New York University（纽约大学）

Subliminal Effects in Your Data: A General Mechanism via Log-Linearity

数据中的潜意识效应：通过对数线性性的一般机制

Ishaq Aden-Ali, Noah Golowich, Allen Liu, Abhishek Shetty, Ankur Moitra, Nika Haghtalab

机构 * University of California, Berkeley（加州大学伯克利分校） ； Microsoft Research（微软研究院） ； Courant Institute, New York University（纽约大学Courant研究所） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本文提出Logit-Linear-Selection方法，揭示数据集中的隐藏效应机制，通过选择特定子集使模型表现出多样化行为。

Comments Code available at https://github.com/ishaqadenali/logit-linear-selection

Agentic AI in Healthcare & Medicine: A Seven-Dimensional Taxonomy for Empirical Evaluation of LLM-based Agents

医疗与医学中的代理AI：一个七维分类法用于评估基于大语言模型的代理

Shubham Vatsal, Harsh Dubey, Aditi Singh

机构 * Department of Computer Science, New York University, CIMS, New York, USA（纽约大学计算机科学系，CIMS，纽约，美国） ； Department of Computer Science, Cleveland State University, Cleveland, USA（克利夫兰州立大学计算机科学系，克利夫兰，美国） 纠错

AI总结 本文提出一个七维分类法，用于评估基于大语言模型的医疗代理在认知能力、知识管理、交互模式等方面的能力分布与实现情况。

Journal ref IEEE Access, vol. 14, pp. 4840-4863, 2026

Deconstructing sentence disambiguation by joint latent modeling of reading paradigms: LLM surprisal is not enough

通过联合潜在建模阅读范式解构句子消歧：LLM 惊喜值不足以解释

Dario Paape, Tal Linzen, Shravan Vasishth

机构 * Department of Linguistics, University of Potsdam（语言学系，波茨坦大学） ； Center for Data Science/Department of Linguistics, New York University（数据科学中心/语言学系，纽约大学） 纠错

AI总结 本文通过联合潜在建模阅读范式，提出了一种更准确的句子消歧模型，证明LLM的惊喜值不足以解释人类阅读行为。

From Trace to Line: LLM Agent for Real-World OSS Vulnerability Localization

从痕迹到行：面向真实世界OSS漏洞定位的LLM代理

Haoran Xi, Minghao Shao, Brendan Dolan-Gavitt, Muhammad Shafique, Ramesh Karri

机构 * NYU Tandon School of Engineering（纽约大学唐纳德工程学院） 纠错

AI总结 T2L框架通过基于AST的分块和证据引导细化，实现项目级和行级漏洞定位，提升LLM在开源软件中的精准诊断能力。

Group Contrastive Learning for Weakly Paired Multimodal Data

用于弱配对多模态数据的组对比学习

Aditya Gorla, Hugues Van Assel, Jan-Christian Huetter, Heming Yao, Kyunghyun Cho, Aviv Regev, Russell Littman

机构 * Research and Early Development (gRED), Genentech（Genentech 研究与早期发展部门） ； UCLA（加州大学洛杉矶分校） ； Biology Research | AI Development (BRAID), Genentech（Genentech 生物研究 | 人工智能开发部门） ； Genentech Computational Sciences NYU（Genentech 计算科学与纽约大学） 纠错

AI总结 GROOVE通过组级对比学习方法，有效处理弱配对多模态数据，提升跨模态匹配与填补任务的性能。

Likelihood-Based Reward Designs for General LLM Reasoning

基于似然的奖励设计用于通用大语言模型推理

Ariel Kwiatkowski, Natasha Butt, Ismail Labiad, Julia Kempe, Yann Ollivier

机构 * Meta FAIR ； University of Amsterdam（阿姆斯特丹大学） ； New York University（纽约大学） 纠错

AI总结 本文提出基于对数概率的奖励设计，用于提升大语言模型在推理任务中的表现，尤其在可验证和不可验证场景中均表现出色。