New York University（纽约大学）

Ethically-Aware Participatory Design of a Productivity Social Robot for College Students

具有伦理意识的大学生生产力社交机器人参与式设计

Himanshi Lalwani, Hanan Salam

机构 * SMART Lab, Department of Computer Science, New York University, Abu Dhabi（纽约大学阿布扎克分校计算机科学系SMART实验室） 纠错

AI总结 本研究通过参与式设计方法，开发了一款面向大学生的生产力社交机器人，结合伦理考量，旨在解决学生生产力问题并提供可行的解决方案。

Supporting Productivity Skill Development in College Students through Social Robot Coaching: A Proof-of-Concept

通过社交机器人辅导支持大学生职业技能发展：一种概念验证

Himanshi Lalwani, Hanan Salam

机构 * SMART Lab, Department of Computer Science, New York University, Abu Dhabi（纽约大学阿布扎克分校计算机科学系SMART实验室） 纠错

AI总结 本研究提出一种社交辅助机器人作为教育辅导员，通过六种课程提升大学生生产力，实现个性化、可扩展的解决方案。

FOM-Nav: Frontier-Object Maps for Object Goal Navigation

FOM-Nav：用于目标导航的前沿-对象地图

Thomas Chabal, Shizhe Chen, Jean Ponce, Cordelia Schmid

机构 * Inria（法国国家信息与自动化技术研究院） ； Department of Computer Science, École normale supérieure (ENS-PSL, CNRS, Inria)（高等师范学院计算机科学系） ； Courant Institute of Mathematical Sciences and Center for Data Science, New York University（纽约大学Courant数学科学研究所和数据科学中心） 纠错

AI总结 FOM-Nav通过前沿-对象地图和视觉-语言模型提升机器人在未知环境中的目标导航效率，实现最先进的导航性能。

Comments Project page: https://www.di.ens.fr/willow/research/fom-nav/

ToMA: Token Merge with Attention for Diffusion Models

ToMA: 通过注意力机制的令牌合并用于扩散模型

Wenbo Lu, Shaoyi Zheng, Yuxuan Xia, Shengjie Wang

机构 * Department of Computer Science, New York University（纽约大学计算机科学系） 纠错

AI总结 ToMA通过重新设计令牌合并方法，提升扩散模型的GPU效率，减少生成延迟并优化实际性能。

Comments In proceedings of the 42nd International Conference on Machine Learning (ICML 2025). Code available at https://github.com/wenboluu/ToMA

Do different prompting methods yield a common task representation in language models?

不同的提示方法是否会在语言模型中产生共同的任务表示？

Guy Davidson, Todd M. Gureckis, Brenden M. Lake, Adina Williams

机构 * FAIR at Meta（Meta 的 FAIR 部门） ； New York University（纽约大学） ； Princeton University（普林斯顿大学） 纠错

AI总结 研究通过函数向量分析不同提示方法对语言模型任务表示的影响，发现不同提示形式导致不同的任务机制，支持结合指令和演示的实践。

Comments 10 pages, 4 figures; presented at NeurIPS 2025

GARF: Learning Generalizable 3D Reassembly for Real-World Fractures

GARF：学习通用的3D重新组装以应对现实中的断裂

Sihang Li, Zeyu Jiang, Grace Chen, Chenyang Xu, Siqi Tan, Xue Wang, Irving Fang, Kristof Zyskowski, Shannon P. McPherron, Radu Iovita, Chen Feng, Jing Zhang

机构 * New York University（纽约大学） ； Yale University（耶鲁大学） ； Max Planck Institute（马克斯·普朗克研究所） 纠错

AI总结 GARF通过断裂感知预训练和流匹配技术，实现对现实断裂的通用3D重新组装，提升对未知对象和断裂类型的鲁棒性。

Comments 18 pages. Project Page https://ai4ce.github.io/GARF/

Adversarial Exploitation of Data Diversity Improves Visual Localization

对抗性利用数据多样性提升视觉定位

Sihang Li, Siqi Tan, Bowen Chang, Jing Zhang, Chen Feng, Yiming Li

机构 * New York University（纽约大学） 纠错

AI总结 本研究通过引入外观多样性与对抗性训练提升视觉定位的鲁棒性，显著降低定位误差，尤其在动态驾驶和天气变化场景中表现优异。

Comments 24 pages, 22 figures

NetDeTox: Adversarial and Efficient Evasion of Hardware-Security GNNs via RL-LLM Orchestration

NetDeTox: 通过RL-LLM协同实现对硬件安全GNN的对抗性高效逃避

Zeng Wang, Minghao Shao, Akashdeep Saha, Ramesh Karri, Johann Knechtel, Muhammad Shafique, Ozgur Sinanoglu

机构 * NYU Tandon School of Engineering（纽约大学Tandon工程学院） ； NYU Abu Dhabi（纽约大学阿布扎克分校） 纠错

AI总结 NetDeTox通过RL-LLM协同实现对硬件安全GNN的高效对抗性逃避，减少重写次数和面积开销，提升安全性方案的鲁棒性。

Use of Retrieval-Augmented Large Language Model Agent for Long-Form COVID-19 Fact-Checking

使用检索增强型大语言模型代理进行长期形式的新冠事实核查

Jingyi Huang, Yuyi Yang, Mengmeng Ji, Charles Alba, Sheng Zhang, Ruopeng An

机构 * New York University, USA（纽约大学） ； Washington University in St. Louis, USA（华盛顿大学圣路易斯分校） ； Shanghai University of Sports, China（上海体育大学） 纠错

AI总结 本文提出SAFE系统，结合大语言模型与检索增强生成技术，有效提升长期新冠虚假信息的事实核查能力。