SENSE: Semantic Neural Speech Synthesis from Brain Dynamics via Spatial Graph Encoding
SENSE：通过空间图编码从脑动态中实现语义神经语音合成
AI总结 针对脑电图到语音合成忽略语义的问题，提出SENSE方法，利用图编码和语义条件对齐，在N400数据集上优于现有方法，且小样本下表现优异。
Comments Accepted at NeurIPS 2026
期刊&会议
NeurIPS
Conference on Neural Information Processing Systems · 会议 · Machine Learning
Imagine3D-LLM: Teaching MLLMs to Imagine 3D Scenes Before Answering
Imagine3D-LLM：在回答前教会多模态大语言模型想象3D场景
机构 * KAIST AI（韩国科学技术院人工智能学院） ； ETH Zürich（苏黎世联邦理工学院） ； Google（谷歌） ； TUM（慕尼黑工业大学） ； ETH AI Center（苏黎世联邦理工学院人工智能中心）
AI总结 受人类空间推理启发，提出Imagine3D-LLM，通过可学习摘要标记解码为紧凑3D高斯泼溅表示并联合训练，使MLLM在回答前想象3D场景，显著提升空间推理与3D理解性能。
Comments NeurIPS 2026; Project Page: this https URL (https://cvlab-kaist.github.io/Imagine3D-LLM)
Breaking the Uniformity Trap: Scaling Video Diffusion Model via SplitMoE
打破均匀性陷阱：通过SplitMoE扩展视频扩散模型
机构 * University of Chinese Academy of Sciences（中国科学院大学） ； ByteDance（字节跳动） ； Canva Research（Canva 研究院） ； University of Science and Technology Beijing（北京科技大学）
AI总结 针对传统MoE在视频数据上的均匀性陷阱，提出SplitMoE，通过分裂专家池为语义与通用专家，结合原型引导路由和推拉正则化，在等效参数下提升收敛、路由连贯性和视频生成质量。
Comments Accepted as a Spotlight paper at NeurIPS 2026. Project page: this https URL (https://yuci-gpt.github.io/SplitMoE/)
Improving Function Space Flow Matching with Kernel Optimal Transport
利用核最优传输改进函数空间流匹配
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Block, Inc.（Block公司） ； Imperial College London（伦敦帝国学院）
AI总结 针对函数空间流匹配中先验与数据样本任意配对的问题，提出核函数流匹配（kFFM），利用核诱导代价下的熵最优传输改进配对，在时间序列和PDE基准上显著提升分布匹配性能。
Comments Paper is already accepted at Neurips
UserProxyBench: Evaluating LLM User Simulators for Agent Benchmarks and Training
UserProxyBench：用于智能体基准测试与训练的LLM用户模拟器评估
AI总结 本研究提出UserProxyBench评估层和用户保真度评分，用于衡量智能体基准测试中模拟用户对指令的遵循程度，并发现过早披露是主要失败模式，同时识别出成本-保真度前沿以指导模拟器选择。
Comments 8 pages, 4 figures. Accepted to the Agentic AI Benchmarks and Applications for Enterprise Tasks Workshop (AABA4ET) at NeurIPS 2026
It's All Training: A Fully Synthetic Single-Stage Recipe for LLMs
一切都是训练：一种全合成单阶段大语言模型配方
机构 * PleIAs ； Sorbonne Center for Artificial Intelligence（索邦人工智能中心） ； Sciences Po Médialab（巴黎政治学院媒体实验室） ； EPFL（瑞士洛桑联邦理工学院） ； CAIRO, Technical University of Applied Sciences Würzburg-Schweinfurt（维尔茨堡-施韦因富特应用技术大学CAIRO） ； Paris Dauphine-PSL（巴黎多芬纳-PSL大学） ； Lattice, ENS-PSL（巴黎高等师范学院-巴黎文理研究大学Lattice实验室） ； TU Munich, Munich Center for Machine Learning（慕尼黑工业大学慕尼黑机器学习中心） ； KU Leuven（鲁汶大学）
AI总结 本文提出SYNTH，一个从维基百科文章生成的全合成单阶段训练语料库，将预训练、中期和后期训练合并，在同等计算量下优于过滤网络数据，实现高数据效率的通用模型训练。
Comments Accepted at NeurIPS 2026. 35 pages, 9 figures. Dataset: this https URL (https://huggingface.co/datasets/PleIAs/SYNTH)
It's Not What the Image Shows: Irrelevant Context Destabilises VLM Judges Without Informing Them
并非图像内容所致：无关语境在不告知VLM裁判的情况下破坏其稳定性
机构 * Technion（以色列理工学院）
AI总结 本研究提出MIST压力测试，发现VLM裁判的标签受图像存在而非内容影响，揭示可替代性测试反映配置而非模型本身。
Comments Accepted at TAE (Trust-AI-Eval) @ NeurIPS 2026
One Threshold Does Not Fit All Languages: Language-Conditional Deferral for Reliable and Efficient Low-Resource Text Classification
一个阈值并不适用于所有语言：面向可靠高效低资源文本分类的语言条件式延迟决策
机构 * University of Missouri（密苏里大学） ； Amar Bio Tech Pvt Ltd（阿玛尔生物科技有限公司）
AI总结 本研究针对低资源文本分类中单一置信度阈值无法覆盖所有语言的问题，提出按语言分别估计阈值，无需重训即可使各语言准确率达标，并揭示人工审查成本的不均衡性。
Comments Got accepted and published in NeurIPS 2026 GlobalSouthAI
Adam under Generalized Smoothness with Second-Moment-Type Stochastic Gradients
广义光滑性与第二矩型随机梯度下的Adam算法
机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Aerospace Information Technology University（航天信息技术大学） ； The Ohio State University（俄亥俄州立大学） ； JD.com, Inc.（京东集团） ； Centre for Artificial Intelligence and Robotics（人工智能与机器人中心） ； Hong Kong Institute of Science & Innovation（香港科技创新研究院） ； Chinese Academy of Sciences（中国科学院）
AI总结 本文证明在广义光滑性下，仅需随机梯度的第二矩信息即可保证Adam算法收敛，无需强尾部假设，并给出了高概率与期望收敛速率及最优置信度依赖。
Comments 37 pages, 4 figures. Accepted at NeurIPS 2026
LEMON-ZEST: Evolution-Informed Tokenization for Efficient Protein Language Modeling
LEMON-ZEST：进化信息感知的分词策略用于高效蛋白质语言建模
机构 * University College London（伦敦大学学院） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 提出进化信息感知的分词方法ZEST及紧凑模型LEMON，以200M参数超越600M-3B模型，证明进化先验可替代大规模参数扩展，实现高效蛋白质表示学习。
Comments Accepted to NeurIPS 2026. 9 pages, 4 figures, 3 tables
Exemplar2VQA: A Scalable Exemplar-Driven Visual Question Answering Generation Framework via Multi-Agent Coding
Exemplar2VQA：一种通过多智能体编码的可扩展示例驱动视觉问答生成框架
机构 * East China Normal University（华东师范大学） ； Shanghai Jiao Tong University（上海交通大学） ； Fudan University（复旦大学） ； Tencent（腾讯）
AI总结 Exemplar2VQA通过多智能体编码和几何工具库，以示例驱动方式可扩展生成大规模空间QA数据，微调Qwen2.5-VL后显著提升多种基准性能，弥合具身AI模拟到现实差距。
Comments Accepted to NeurIPS 2026. 33 pages, 11 figures, 11 tables
Authority Bias in Language Models: Source Deference and User Agreement Are Not Interchangeable
语言模型中的权威偏见：来源遵从与用户认同不可互换
机构 * Lossfunk
AI总结 本研究揭示语言模型对权威来源的遵从远高于对用户的认同，且两者可被独立干预，需分开评估。
Comments Accepted at NeurIPS 2026 (Main Conference, Poster). 33 pages, 8 figures. Project page: this https URL (https://authority-bias.vercel.app/). Code: this https URL (https://github.com/Lossfunk/authority-bias)
Independent Verification Paths Are Not Independent: A Case Study of Common-Mode Failure in a Satellite Catalogue Pipeline
独立验证路径并非独立：卫星目录管道中共模故障的案例研究
机构 * The Tesseract Academy（泰瑟拉克特学院）
AI总结 本研究通过卫星目录管道案例揭示共模故障使独立验证失效，冗余仅验证实现而非含义，导致错误数据发布，强调需从源头文档和对象历史核查数据含义。
Comments Accepted at the AI for Science workshop (NeurIPS 2026). Code, prompts, raw model outputs and per-trial records: this https URL (https://github.com/fabio-rovai/space-object-register-ontology) (paper/gates/), archived at this https URL (https://doi.org/10.5281/zenodo.22002834)
Scaling Full Conformal Image Classifiers
扩展全共形图像分类器
机构 * ETH Zürich（苏黎世联邦理工学院）
AI总结 针对全共形预测计算成本高的问题，提出目标全共形预测（T-FCP），利用零样本视觉语言模型剪枝标签，仅对候选子集应用FCP，在保持覆盖保证的同时降低开销，并在ImageNet等基准上实现高效稳定的预测集。
Comments NeurIPS 2026. Code: this https URL (https://github.com/jusiro/T-FCP)
Information Bottleneck-Guided Adaptive Hypergraph Transformer for Brain Disease Diagnosis
信息瓶颈引导的自适应超图Transformer用于脑疾病诊断
AI总结 提出信息瓶颈引导的自适应超图Transformer（IBAHGT），统一整合高阶相关性与长短程依赖，实现高精度脑疾病诊断并优于现有方法。
Comments Accepted by Neurips 2026
SimpleEvol: An Agent-Loop Framework for LLM-Driven Automated Heuristic Design with Minimal Human Priors
SimpleEvol：一种用于LLM驱动的自动化启发式设计且最小化人类先验的智能体循环框架
机构 * Singapore Management University（新加坡管理大学） ； Nanyang Technological University（南洋理工大学） ； TikTok Singapore（新加坡TikTok） ； Nanjing University of Information Science and Technology（南京信息工程大学） ； National University of Singapore（新加坡国立大学）
AI总结 提出SimpleEvol智能体循环框架，通过最小化人类先验，让LLM自主设计启发式算法，在组合优化问题上显著提升智能转换效率，挑战复杂AHD流水线趋势。
Comments Accepted at NeurIPS 2026. 48 pages, 13 figures
The Vote Hides the Failure: Aggregation Choice and Noise Robustness in Heart Murmur Detection
投票掩盖失败：心杂音检测中的聚合选择与噪声鲁棒性
机构 * Carnegie Mellon University Africa（卡内基梅隆大学非洲校区）
AI总结 本研究评估两种心杂音检测流水线在噪声下的鲁棒性，发现聚合选择显著影响结论，且稳定聚合分数可能掩盖个体预测退化，强调评估方法的重要性。
Comments Workshop Short Paper: GlobalSouthAI @ NeurIPS 2026
NRF-GS: Neural Residual Fields for Expressive and Compact Gaussian Splatting
NRF-GS：用于表达性和紧凑高斯溅射的神经残差场
机构 * University of Siegen（锡根大学）
AI总结 NRF-GS通过共享神经残差场替代逐溅射球谐函数，增强方向反射建模，在减少50%高斯数量的同时提升渲染质量与高频细节。
Comments Accepted at NeurIPS 2026
LDM-is-AE: Latent Diffusion Model is an Auto-Encoder for End-to-End Image Generation
LDM-is-AE：潜扩散模型是端到端图像生成的自编码器
机构 * The Hong Kong Polytechnic University（香港理工大学） ； OPPO Research Institute（OPPO研究院）
AI总结 提出LDM-is-AE，将潜扩散模型视为自编码器，通过拆分DiT为编码和解码组件并施加图像空间监督，实现端到端单阶段训练，在256和512分辨率下FID分别达1.80和1.90。
Comments Accepted by NIPS 2026. More info can be found in this https URL (https://github.com/PolyU-VCLab/LDMisAE)
UnlearningSoup: Is Repeated Tuning Necessary for Large Language Model Unlearning?
UnlearningSoup：大型语言模型遗忘是否需要重复调参？
机构 * MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能研究中心） ； Hong Kong Baptist University（香港浸会大学） ； University of Oxford（牛津大学）
AI总结 针对LLM遗忘需重复调参的难题，提出UnlearningSoup框架，利用权重空间共享性能盆地，通过高效插值与重加权汤策略，实现2.4-3.3倍效率提升并改善性能。
Comments NeurIPS 2026 Accepted
Beam Search as Test-Time Self-Distillation via Counterfactual Contexts
束搜索作为基于反事实上下文的测试时自蒸馏
机构 * UCL Centre for AI（伦敦大学学院人工智能中心）
AI总结 本文提出测试时自蒸馏方法，利用反事实上下文定义奖励信号，通过束搜索近似全局重加权，在推理时无需训练即可提升数学、代码和科学问答性能。
Comments Accepted at NeurIPS 2026 Workshop on Towards Test-Time Continual Learning Agents
Seg3DParts: Segmentation-Grounded Controllable Part-Level 3D Generation
Seg3DParts：基于分割的可控部件级三维生成
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Knowin AI ； The Hong Kong University of Science and Technology（香港科技大学）
AI总结 Seg3DParts提出基于分割的可控部件级三维生成框架，利用显式分割信号定义部件身份，并通过跨部件交互实现连贯组装，在共享空间直接生成对齐网格，配合大规模数据集PartObjectNet，显著提升几何质量与可控性。
Comments Accepted at NeurIPS 2026
MultiTalk: Scaling Full-Duplex Speech Models to Long, Multi-Party, Bilingual Conversation
MultiTalk：将全双工语音模型扩展到长时、多方、双语对话
机构 * CUHK MMLab（香港中文大学多媒体实验室） ； CPII under InnoHK（香港物流及供应链管理应用技术研发中心）
AI总结 提出MultiTalk，通过57.6k小时合成数据训练双语全双工模型，并构建MultiTalkBench基准，显著提升长时多方对话性能。
Comments NeurIPS 2026
All Roads Lead to Rome: Flow-driven Multi-Anchor Exploration for Open-Environment Active 3D Mapping
条条大路通罗马：面向开放环境主动三维建图的流驱动多锚点探索
机构 * School of Artificial Intelligence, Tianjin University（天津大学人工智能学院） ； School of Computer Science and Information Engineering, Hefei University of Technology（合肥工业大学计算机与信息工程学院）
AI总结 针对开放环境主动三维建图中长时域探索泛化弱的问题，提出基于条件流匹配的多模态锚点生成与分层选择方法，提升未知场景下的重建效率。
Comments Accepted by NeurIPS 2026
Less Supervision, Better Generalization: Weakly Supervised Fake Region Localization in Diffusion-Edited Images
更少监督，更好泛化：扩散编辑图像中的弱监督伪造区域定位
机构 * Kyung Hee University（庆熙大学） ； NAVER Cloud（NAVER云）
AI总结 提出弱监督框架ReGFLoW，利用扩散重建误差定位编辑区域，实现跨生成器泛化，优于全监督方法。
Comments Accepted to NeurIPS 2026
Reconstructing the Vocal Tract with Differentiable Acoustic Simulation
利用可微声学模拟重建声道
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； MIT RLE（麻省理工学院电子学研究实验室） ； KAIST GSCT（韩国科学技术院文化技术研究生院）
AI总结 本文提出一种可微且GPU加速的声道声学模拟器，通过梯度下降从语音逆推声道形状，并集成湍流模型与神经网络参数化，实现跨语言自监督自编码及无配对数据的语音驱动MRI重建。
Comments Accepted as NeurIPS 2026 spotlight paper. Supplementary material at this https URL (https://people.csail.mit.edu/echen/vocal_recon/)
Distilling What Matters: Confidence-Aware Selective Distillation for Large Language Models
蒸馏什么重要：面向大语言模型的置信度感知选择性蒸馏
机构 * Indian Institute of Technology Delhi（印度理工学院德里分校）
AI总结 针对大语言模型知识蒸馏中教师预测不可靠的问题，提出置信度门控的CaRE-KD框架，通过自适应KL散度和认知拒绝机制提升蒸馏效果，在多项基准上取得一致增益。
Comments Accepted at NeurIPS 2026
Where Root Cause Analysis Fails: A Retrieval-Reranking Decomposition
根因分析失效之处：检索-重排序分解
机构 * University of New South Wales（新南威尔士大学） ； Baker Hughes（贝克休斯）
AI总结 本文提出检索-重排序分解，揭示RCA评估盲点，并构建两阶段流水线，在无需因果图或标签数据下，于六个基准上匹配或超越最佳基线top@1准确率。
Comments Accepted at NeurIPS 2026 (Evaluations & Datasets Track)
Understanding Private Evolution as Learning-Augmented Clustering
理解私有进化作为学习增强的聚类
机构 * Apple（苹果公司） ； Yale University（耶鲁大学）
AI总结 本文重新诠释私有进化算法为生成模型增强的Wasserstein学习，理论证明其性能界限可依赖内在维度，并提出几何感知版本以解决标准变体在良好聚类实例上的收敛问题，实验表明新算法具有竞争力且能提高召回率。
Comments to be published in NeurIPS 2026
When One Leak Pays Forever: Context Binding and the Price of Deterring Collusion
当一次泄露永久获利：上下文绑定与威慑共谋的代价
AI总结 本文研究阈值加密内存池中解密委员会共谋的威慑问题，提出重复博弈模型，证明惩罚需覆盖泄露最大折现值，并设计覆盖线性规划以最小化质押成本，扩展至拍卖与联邦学习。
Comments Accepted at NeurIPS 2026
