Cornell University（康奈尔大学）

Scaling Beyond Masked Diffusion Language Models

超越掩码扩散语言模型的扩展

Subham Sekhar Sahoo, Jean-Marie Lemercier, Zhihan Yang, Justin Deschenaux, Jingyu Liu, John Thickstun, Ante Jukic

机构 * Department of Computer Science, Cornell Tech, NYC, USA（康奈尔科技学院计算机科学系） ； Department of Computer Science, Cornell University, Ithaca, USA（康奈尔大学计算机科学系） ； School of Computer and Communication Sciences, EPFL Lausanne, Switzerland（洛桑联邦理工学院计算机与通信科学学院） ； Department of Computer Science, University of Chicago, Illinois（芝加哥大学计算机科学系） ； NVIDIA, Santa Clara, USA（英伟达） 纠错

AI总结 本文研究了统一状态和插值离散扩散方法的扩展定律，发现掩码扩散在FLOPs效率上可提升12%，并展示了统一状态扩散在GSM8K任务中的优越表现

Comments code: https://github.com/s-sahoo/scaling-dllms

Unsupervised MR-US Multimodal Image Registration with Multilevel Correlation Pyramidal Optimization

无监督的MR-US多模态图像配准与多级相关金字塔优化

Jiazheng Wang, Zeyu Liu, Min Liu, Xiang Chen, Xinyao Yu, Yaonan Wang, Hang Zhang

机构 * School of Artificial Intelligence and Robotics, Hunan University, Changsha, Hunan, China（人工智能与机器人学院，湖南大学，长沙，湖南，中国） ； National Engineering Research Center of Robot Visual Perception and Control Technology, Hunan University, Changsha, Hunan, China（机器人视觉感知与控制技术国家工程研究中心，湖南大学，长沙，湖南，中国） ； National University of Singapore（新加坡国立大学） ； Cornell University（康奈尔大学） 纠错

AI总结 本研究提出基于多级相关金字塔优化的无监督多模态图像配准方法，以解决术前与术中多模态图像的配准问题，实现了在ReMIND2Reg任务中的优异表现。

Comments first-place method of ReMIND2Reg Learn2Reg MICCAI 2025

A Cramér-von Mises Approach to Incentivizing Truthful Data Sharing

基于Cramér-von Mises统计的促进真实数据共享方法

Alex Clinton, Thomas Zeng, Yiding Chen, Xiaojin Zhu, Kirthevasan Kandasamy

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Cornell University（康奈尔大学） 纠错

AI总结 本文提出基于Cramér-von Mises统计的激励机制，促进真实数据共享，通过理论分析和实验验证其有效性。

Comments NeurIPS 2025

It's the Thought that Counts: Evaluating the Attempts of Frontier LLMs to Persuade on Harmful Topics

想法才是关键：评估前沿大语言模型在有害话题上的说服尝试

Matthew Kowal, Jasper Timm, Jean-Francois Godbout, Thomas Costello, Antonio A. Arechar, Gordon Pennycook, David Rand, Adam Gleave, Kellin Pelrine

机构 * Université de Montréal, MILA（蒙特利尔大学，MILA） ； Carnegie Mellon University（卡内基梅隆大学） ； MIT, Center for Research and Teaching in Economics（麻省理工学院，经济研究与教学中心） ； Cornell University, University of Regina（康奈尔大学， Regina大学） ； Cornell University, MIT（康奈尔大学，麻省理工学院） 纠错

AI总结 本文提出APE基准测试，评估前沿大语言模型在有害话题上的说服意愿，揭示模型在有害情境下尝试说服的倾向及风险。