Massachusetts Institute of Technology（麻省理工学院）

Finer-Personalization Rank: Fine-Grained Retrieval Examines Identity Preservation for Personalized Generation

细粒度个性化排名：细粒度检索检验身份保持在个性化生成中

Connor Kilrain, David Carlyn, Julia Chae, Sara Beery, Wei-Lun Chao, Jianyang Gu

机构 * The Ohio State University（俄亥俄州立大学） ； MIT（麻省理工学院） 纠错

AI总结 本文提出Finer-Personalization Rank评估协议，用于细粒度检验个性化生成中的身份保持，揭示现有方法中的身份漂移问题。

Is Your Conditional Diffusion Model Actually Denoising?

你的条件扩散模型真的在去噪吗？

Daniel Pfrommer, Zehao Dou, Christopher Scarvelis, Max Simchowitz, Ali Jadbabaie

机构 * MIT Cambridge, MA 02139（麻省理工学院） ； Yale University New Haven, CT 06520（耶鲁大学） ； CMU Pittsburgh, PA 15213（卡内基梅隆大学） 纠错

AI总结 本文研究了条件扩散模型的去噪过程偏差，提出Schedule Deviation度量方法，揭示了模型在不同条件下的去噪流程差异问题。

Comments 41 pages, 14 figures, published in Neural Information Processing Systems 2025

Advances in Feed-Forward 3D Reconstruction and View Synthesis: A Survey

反向馈送3D重建与视角合成的进展：综述

Jiahui Zhang, Yuelei Li, Anpei Chen, Muyu Xu, Kunhao Liu, Jianyuan Wang, Xiao-Xiao Long, Hanxue Liang, Zexiang Xu, Hao Su, Christian Theobalt, Christian Rupprecht, Andrea Vedaldi, Kaichen Zhou, Hanspeter Pfister, Paul Pu Liang, Shijian Lu, Fangneng Zhan

机构 * NTU（国立台湾大学） ； Caltech（加州理工学院） ； Westlake University（西湖大学） ； UCSD（加州大学圣地亚哥分校） ； University of Oxford（牛津大学） ； Nanjing University（南京大学） ； HKU（香港大学） ； University of Cambridge（剑桥大学） ； Hillbot ； MPI for Informatics（信息研究所） ； Harvard University（哈佛大学） ； MIT（麻省理工学院） 纠错

AI总结 本文综述了反向馈送方法在3D重建与视角合成中的进展，涵盖多种表示架构及应用，探讨了关键任务和未来研究方向。

Comments A project page associated with this survey is available at https://fnzhan.com/projects/Feed-Forward-3D

Propose, Solve, Verify: Self-Play Through Formal Verification

提出、解决、验证：通过形式验证进行自我对战

Alex Wilf, Pranjal Aggarwal, Bryan Parno, Daniel Fried, Louis-Philippe Morency, Paul Pu Liang, Sean Welleck

机构 * Carnegie Mellon University, School of Computer Science（卡内基梅隆大学计算机科学学院） ； MIT（麻省理工学院） 纠错

AI总结 通过形式验证的自我对战框架PSV，在代码生成中显著提升了模型性能，展示了形式验证和难度感知生成对自我对战的重要性。

Graph-based Nearest Neighbors with Dynamic Updates via Random Walks

通过随机游走实现的基于图的最近邻搜索与动态更新

Nina Mishra, Yonatan Naamad, Tal Wagner, Lichen Zhang

机构 * Amazon（亚马逊公司） ； Tel Aviv University（特拉维夫大学） ； MIT（麻省理工学院） 纠错

AI总结 本文提出了一种基于随机游走的图结构，用于实现支持动态更新的近似最近邻搜索，并通过实验验证了其在效率和性能上的优势。

Comments 37 pages, 23 figures

Efficient Multi-Adapter LLM Serving via Cross-Model KV-Cache Reuse with Activated LoRA

高效多适配器LLM服务通过跨模型KV缓存重用与激活LoRA

Allison Li, Kristjan Greenewald, Thomas Parnell, Navid Azizan

机构 * mit（麻省理工学院） ； ibm（国际商业机器公司） 纠错

AI总结 本文提出一种高效LLM服务引擎，通过激活LoRA实现跨模型KV缓存重用，显著降低推理延迟和时间到第一个token，提升多适配器任务的效率。

Using LLMs for Late Multimodal Sensor Fusion for Activity Recognition

利用大语言模型进行晚阶段多模态传感器融合以进行活动识别

Ilker Demirel, Karan Thakkar, Benjamin Elizalde, Miquel Espi Marques, Aditya Sarathy, Yang Bai, Umamahesh Srinivas, Jiajie Xu, Shirley Ren, Jaya Narain

机构 * Apple（苹果公司） ； MIT（麻省理工学院） ； Johns Hopkins（约翰霍普金斯大学） 纠错

AI总结 利用大语言模型进行晚阶段多模态融合，实现零样本和单样本活动分类，无需特定任务训练。

Comments NeurIPS Workshop on Learning from Time Series for Health

Continuum Attention for Neural Operators

连续注意力用于神经算子

Edoardo Calvello, Nikola B. Kovachki, Matthew E. Levine, Andrew M. Stuart

机构 * California Institute of Technology（加州理工学院） ； NVIDIA（英伟达） ； The Broad Institute of MIT and Harvard（MIT和哈佛大学Broad研究所） ； Basis Research Institute（Basis研究机构） 纠错

AI总结 本文提出了一种基于连续注意力机制的神经算子设计方法，通过函数空间建模实现了对非局部映射的高效逼近，并在多个算子学习任务中验证了其有效性。