New York University（纽约大学）

RVR: Retrieve-Verify-Retrieve for Comprehensive Question Answering

RVR：用于综合问答的检索-验证-检索

Deniz Qian, Hung-Ting Chen, Eunsol Choi

机构 * Courant Institute School of Mathematics, Computing, and Data Science, New York University（纽约大学Courant研究所数学、计算与数据科学学院） ； Courant Institute School of Mathematics, Computing（纽约大学Courant研究所数学、计算与数据科学学院） ； Data Science, New York University（纽约大学数据科学学院） 纠错

AI总结 RVR提出了一种多轮检索框架，通过验证器和检索器优化，提升多答案检索的召回率和覆盖范围。

Comments 18 pages, 12 figures, 12 tables

Generated Reality: Human-centric World Simulation using Interactive Video Generation with Hand and Camera Control

生成现实：基于交互式视频生成的人本世界模拟

Linxi Xie, Lisong C. Sun, Ashley Neall, Tong Wu, Shengqu Cai, Gordon Wetzstein

机构 * Stanford University（斯坦福大学） ； NYU Shanghai（纽约大学上海分校） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） 纠错

AI总结 本文提出了一种基于交互式视频生成的人本世界模拟系统，通过结合头部和手部姿态控制，提升虚拟环境的交互性和用户控制感。

Comments Project page here: https://codeysun.github.io/generated-reality

VeriSoftBench: Repository-Scale Formal Verification Benchmarks for Lean

VeriSoftBench: 仓库级形式验证基准测试用于Lean

Yutong Xin, Qiaochu Chen, Greg Durrett, Işil Dillig

机构 * New York University（纽约大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 VeriSoftBench通过500个Lean 4证明义务评估LLM和证明器在仓库级形式验证中的表现，揭示了依赖闭包对证明成功率的影响。

Investigating Writing Professionals' Relationships with Generative AI: How Combined Perceptions of Rivalry and Collaboration Shape Work Practices and Outcomes

探究写作专业人员与生成式AI的关系：如何结合竞争与合作的看法塑造工作实践和成果

Rama Adithya Varanasi, Oded Nov, Batia Mishan Wiesenfeld

机构 * Tandon School of Engineering New York University（纽约大学工程学院） ； Stern School of Business New York University（纽约大学商学院） 纠错

AI总结 本研究探讨专业写作人员与生成式AI的关系，发现竞争与合作取向影响工作实践和成果，提出平衡竞争与合作以促进长期职业成功。

Comments CHI'2026

EgoPush: Learning End-to-End Egocentric Multi-Object Rearrangement for Mobile Robots

EgoPush：面向移动机器人的端到端第一人称多物体重排学习

Boyuan An, Zhexiong Wang, Yipeng Wang, Jiaqi Li, Sihang Li, Jing Zhang, Chen Feng

机构 * New York University（纽约大学） 纠错

AI总结 EgoPush通过端到端学习实现移动机器人第一人称多物体重排，利用感知驱动的潜在空间和阶段分解奖励提升重排效率与现实迁移能力。

Comments 18 pages, 13 figures. Project page: https://ai4ce.github.io/EgoPush/

Interactive Learning of Single-Index Models via Stochastic Gradient Descent

通过随机梯度下降交互学习单索引模型

Nived Rajaraman, Yanjun Han

机构 * Microsoft Research NYC（微软研究院纽约分部） ； Courant Institute of Mathematical Sciences and Center for Data Science（数学科学学院与数据科学中心） ； New York University（纽约大学） 纠错

AI总结 本文通过随机梯度下降方法，研究了单索引模型的交互学习问题，揭示了SGD在预热阶段后的学习动态，并实现了样本复杂性和后悔保证的最优性能。

Comments 26 pages, 2 figures

Deep Neural Network Architectures for Electrocardiogram Classification: A Comprehensive Evaluation

用于心电图分类的深度神经网络架构：全面评估

Yun Song, Wenjia Zheng, Tiedan Chen, Ziyu Wang, Jiazhao Shi, Yisong Chen

机构 * Independent Researcher（独立研究者） ； Department of Materials Engineering, Xi'an Polytechnic University（材料工程系，西安理工大学） ； Tandon School of Engineering, New York University（工程学院，纽约大学） ； College of Computing, Georgia Institute of Technology（计算学院，佐治亚理工学院） 纠错

AI总结 本文评估了多种深度神经网络架构用于心电图分类，发现CNN-LSTM在灵敏度和特异度之间取得最佳平衡，而动态集成策略进一步提升了整体性能。

Toward a Holistic Approach to Continual Model Merging

迈向持续模型融合的总体方法

Hoang Phan, Sungmin Cha, Tung Lam Tran, Qi Lei

机构 * New York University（纽约大学） ； University of Rochester（罗切斯特大学） 纠错

AI总结 本文提出了一种持续模型融合的总体方法，通过预融合、融合过程和后融合三个阶段解决持续学习中的挑战，实现可扩展和高效的灾难性遗忘缓解。

Comments Accepted to Workshop on Continual Learning in Computer Vision, ICCV 2025

Cultivating Pluralism In Algorithmic Monoculture: The Community Alignment Dataset

在算法单一性中培育多元主义：社区对齐数据集

Lily Hong Zhang, Smitha Milli, Karen Jusko, Jonathan Smith, Brandon Amos, Wassim Bouaziz, Manon Revel, Jack Kussman, Yasha Sheynin, Lisa Titus, Bhaktipriya Radharapu, Jane Yu, Vidya Sarma, Kris Rose, Maximilian Nickel

机构 * FAIR at Meta（Meta 的 FAIR 部门） ； Governance at Meta（Meta 的治理部门） ； AI at Meta（Meta 的人工智能部门） ； Social Issues Research at Meta（Meta 的社会问题研究部门） ； AI Policy Team at Meta（Meta 的人工智能政策团队） ； Center for Data Science, New York University（纽约大学数据科学中心） 纠错

AI总结 本文通过构建社区对齐数据集，探讨如何通过负相关采样提升LLM对不同偏好的适应能力，推动算法多元主义发展。