Princeton University（普林斯顿大学）

Chain-of-Ground: Improving GUI Grounding via Iterative Reasoning and Reference Feedback

Chain-of-Ground: 通过迭代推理和参考反馈提升GUI定位

Aiden Yiliu Li, Bizhi Yu, Daoan Lei, Tianhe Ren, Shilong Liu

机构 * University College London（伦敦大学学院） ； Chico Future AI Lab（芝加哥未来人工智能实验室） ； The University of Hong Kong（香港大学） ； Princeton University（普林斯顿大学） 纠错

AI总结 Chain-of-Ground通过迭代推理和参考反馈提升GUI定位，实现68.4的准确率，并在现实世界界面中表现优异。

How Does RL Post-training Induce Skill Composition? A Case Study on Countdown

强化学习后训练如何诱导技能组合？一个倒计时案例研究

Simon Park, Simran Kaur, Sanjeev Arora

机构 * Princeton Language and Intelligence (PLI), Princeton University（普林斯顿语言与智能研究所（PLI）、普林斯顿大学） 纠错

AI总结 本研究通过倒计时任务分析强化学习后训练如何诱导技能组合，揭示了模型在不同树结构上的学习顺序和泛化能力差异。

Assessing model error in counterfactual worlds

评估反事实世界中的模型误差

Emily Howerton, Justin Lessler

机构 * Department of Ecology and Evolutionary Biology, Princeton University（生态与进化生物学系，普林斯顿大学） ； Department of Epidemiology, University of North Carolina at Chapel Hill（流行病学系，北卡罗来纳大学教堂山分校） 纠错

AI总结 本文提出三种方法评估反事实世界中的模型误差，并探讨了场景设计的关键要素以提高预测的可评估性。

Multiscale guidance of protein structure prediction with heterogeneous cryo-EM data

多尺度指导基于异质冷冻电镜数据的蛋白质结构预测

Rishwanth Raghu, Axel Levy, Gordon Wetzstein, Ellen D. Zhong

机构 * Princeton University（普林斯顿大学） ； Stanford University（斯坦福大学） 纠错

AI总结 CryoBoltz通过结合冷冻电镜密度图与蛋白质结构预测模型，实现对动态生物分子复合物构象多样性的多尺度指导预测。

Comments NeurIPS 2025

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

Phase codes emerge in recurrent neural networks optimized for modular arithmetic

相位码在为模运算优化的递归神经网络中出现

Keith T. Murray

机构 * Princeton Neuroscience Institute（普林斯顿神经科学研究所） ； Princeton University（普林斯顿大学） 纠错

AI总结 研究发现，在无振荡偏置的条件下，RNNs可通过任务优化自然产生相位码解，并揭示了RNNs在模运算任务中存在多种不同动态机制的解。

Comments UniReps: 3rd Edition of the Workshop on Unifying Representations in Neural Models