Princeton University（普林斯顿大学）

Avenir-Web: Human-Experience-Imitating Multimodal Web Agents with Mixture of Grounding Experts

Avenir-Web: 人类经验模拟的多模态网络代理与接地专家混合

Aiden Yiliu Li, Xinyue Hao, Shilong Liu, Mengdi Wang

机构 * University College London（伦敦大学学院） ； The University of Edinburgh（爱丁堡大学） ； Princeton University（普林斯顿大学） 纠错

AI总结 Avenir-Web通过融合接地专家与经验模仿规划，实现了在复杂网络界面中可靠执行长周期任务的开源网络代理新纪录。

TTT-Parkour: Rapid Test-Time Training for Perceptive Robot Parkour

TTT-Parkour: 为感知机器人攀爬实现快速测试时训练

Shaoting Zhu, Baijun Ye, Jiaxuan Wang, Jiakang Chen, Ziwen Zhuang, Linzhan Mou, Runhan Huang, Hang Zhao

机构 * Tsinghua University（清华大学） ； Shanghai Qi Zhi Institute（上海启智研究院） ； Princeton University（普林斯顿大学） 纠错

AI总结 TTT-Parkour通过快速测试时训练方法，使人形机器人能够高效适应复杂地形，提升其在极端几何结构中的攀爬能力。

Comments Project Page: https://ttt-parkour.github.io/

Position: The Inevitable End of One-Architecture-Fits-All-Domains in Time Series Forecasting

位置：时间序列预测中“一架构适所有领域”的必然终结

Qinwei Ma, Jingzhe Shi, Jiahao Qiu, Zaiwen Yang

机构 * Tsinghua University（清华大学） ； Princeton University（普林斯顿大学） 纠错

AI总结 本文指出时间序列预测中“一架构适所有领域”的方法已不再有效，建议转向特定领域深度学习或一般领域元学习方法。

Comments 14 pages, 3 figures, 2 tables

Are Large Language Models Sensitive to the Motives Behind Communication?

大型语言模型对沟通动机是否敏感？

Addison J. Wu, Ryan Liu, Kerem Oktar, Theodore R. Sumers, Thomas L. Griffiths

机构 * Princeton University（普林斯顿大学） ； Anthropic 纠错

AI总结 本文研究了LLMs对沟通动机的敏感性，通过实验发现LLMs能以人类方式处理偏见信息，但需改进以适应更复杂的现实场景。

Comments NeurIPS 2025

1000 Layer Networks for Self-Supervised RL: Scaling Depth Can Enable New Goal-Reaching Capabilities

1000层网络用于自监督强化学习：增加深度可以启用新的目标到达能力

Kevin Wang, Ishaan Javali, Michał Bortkiewicz, Tomasz Trzciński, Benjamin Eysenbach

机构 * Princeton University（普林斯顿大学） ； Warsaw University of Technology（华沙理工大学） ； Tooploox ； IDEAS Research Institute（IDEAS研究所） 纠错

AI总结 本文提出通过增加网络深度至1024层，显著提升自监督强化学习的目标到达能力，实验显示性能提升达2-50倍。

Comments Link to project website: https://wang-kevin3290.github.io/scaling-crl/

Superposition unifies power-law training dynamics

叠加统一了幂律训练动态

Zixin Jessie Chen, Hao Chen, Yizhou Liu, Jeff Gore

机构 * Department of Physics, Massachusetts Institute of Technology, Cambridge, Massachusetts 02139, USA（麻省理工学院物理系） ； Department of Electrical and Computer Engineering, Princeton University, Princeton, New Jersey 08544, USA（普林斯顿大学电气与计算机工程系） ； Department of Mechanical Engineering, Massachusetts Institute of Technology, Cambridge, Massachusetts 02139, USA（麻省理工学院机械工程系） 纠错

AI总结 叠加技术通过统一幂律动态，显著加速了训练过程，使训练速度提升十倍，适用于多种神经网络。

Comments 17 pages, 14 figures

Using Reinforcement Learning to Train Large Language Models to Explain Human Decisions

利用强化学习训练大语言模型以解释人类决策

Jian-Qiao Zhu, Hanbo Xie, Dilip Arumugam, Robert C. Wilson, Thomas L. Griffiths

机构 * Princeton University（普林斯顿大学） ； The University of Hong Kong（香港大学） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 本文利用强化学习训练大语言模型，使其能解释人类决策行为，实现预测与可解释性的双重目标。

Versatile Behavior Diffusion for Generalized Traffic Agent Simulation

多功能行为扩散用于通用交通代理模拟

Zhiyu Huang, Zixu Zhang, Ameya Vaidya, Yuxiao Chen, Chen Lv, Jaime Fernández Fisac

机构 * School of Mechanical and Aerospace Engineering, Nanyang Technological University（南洋理工大学机械与航空航天工程学院） ； Department of Electrical and Computer Engineering, Princeton University（普林斯顿大学电气与计算机工程系） ； NVIDIA Research（NVIDIA研究） 纠错

AI总结 多功能行为扩散通过生成多代理互动场景，提升交通模拟的灵活性和实用性，为自动驾驶系统测试提供基础工具。