NeurIPS

UMAMI: Unifying Masked Autoregressive Models and Deterministic Rendering for View Synthesis

UMAMI：统一掩码自回归模型和确定性渲染用于视图合成

Thanh-Tung Le, Tuan Pham, Tung Nguyen, Deying Kong, Xiaohui Xie, Stephan Mandt

机构 * UCI（加州大学伯克利分校） ； UCLA（加州大学洛杉矶分校） ； Google（谷歌） 纠错

AI总结 UMAMI通过结合掩码自回归模型和确定性渲染，实现了视图合成中图像质量与渲染效率的统一。

Comments Accepted to NeurIPS 2025. The first two authors contributed equally

Spatio-Temporal Graphs Beyond Grids: Benchmark for Maritime Anomaly Detection

超越网格的时空图：海上异常检测基准

Jeehong Kim, Youngseok Hwang, Minchan Kim, Sungho Bae, Hyunwoo Park

机构 * Graduate School of Data Science（数据科学研究生院） ； Seoul National University（首尔国立大学） 纠错

AI总结 本文提出一个用于海上异常检测的基准数据集，通过引入轨迹合成器和异常注入器，系统评估不同粒度的异常检测方法。

Comments Accepted at NeurIPS 2025 Workshop in AI for Science: The Reach and Limits of AI for Scientific Discovery

Per-Axis Weight Deltas for Frequent Model Updates

针对频繁模型更新的每轴权重delta

Stefan Kuyumdzhiev, Radostin Cholakov

机构 * High School "Vasil Drumev" Veliko Tarnovo（维多利亚·德鲁梅夫高中） ； Stanford University（斯坦福大学） 纠错

AI总结 提出一种1位delta方案，通过每轴FP16缩放因子压缩权重差异，提升重建质量并减少冷启动延迟和存储开销。

Comments 10 pages, 2 figures, AI That Keeps Up: Workshop on Continual and Compatible Foundation Model Updates (CCFM), Neurips 2025

Environment Scaling for Interactive Agentic Experience Collection: A Survey

交互式代理经验收集的环境缩放：综述

Yuchen Huang, Sijia Li, Minghao Liu, Wei Liu, Shijue Huang, Zhiyuan Fan, Hou Pong Chan, Yi R. Fung

机构 * Hong Kong University of Science and Technology（香港科技大学） ； King’s College London（伦敦国王学院） ； DAMO Academy, Alibaba Group（阿里云达摩院） 纠错

AI总结 本文综述了交互式代理经验收集中环境缩放的方法，从环境中心视角系统回顾了任务生成、执行和反馈阶段的代表性方法，并探讨了实现框架、挑战及未来研究方向。

Comments 22 pages, 5 figures, SEA Workshop @ NeurIPS 2025

Efficient Low Rank Attention for Long-Context Inference in Large Language Models

高效低秩注意力用于大语言模型长上下文推断

Tenghui Li, Guoxu Zhou, Xuyang Zhao, Yuning Qiu, Qibin Zhao

机构 * Guangdong University of Technology（广东工业大学） ； RIKEN AIP（理化学研究所AIP） ； Key Laboratory of Intelligent Detection and the Internet of Things in Manufacturing, Ministry of Education, Guangzhou, CHINA（教育部智能制造智能化检测与物联网重点实验室） ； RIKEN iTHEMS（理化学研究所iTHEMS） ； RIKEN IMS（理化学研究所IMS） ； Chiba University（千叶大学） 纠错

AI总结 LRQK通过低秩分解和混合缓存机制，实现大语言模型长上下文推断中的高效低秩注意力，减少内存使用并保持高精度。

Comments https://neurips.cc/virtual/2025/loc/san-diego/poster/118451

Journal ref 39th Conference on Neural Information Processing Systems (NeurIPS 2025)

STEP: A Unified Spiking Transformer Evaluation Platform for Fair and Reproducible Benchmarking

STEP：一个统一的脉冲变压器评估平台，用于公平且可重复的基准测试

Sicheng Shen, Dongcheng Zhao, Linghao Feng, Zeyang Yue, Jindong Li, Tenglong Li, Guobin Shen, Yi Zeng

AI总结 STEP 提出一个统一的脉冲变压器评估平台，用于公平且可重复的基准测试，评估了多种任务和模型，揭示了当前脉冲变压器在时间建模上的不足。

Comments Accepted by NeurIPS 2025

Learning Provably Improves the Convergence of Gradient Descent

学习可提升梯度下降的收敛性

Qingyu Song, Wei Lin, Hong Xu

机构 * Xiamen University（厦门大学） ； The Chinese University of Hong Kong（香港中文大学） 纠错

AI总结 本研究提出了一种学习优化框架，通过理论证明和实验验证，展示了其在提升梯度下降收敛性和优化性能方面的显著优势。

Comments 48 pages, 11 figures, NeurIPS 2025