Princeton University（普林斯顿大学）

Prime Agent: A Self-Improving RLM Harness

Prime Agent：一种自改进的RLM管控框架

Seth Karten, Alex L. Zhang, Kevin Thomas, Sebastian Müller, Elie Bakouch, Daniel Auras, Mika Senghaas, Fares Obeid, Konstantin Dunas, Johannes Hagemann, Sami Jaghouar

机构 * Princeton University（普林斯顿大学） ； MIT（麻省理工学院） ； Prime Intellect 纠错

AI总结 Prime Agent是一款开源RLM管控框架，通过标准化流程提升模型长周期能力，在ARC-AGI-3等任务中大幅提升性能，支持编码等工作流与并行化任务。

Comments 16 pages, 10 figures. Technical report. Code: this https URL (https://github.com/PrimeIntellect-ai/prime-agent)

More accurate behavioral predictions with hybrid Bayesian-connectionist models

结合贝叶斯-联结主义的混合模型实现更准确的行为预测

Brenden M. Lake, Akshay K. Jagadish, Guangyuan Jiang

机构 * Princeton University（普林斯顿大学） ； Princeton AI Lab（普林斯顿人工智能实验室） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 该研究提出带行为调优的贝叶斯蒸馏（BBT）混合模型，结合贝叶斯与神经网络模型优势，在人类概念学习案例中更准确预测人类行为并揭示心理学洞见。

Learning Reduced-Order Dynamics with Singularity via Latent-Augmented Neural Ordinary Differential Equations

通过隐变量增强型神经常微分方程学习含奇异性的降阶动力学

Xiaorui Wang, Yu Zhou, Wenjie Mei, Dongzhe Zheng, Yang Bai, Masaaki Nagahara

机构 * Lanzhou University of Technology（兰州理工大学） ； Hiroshima University（广岛大学） ； Nanjing University - Suzhou Campus（南京大学苏州校区） ； Princeton University（普林斯顿大学） 纠错

AI总结 针对工业降阶建模中的自相交轨迹问题，提出LA-NODEs框架，经理论分析与IPMSM、DES两类工业模型验证，可提升建模精度与保真度，为复杂工业系统高精度数据驱动建模提供有效方法。

Contact-Rich Robotic Manipulation in Construction via Zero-Shot Learning: A Diffusion Policy-Guided Adaptive Control

基于零样本学习的建筑领域接触丰富型机器人操作：扩散策略引导的自适应控制

Roman Ibrahimov (1), Salma Mozaffari (1), Arash Adel (1) ((1) Princeton University)

机构 * Princeton University（普林斯顿大学） 纠错

AI总结 本研究提出扩散策略与L1启发自适应控制器耦合的框架，实现建筑接触丰富型机器人装配的零样本仿真到真实迁移，在多类任务中取得高成功率，降低真实数据需求，推进多阶段装配自动化。

Sorting from Counterexamples

基于反例的排序

Noga Alon, Shay Moran, Shlomo Moran

机构 * Princeton University（普林斯顿大学） ； Tel Aviv University（特拉维夫大学） ； Technion – Israel Institute of Technology（以色列理工学院） ； Google Research（谷歌研究院） 纠错

AI总结 研究未知线性顺序学习问题，反例可能不真实且k未知，确定最优查询复杂度，还研究低维几何表示的目标排序情况，给出上下界并指出无噪声项的差距。

Width-Independent Compressibility of Deep Neural Networks

深度神经网络的与宽度无关的可压缩性

Hong-Yi Wang, Mingze Wang, Liu Ziyin

机构 * Princeton University（普林斯顿大学） ； Peking University（北京大学） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 该研究针对深度多层感知机证明了与原网络宽度无关的可压缩性定理，提出含导数匹配技术与逐层重加权的构造方法，得出压缩宽度量级公式，为神经网络压缩提供理论支撑。

Comments 11 pages main text, 28 pages total, 4 figures