New York University（纽约大学）

DIAL: Direct Iterative Adversarial Learning for Realistic Multi-Turn Dialogue Simulation

DIAL：直接迭代对抗学习用于真实多轮对话模拟

Ziyi Zhu, Olivier Tieleman, Caitlin A. Stamatis, Luka Smyth, Thomas D. Hull, Daniel R. Cahn, Matteo Malgaroli

机构 * Slingshot AI ； Department of Engineering, University of Cambridge（工程系，剑桥大学） ； Department of Psychiatry, NYU School of Medicine（精神病学系，纽约大学医学院） 纠错

AI总结 DIAL通过对抗训练提升多轮对话模拟的真实性，有效恢复词汇多样性并降低鉴别器准确性，适用于心理健康支持等复杂领域。

Spore in the Wild: A Case Study of Spore.fun as an Open-Environment Evolution Experiment with Sovereign AI Agents on TEE-Secured Blockchains

野外的孢子：Spore.fun作为主权AI代理在TEE安全区块链上的开放环境进化实验案例研究

Botao Amber Hu, Helena Rong

机构 * Reality Design Lab（现实设计实验室） ； New York University Shanghai（纽约大学上海） 纠错

AI总结 Spore.fun通过在TEE安全区块链上部署主权AI代理，探索开放环境实现持续开放性进化的可能性。

Comments Accepted by ALIFE 2025

Strategic Hiring under Algorithmic Monoculture

算法单一性下的战略性招聘

Jackie Baek, Hamsa Bastani, Shihan Chen

机构 * Stern School of Business, New York University（纽约大学斯特恩商学院） ； Wharton School, University of Pennsylvania（宾夕法尼亚大学沃顿商学院） ； Graduate Group in Applied Mathematics and Computational Science, University of Pennsylvania（宾夕法尼亚大学应用数学与计算科学研究生小组） 纠错

AI总结 本文研究了在算法单一性劳动力市场中，企业通过共同算法评估竞争导致的拥堵问题，提出均衡策略能显著提升社会福利，需平台揭示拥堵信息以实现最优结果。

Forget Forgetting: Continual Learning in a World of Abundant Memory

遗忘遗忘：在充足记忆世界中的持续学习

Dongkyu Cho, Taesup Moon, Rumi Chunara, Kyunghyun Cho, Sungmin Cha

机构 * New York University（纽约大学） ； Seoul National University（首尔国立大学） 纠错

AI总结 本文提出了一种轻量级方法，通过权重空间巩固在充足内存环境下提升持续学习性能，挑战传统假设并提供低计算成本的替代方案。

Comments 26 pages, 11 figures

R$^2$Energy: A Large-Scale Benchmark for Robust Renewable Energy Forecasting under Diverse and Extreme Conditions

R²能量：一种大规模基准，用于在多样和极端条件下鲁棒的可再生能源预测

Zhi Sheng, Yuan Yuan, Guozhen Zhang, Yong Li

机构 * Center for Urban Science and Computation, Tsinghua University（城市科学与计算中心，清华大学） ； Courant Institute of Mathematical Sciences, New York University（数学科学学院，纽约大学） 纠错

AI总结 R²Energy提出了一种大规模基准，用于在多样和极端条件下评估鲁棒的可再生能源预测模型，揭示了鲁棒性与复杂性之间的权衡。

Learning to Drive in New Cities Without Human Demonstrations

在没有人类示范的情况下学习新城市的驾驶

Zilin Wang, Saeed Rahmani, Daphne Cornelisse, Bidipta Sarkar, Alexander David Goldie, Jakob Nicolaus Foerster, Shimon Whiteson

机构 * WhiRL, University of Oxford（WhiRL，牛津大学） ； FLAIR, University of Oxford（FLAIR，牛津大学） ； Delft University of Technology（代尔夫特理工大学） ； NYU Tandon School of Engineering（纽约大学工程学院） 纠错

AI总结 NOMAD通过自play多智能体强化学习，在无需人类示范的情况下，利用地图和元信息实现自动驾驶策略在不同城市间的适应与优化。

Comments Autonomous Driving, Reinforcement Learning, Self-play, Simulation, Transfer Learning, Data-efficient Adaptation. Project Page: https://nomaddrive.github.io/

Test-Time Adaptation for Tactile-Vision-Language Models

测试时适应用于触觉-视觉-语言模型

Chuyang Ye, Haoxian Jing, Qinting Jiang, Yixi Lin, Qiang Li, Xing Tang, Jingyan Jiang

机构 * Shenzhen Technology University（深圳技术大学） ； New York University（纽约大学） ； Shenzhen University（深圳大学） ； Tsinghua University（清华大学） 纠错

AI总结 本文提出了一种可靠性感知框架，用于提升触觉-视觉-语言模型在测试时的适应能力，通过估计各模态可靠性来过滤不可靠样本并优化融合过程，有效提升了在模态损坏情况下的准确率。

StableQAT: Stable Quantization-Aware Training at Ultra-Low Bitwidths

StableQAT: 在超低位宽下实现稳定的量化感知训练

Tianyi Chen, Sihan Chen, Xiaoyi Qu, Dan Zhao, Ruomei Yan, Jongwoo Ko, Luming Liang, Pashmina Cameron

机构 * Microsoft（微软公司） ； Lehigh University（莱文斯顿大学） ； New York University（纽约大学） ； Renmin University of China（中国人民大学） 纠错

AI总结 StableQAT通过新型替代方案提升超低位宽下QAT的稳定性与性能