan Glacial Lake Bursts, Landslides, and Ice Floods
哪个地点，以及何时：基于免费卫星数据的喜马拉雅冰川湖溃决、滑坡与冰洪测试
机构 * Cornell University（康奈尔大学） ； Institute of Engineering, Tribhuvan University（特里布万大学工程学院） ； University of Alabama at Birmingham（阿拉巴马大学伯明翰分校） ； University of Bristol（布里斯托大学）
AI总结 该研究利用免费卫星数据，构建模型预测喜马拉雅地区冰川湖溃决、滑坡等三类灾害的易感性地点与触发时间，发现简单梯度提升基线模型表现优于多数深度学习模型，还给出了尼泊尔灾害预警优先级清单。
Agentic Neurosymbolic Collaboration for Mathematical Discovery: A Case Study in Combinatorial Design
代理神经符号协作用于数学发现：组合设计的一个案例研究
机构 * Algorithms and Complexity Group, TU Wien（算法与复杂性组，维也纳技术大学） ； Department of Computer Science, Cornell University（计算机科学系，康奈尔大学）
AI总结 本文通过代理神经符号协作方法，在组合设计理论中发现了一个新的紧下界，展示了人类与AI协作在数学发现中的有效性。
A Prior-Aware Metric for Efficiently Distinguishing Memorization from Generalization in Large Language Models
先验意识记忆：一种区分记忆与泛化在大语言模型中的高效度量标准
机构 * Cornell University（康奈尔大学） ； Boston University（波士顿大学） ； NVIDIA（英伟达）
AI总结 本文提出Prior-Aware Memorization，一种基于模型先验的轻量级度量标准，用于区分大语言模型中的真实记忆与统计上常见序列，揭示低频率不足以证明记忆，强调需考虑模型先验以评估数据泄露风险。
Comments COLM 2026 Camera Ready
Pixel-Space Diffusion Transformers
像素空间扩散变换器
机构 * Peking University（北京大学） ； Nanjing University（南京大学） ； Stanford University（斯坦福大学） ； Cornell University（康奈尔大学） ； University of Oulu（奥卢大学）
AI总结 本文探讨像素空间扩散变换器，针对潜在扩散模型的局限，研究直接对原始像素建模的像素空间扩散方法，介绍其在高维建模中的挑战与多模态建模优势，从多方面回顾pDiTs，总结方法、识别挑战并展望未来方向。
The CASE Framework: A Multi-Disciplinary Control Architecture for Governing Enterprise Agentic AI
CASE框架：用于管控企业智能体AI的多学科控制架构
机构 * Cornell University（康奈尔大学） ； Johns Hopkins University（约翰斯·霍普金斯大学） ； AI71
AI总结 针对企业智能体AI管控的“涌现缺口”问题，提出含四层架构的CASE框架，经实证验证可提升治理有效性，满足欧盟AI法案要求。
Comments 34 pages in total, 4 figures, 2 tables, code at https://github.com/srinivastelukunta/case_framework_arxiv_codes
A case study of evaluating AI agents on a neuroscience data-to-discovery pipeline
评估AI代理在神经科学数据到发现流程中的案例研究
机构 * Cornell University（康奈尔大学） ； HHMI Janelia Research Campus（霍华德·休斯医学研究所贾雷尔研究园区）
AI总结 本研究评估通用编码代理在果蝇光遗传学数据到发现流程中的表现，发现代理能解决单个阶段任务，但端到端流程仍超出其能力，主要挑战包括缺乏预定义迭代标准和科学判断能力。
Comments Peer-reviewed conference paper
Journal ref Third Conference on Language Modeling (COLM 2026)
Validated Synthetic Patient Generation for Small Longitudinal Cohorts: Coagulation Dynamics Across Pregnancy
小纵向队列的验证合成患者生成：妊娠期间的凝血动力学
机构 * Robert F. Smith School of Chemical and Biomolecular Engineering, Cornell University（康奈尔大学罗伯特·F·史密斯化学与生物分子工程学院） ； Department of Biochemistry, The Robert Larner, M.D. College of Medicine, University of Vermont Medical Center（佛蒙特大学医学中心罗伯特·拉纳医学院生物化学系） ； Department of Obstetrics, Gynecology, and Reproductive Sciences, The Robert Larner, M.D. College of Medicine, University of Vermont Medical Center（佛蒙特大学医学中心罗伯特·拉纳医学院妇产科与生殖科学系）
AI总结 本文提出基于Hopfield网络理论的多重加权随机注意机制，用于生成小纵向队列的合成患者，通过Langevin动力学在连续能景中插值存储模式，保留原始队列的几何结构，并在推理时放大罕见临床亚组，验证了其在凝血动力学中的有效性。
Matryoshka Language Model Suites
套娃语言模型套件
机构 * Cornell University（康奈尔大学）
AI总结 该研究提出Matryoshka训练框架，将尺寸递增的子模型堆叠为端到端嵌套架构，训练含5亿、15亿、30亿参数子模型的套件，其性能与基线相当，训练计算量减少36%，推测解码吞吐量提升14-26%。
Not All Visual Tokens Are Equally Safe to Remove:Consequence-Sensitive Visual Token Compression
并非所有视觉 token 都可安全移除：后果敏感型视觉 token 压缩
机构 * The University of Sydney（悉尼大学） ； Tongji University（同济大学） ； University of Surrey（萨里大学） ； Nankai University（南开大学） ； Cornell University（康奈尔大学） ； City University of Hong Kong（香港城市大学）
AI总结 该研究针对视觉语言模型提出后果敏感型视觉 token 压缩方法，可在相同总 token 预算下降低高风险错误，还能减少代价加权错误并降低延迟，泛化性良好。
HOPPER: Learnable Hop Extraction for Linearized Graph Sequence Models
HOPPER：用于线性化图序列模型的可学习跳提取方法
机构 * Carnegie Mellon University（卡内基梅隆大学） ； UC Berkeley（加州大学伯克利分校） ； Cornell University（康奈尔大学）
AI总结 HOPPER是LGSM的可学习扩展，可提取跳序列以实现自适应图传播，在ECHO-Synth基准表现最优或具竞争力，调整结构记忆窗口可优化LRIM基准准确率，为长距离图表示学习提供灵活方法。
Comments 24 pages, 1 figure, 4 tables
Curriculum Generation under Structured Parametric Environments for Robust Navigation Policies
结构化参数环境下用于鲁棒导航策略的课程生成
机构 * Cornell University（康奈尔大学）
AI总结 本文针对结构化参数环境提出重参数化课程生成框架，结合分布偏移正则化，在OpenAI Gym的两类连续控制环境中，显著优于多种基线方法，提升了导航策略的鲁棒性。
Comments 22 pages, 5 figures
Hybrid Quantum-Classical PINNs for Scientific Computing: A Multi-GPU Open-Source Framework
PINNACLE：一种用于经典和量子PINN的开源计算框架
机构 * Faculty of Mechanical Engineering, Technion Israel Institute of Technology, Haifa, Israel（技术学院机械工程系，以色列技术学院，海法，以色列） ； Andrew and Erna Viterbi Faculty of Electrical & Computer Engineering, Technion Israel Institute of Technology, Haifa, Israel（安德鲁和伊尔纳·维特比电气与计算机工程学院，技术学院，海法，以色列） ； Helen Diller Quantum Center, Technion Israel Institute of Technology, Haifa, Israel（海伦·迪尔量子中心，技术学院，海法，以色列） ； Faculty of Electrical and Computer Engineering, Cornell University, Ithaca, NY, USA（电气与计算机工程学院，康奈尔大学，纽约州伊萨克，美国）
AI总结 PINNACLE框架整合了现代训练策略和混合量子经典架构，通过统一模块化工作流系统评估PINN在不同基准问题中的性能，支持多种增强方法并提供全面的基准研究。
From Words to Widgets for Controllable LLM Generation
从词语到小部件：可控制的LLM生成
机构 * Cornell University（康奈尔大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Loyola University Maryland（路易斯安那大学马里兰分校）
AI总结 本文提出Malleable Prompting技术，通过将自然语言提示中的偏好转化为可视化的小部件，使用户能更精确地控制LLM生成，提升可控性和透明度。
Comments UIST 2026
