New York University（纽约大学）

Evaluating Small Decoder-Only Language Models for Grammar Correction and Text Simplification

评估小型解码器-only语言模型在语法纠正和文本简化中的表现

Anthony Lamelas

机构 * New York University（纽约大学） 纠错

AI总结 本文评估了小型解码器-only语言模型在语法纠正和文本简化任务中的性能，发现其在效率上有优势，但性能仍低于现有大型语言模型，需进一步改进以缩小差距。

Comments 9 pages, 12 figures

Quantum vs. Classical Machine Learning: A Benchmark Study for Financial Prediction

量子与经典机器学习：金融预测的基准研究

Rehan Ahmad, Muhammad Kashif, Nouhaila Innan, Muhammad Shafique

机构 * Department of Physics, Lahore University of Management Sciences (LUMS)（物理系，拉合尔管理科学大学） ； eBRAIN Lab, Division of Engineering, New York University Abu Dhabi (NYUAD)（eBRAIN实验室，工程学院，纽约大学阿布扎克分校） ； Center for Quantum and Topological Systems (CQTS), NYUAD Research Institute（量子与拓扑系统中心（CQTS），NYUAD研究机构） 纠错

AI总结 本文通过对比量子与经典机器学习模型在金融预测中的表现，发现量子方法在特定数据结构和电路设计下能提升性能，尤其在股票分类和波动率预测中表现突出。

PhysVideoGenerator: Towards Physically Aware Video Generation via Latent Physics Guidance

PhysVideoGenerator: 通过潜在物理引导实现物理感知的视频生成

Siddarth Nilol Kundur Satish, Devesh Jaiswal, Hongyu Chen, Abhishek Bakshi

机构 * Center for Data Science New York University（数据科学中心 新 York 大学） ； Department of Computer Science New York University（计算机科学系 新 York 大学） 纠错

AI总结 PhysVideoGenerator通过在视频生成过程中引入可学习的物理先验，实现物理感知的视频生成，展示了联合训练范式的可行性。

Comments 9 pages, 2 figures, project page: https://github.com/CVFall2025-Project/PhysVideoGenerator

ReEfBench: Quantifying the Reasoning Efficiency of LLMs

ReEfBench: 量化大语言模型的推理效率

Zhizhang Fu, Yuancheng Gu, Chenkai Hu, Hanmeng Liu, Yue Zhang

机构 * Westlake University（西湖大学） ； Imperial College London（帝国理工学院） ； New York University（纽约大学） ； Hainan University（海南大学） 纠错

AI总结 ReEfBench通过神经符号框架量化LLM推理效率，揭示推理性能提升源于真实推理而非冗长性，并指出训练中混合长短CoT数据的风险及蒸馏模型的局限性。

VULCAN: Tool-Augmented Multi Agents for Iterative 3D Object Arrangement

VULCAN：工具增强的多智能体用于迭代3D物体排列

Zhengfei Kuang, Rui Lin, Long Zhao, Gordon Wetzstein, Saining Xie, Sanghyun Woo

机构 * Stanford University（斯坦福大学） ； Google（谷歌） ； New York University（纽约大学） 纠错

AI总结 VULCAN通过引入MCP API、视觉工具和多智能体框架，提升了3D物体排列任务中MLLMs的视觉接地能力与迭代处理效率。