NeurIPS

Galaxy Zoo Evo: 1 million human-annotated images of galaxies

Galaxy Zoo Evo: 100万张人类标注的星系图像

Mike Walmsley, Steven Bamford, Hugh Dickinson, Tobias Géron, Alexander J. Gordon, Annette M. N. Ferguson, Lucy Fortson, Sandor Kruk, Natalie Lines, Chris J. Lintott, Karen L. Masters, Robert G. Mann, James Pearson, Hayley Roberts, Anna M. M. Scaife, Stefan Schuldt, Brooke Simmons, Rebecca Smethurst, Josh Speagle, Kyle Willett

AI总结 Galaxy Zoo Evo提供100万张人类标注的星系图像，用于构建和评估天文基础模型，支持领域适应和不确定性学习，助力未来天文研究。

Comments Submitted to NeurIPS Datasets and Benchmarks 2025. Positive reviews but rejected by AC; see OpenReview

Towards Integrating Uncertainty for Domain-Agnostic Segmentation

迈向领域无关分割的不确定性整合

Jesse Brouwers, Xiaoyan Xing, Alexander Timans

机构 * UvA-Bosch Delta Lab, University of Amsterdam（阿姆斯特丹大学） 纠错

AI总结 本文提出UncertSAM基准测试，评估不确定性量化对分割模型在领域无关场景下的泛化能力提升效果。

Comments Public code at https://github.com/JesseBrouw/UncertSAM | published at the 2nd Workshop on Frontiers in Probabilistic Inference (NeurIPS 2025) | 12 pages, 8 figures (incl. Appendix)

The World Is Bigger! A Computationally-Embedded Perspective on the Big World Hypothesis

世界更大！一个计算嵌入视角下的大世界假说

Alex Lewandowski, Adtiya A. Ramesh, Edan Meyer, Dale Schuurmans, Marlos C. Machado

机构 * University of Alberta（阿尔伯塔大学） ； Amii ； The Swiss AI Lab IDSIA, USI & SUPSI（瑞士AI实验室IDSIA、USI与SUPSI） ； Canada CIFAR AI Chair（加拿大CIFAR人工智能主席） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 本文提出了一种计算嵌入视角下的持续学习方法，通过交互性目标评估智能体在无限状态空间中的适应能力，发现深度线性网络在扩展能力时表现更优。

Comments NeurIPS 2025 (spotlight)

Tiled Flash Linear Attention: More Efficient Linear RNN and xLSTM Kernels

分块式Flash线性注意力：更高效的线性RNN和xLSTM内核

Maximilian Beck, Korbinian Pöppel, Phillip Lippe, Sepp Hochreiter

机构 * ELLIS Unit, LIT AI Lab, Institute for Machine Learning, JKU Linz（ELLIS单位、LIT人工智能实验室、机器学习研究所、JKU林茨） ； NXAI GmbH（NXAI公司） 纠错

AI总结 TFLA通过引入序列并行化提升线性RNN和xLSTM内核效率，实现更高算术强度和更优长上下文序列建模性能。

Comments Accepted at NeurIPS 2025. Code available at: https://github.com/NX-AI/mlstm_kernels

TPTU: Large Language Model-based AI Agents for Task Planning and Tool Usage

TPTU：基于大型语言模型的AI代理用于任务规划和工具使用

Jingqing Ruan, Yihong Chen, Bin Zhang, Zhiwei Xu, Tianpeng Bao, Guoqing Du, Shiwei Shi, Hangyu Mao, Ziyue Li, Xingyu Zeng, Rui Zhao

机构 * University of Chinese Academy of Sciences（中国科学院大学） ； SenseTime Research（商汤科技研究院） ； HKUST（香港科技大学） 纠错

AI总结 本文提出基于大型语言模型的AI代理框架，设计两种代理类型以提升任务规划和工具使用能力，并通过实验验证其在复杂任务中的有效性。

Comments Accepted in NeurIPS-2023 Workshop on Foundation Models for Decision Making

DICE: Discrete Interpretable Comparative Evaluation with Probabilistic Scoring for Retrieval-Augmented Generation

DICE：基于概率评分的离散可解释比较评估用于检索增强生成

Shiyan Liu, Jian Ma, Rui Qu

机构 * School of Computer Science and Technology（计算机科学与技术学院） ； Huazhong University of Science and Technology（华中科技大学） 纠错

AI总结 DICE提出一种基于概率评分的两阶段框架，提升RAG评估的可解释性和稳健性，通过透明判断和系统性错误诊断，实现高效且可信的评估。

Comments Accepted at ResponsibleFM @ NeurIPS 2025

TimePerceiver: An Encoder-Decoder Framework for Generalized Time-Series Forecasting

TimePerceiver: 一个用于通用时间序列预测的编码器-解码器框架

Jaebin Lee, Hankook Lee

机构 * Sungkyunkwan University（顺天大学） 纠错

AI总结 TimePerceiver提出了一种统一的编码器-解码器框架，通过灵活感知时间序列位置，实现多种预测任务的泛化，显著提升预测性能。

Comments Accepted to NeurIPS 2025. The code is available at https://github.com/efficient-learning-lab/TimePerceiver

HiFi-RAG: Hierarchical Content Filtering and Two-Pass Generation for Open-Domain RAG

HiFi-RAG：面向开放域RAG的分层内容过滤与双阶段生成

Cattalyya Nuengsigkapian

机构 * Google（谷歌） 纠错

AI总结 HiFi-RAG通过分层过滤和双阶段生成方法，在开放域RAG中提升答案生成质量，实现ROUGE-L和DeBERTaScore的显著提升。

Comments A winning solution for the NeurIPS 2025 MMU-RAGent Competition (Closed-Source Text-to-Text Static Evaluation)

BLISS: Bandit Layer Importance Sampling Strategy for Efficient Training of Graph Neural Networks

BLISS：用于图神经网络高效训练的Bandit层重要性采样策略

Omar Alsaqa, Linh Thi Hoang, Muhammed Fatih Balin

机构 * Wilfrid Laurier University（威尔弗里德·劳里埃大学） ； Waterloo, Ontario, Canada（加拿大安大略省温哥华） ； Singapore Management University（新加坡管理学院） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 BLISS通过多臂老虎机动态选择重要节点，提升图神经网络训练效率，兼容GCN和GAT，实验显示其在精度上不逊于全批量训练。

Comments Accepted for 5th Muslims in ML Workshop co-located with NeurIPS 2025. OpenReview: https://openreview.net/forum?id=VaHubA7Pwv Code: https://github.com/linhthi/BLISS-GNN

iOS as Acceleration

iOS 作为加速器

Alexander K. Chen

AI总结 本文提出利用iOS设备的分布式管道并行技术，在低计算环境下加速机器学习模型训练和推理，探索移动设备在大规模机器学习中的潜力。

Comments 7 pages main text, 7 pages appendix. Presented at NeurIPS 2025 Efficient Reasoning Workshop

Forecasting in Offline Reinforcement Learning for Non-stationary Environments

非平稳环境下的离线强化学习预测

Suzan Ece Ada, Georg Martius, Emre Ugur, Erhan Oztop

机构 * Bogazici University（博科西大学） ； University of Tübingen（图宾根大学） ； Ozyegin University（奥祖根大学） ； Osaka University（大阪大学） 纠错

AI总结 非平稳环境下的离线强化学习预测框架FORL，通过结合条件扩散和零样本时间序列模型，提升智能体在非平稳环境中的鲁棒性与性能。

Comments The Thirty-Ninth Annual Conference on Neural Information Processing Systems, NeurIPS 2025

Transferring Causal Effects using Proxies

通过代理转移因果效应

Manuel Iglesias-Alonso, Felix Schur, Julius von Kügelgen, Jonas Peters

机构 * ETH Zürich（苏黎世联邦理工学院） 纠错

AI总结 本文提出通过代理变量在多领域中估计因果效应的方法，证明了可识别性并提供了估计技术与实证支持。

Comments Advances in Neural Information Processing Systems (NeurIPS 2025) final camera-ready version

Zero-Shot Context Generalization in Reinforcement Learning from Few Training Contexts

在少量训练上下文中进行零样本上下文泛化于强化学习

James Chapman, Kedar Karhadkar, Guido Montufar

机构 * Department of Mathematics University of California, Los Angeles（数学系加州大学洛杉矶分校） 纠错

AI总结 本文提出上下文增强的贝尔曼方程（CEBE）和上下文样本增强（CSE）方法，以提升在少量训练上下文中强化学习的泛化能力。

Comments 10 pages, 8 figures, 3 tables, publushed at Neurips 2025

Atom of Thoughts for Markov LLM Test-Time Scaling

思想原子用于马尔可夫LLM测试时间扩展

Fengwei Teng, Quan Shi, Zhaoyang Yu, Jiayi Zhang, Yuyu Luo, Chenglin Wu, Zhijiang Guo

机构 * HKUST(GZ)（香港科技大学（广州）） ； DeepWisdom（DeepWisdom公司） ； Renmin University of China（中国人民大学） 纠错

AI总结 本文提出思想原子（\our），通过马尔可夫链结构与树搜索等技术结合，实现高效推理，提升LLM测试时间扩展性能。

Comments Accepted to NeurIPS 2025

Enhancing Vision-Language Model Reliability with Uncertainty-Guided Dropout Decoding

通过不确定性引导的丢弃解码增强视觉-语言模型的可靠性

Yixiong Fang, Ziran Yang, Zhaorun Chen, Zhuokai Zhao, Jiawei Zhou

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Princeton University（普林斯顿大学） ； University of Chicago（芝加哥大学） ； Stony Brook University（石溪大学） 纠错

AI总结 通过不确定性引导的丢弃解码方法，有效减少视觉-语言模型的幻觉问题，提升输出的可靠性和质量。

Comments Accepted to 39th Conference on Neural Information Processing Systems (NeurIPS 2025)