ResponseRank: Data-Efficient Reward Modeling through Preference Strength Learning
ResponseRank: 通过偏好强度学习实现数据高效的奖励建模
AI总结 ResponseRank通过本地有效相对强度信号稳健学习偏好强度，提升样本效率和鲁棒性，引入Pearson距离相关性度量。
Comments NeurIPS 2025
期刊&会议
NeurIPS
Conference on Neural Information Processing Systems · 会议 · Machine Learning
Learning quadratic neural networks in high dimensions: SGD dynamics and scaling laws
在高维空间中学习二次神经网络：SGD动态与缩放定律
AI总结 本文研究了高维空间中两层二次神经网络的SGD动态及缩放规律，通过分析矩阵Riccati微分方程和单调性论证，推导了预测风险的缩放定律。
Comments NeurIPS 2025
Triangulation as an Acceptance Rule for Multilingual Mechanistic Interpretability
三角化作为多语言机制可解释性的接受规则
机构 * StickFlux Labs（StickFlux实验室）
AI总结 本文提出三角化作为多语言机制可解释性的接受规则，通过因果标准验证模型行为的必要性、充分性和不变性，以提高跨语言解释的可靠性。
Comments NeurIPS 2025 Workshop Evaluating the Evolving LLM Lifecycle: Benchmarks, Emergent Abilities, and Scaling
Nested Learning: The Illusion of Deep Learning Architectures
嵌套学习：深度学习架构的幻觉
AI总结 本文提出嵌套学习范式，通过多级优化问题设计更高效的学习算法，展示持续学习模块Hope在语言建模等任务中的表现。
Comments A version of this work is published at Neural Information Processing Systems (NeurIPS) 2025
Robust Egocentric Referring Video Object Segmentation via Dual-Modal Causal Intervention
通过双模态因果干预实现鲁棒的自我参照视频目标分割
机构 * Sun Yat-sen University（中山大学）
AI总结 CERES通过双模态因果干预方法，在自我参照视频中实现鲁棒的目标分割，提升对快速运动和遮挡的鲁棒性。
Comments NeurIPS 2025
Improved Balanced Classification with Theoretically Grounded Loss Functions
改进的平衡分类：基于理论的损失函数
AI总结 本文提出两种改进的平衡分类损失函数，通过理论分析和实验验证，证明其在类别不平衡场景下具有更强的理论保证和更好的性能表现。
Comments NeurIPS 2025
Learning Spatial-Aware Manipulation Ordering
学习空间感知的操作顺序
机构 * Fudan University（复旦大学） ； Shanghai YinCheng Intelligent CO., LTD（上海英成智能有限公司） ； Stanford University（斯坦福大学）
AI总结 OrderMind通过空间感知学习在杂乱环境中实现高效鲁棒操作的统一框架。
Comments Accepted to NeurIPS 2025
VADTree: Explainable Training-Free Video Anomaly Detection via Hierarchical Granularity-Aware Tree
VADTree: 通过分层粒度感知树实现可解释的无训练视频异常检测
机构 * School of Software, Xi’an Jiaotong University（西安交通大学软件学院） ； China Railway Xi’an Group（中国铁路西安集团） ； College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）
AI总结 VADTree通过分层粒度感知树结构实现无训练视频异常检测，利用预训练模型知识和多维先验提升异常感知与推理能力。
Comments NeurIPS 2025 poster
A Unified Approach to Submodular Maximization Under Noise
在噪声下子模函数最大化的一种统一方法
机构 * Google Mountain View, CA（谷歌山景城） ； Yale University（耶鲁大学） ； Harvard University（哈佛大学）
AI总结 本文提出了一种统一方法，在噪声环境下实现子模函数最大化，通过 meta 算法将稳健算法转换为噪声环境下的算法，获得不同约束下的近似结果。
Comments Accepted by NeurIPS 2025
OmniVCus: Feedforward Subject-driven Video Customization with Multimodal Control Conditions
OmniVCus: 基于多模态控制条件的前馈主体驱动视频定制
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Adobe Research（Adobe研究） ； The University of Hong Kong（香港大学） ； The Chinese University of Hong Kong（香港中文大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 OmniVCus通过多模态控制条件和改进的嵌入机制实现高效的多主体视频定制。
Comments NeurIPS 2025; A data construction pipeline and a diffusion Transformer framework for controllable subject-driven video customization
Guiding Cross-Modal Representations with MLLM Priors via Preference Alignment
通过偏好对齐引导跨模态表示
机构 * Apple（苹果公司）
AI总结 MAPLE通过利用多模态大语言模型的细粒度对齐先验，引导跨模态表示学习，提升细粒度检索性能。
Comments Accepted by NeurIPS 2025
Adjusted Count Quantification Learning on Graphs
图上的调整计数量化学习
AI总结 本文提出结构重要性采样和邻域感知ACC方法，解决图量化中的协变量偏移问题，并在多个任务中验证了有效性。
Comments 19 pages, presented at NeurIPS 2025
Revisiting Agnostic Boosting
重新审视无偏提升
AI总结 本文提出了一种改进的无偏提升算法，通过还原到可实现情况并结合边界的过滤，显著提升了样本复杂度，并证明了样本复杂度的下界。
Comments Camera-ready version: NeurIPS 2025
Quantifying Positional Biases in Text Embedding Models
量化文本嵌入模型中的位置偏差
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本研究量化了文本嵌入模型中位置偏差的影响，发现模型倾向于优先处理输入开头部分，且位置越远离开头，句子重要性越低。
Comments 13 pages, 11 figures, NeurIPS
Orchid: Flexible and Data-Dependent Convolution for Sequence Modeling
Orchid: 灵活且数据依赖的卷积用于序列建模
机构 * Google Research（谷歌研究） ； School of Computer Science University of Waterloo（计算机科学学院）
AI总结 Orchid提出了一种灵活且数据依赖的卷积架构，用于提升序列建模的效率和可扩展性。
Journal ref Advances in Neural Information Processing Systems 37 (2024): 76991-77022
Optimal Approximation -- Smoothness Tradeoffs for Soft-Max Functions
最优近似——软最大函数的平滑性权衡
机构 * Google Research（谷歌研究） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出分段线性和功率机制，分别在最坏情况加性近似与ℓq-范数平滑度、期望乘法近似与Rényi散度平滑度之间实现最优权衡，适用于机器学习和机制设计领域。
Comments Accepted for spotlight presentation at NeurIPS 2020. The updated version fixes a technical gap in the proof of Theorem 4.4
Yggdrasil: Bridging Dynamic Speculation and Static Runtime for Latency-Optimal Tree-Based LLM Decoding
Yggdrasil：连接动态推测与静态运行时以实现延迟最优的树基LLM解码
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Qizhi Institute（上海启智研究院） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 Yggdrasil通过上下文感知的树起草和编译友好的执行，实现延迟最优的树基LLM解码，支持未经修改的LLM并在多种硬件上实现3.98倍速度提升。
Comments Accepted by NeurIPS 2025
Flow Matching Neural Processes
流匹配神经过程
机构 * Department of Computer Science University of Haifa（计算机科学系海法大学）
AI总结 基于流匹配的神经过程模型，通过ODE求解器实现高效条件采样，提升精度与运行时间的可控权衡。
Comments NeurIPS 2025. For code, see https://github.com/danrsm/flowNP
Emergent World Beliefs: Exploring Transformers in Stochastic Games
涌现的世界信念：探索变换器在随机游戏中的应用
机构 * University of Waterloo（多伦多大学） ； University of California, Berkeley（加州大学伯克利分校） ； Algoverse AI Research（Algoverse人工智能研究）
AI总结 本文研究了LLMs在扑克等信息不完全领域中学习随机环境表示的能力，通过预训练和内部激活探测，展示了模型能自主学习确定性和随机性特征。
Comments Accepted at NeurIPS 2025 Mechanistic Interpretability Workshop
Audio Super-Resolution with Latent Bridge Models
基于潜在桥模型的音频超分辨率
机构 * Department of CST, Tsinghua University, Beijing, China（计算机科学与技术系，清华大学，北京，中国） ； Shengshu AI, Beijing, China（盛舒人工智能，北京，中国） ； USTC, Hefei, China（中国科学技术大学，合肥，中国）
AI总结 本文提出基于潜在桥模型的音频超分辨率方法，通过压缩音频到潜在空间并设计桥模型，实现高质量的任意到48kHz和192kHz音频上采样。
Comments Accepted at NeurIPS 2025
Contextual Integrity in LLMs via Reasoning and Reinforcement Learning
通过推理和强化学习实现大语言模型中的上下文完整性
机构 * Purdue University（普渡大学） ； Microsoft（微软） ； National Univ of Singapore（新加坡国立大学）
AI总结 本文通过推理和强化学习方法，提升大语言模型在执行任务时的信息披露合理性，减少不适当信息泄露，同时保持任务性能。
Comments 39th Conference on Neural Information Processing Systems (NeurIPS 2025)
OmniBench: Towards The Future of Universal Omni-Language Models
OmniBench: 向通用多语言模型的未来迈进
机构 * University of Manchester（曼彻斯特大学） ； Queen Mary University of London（伦敦大学玛丽女王学院） ； Hongkong University of Science and Technology（香港科学与技术大学） ； Nanjing University（南京大学） ； Dartmouth College（达特茅斯学院）
AI总结 OmniBench提出了一种评估通用多语言模型三模态处理能力的基准，揭示了现有模型在多模态推理中的不足，并提出OmniInstruct数据集以改进训练方法。
Comments Accepted by The Thirty-Ninth Annual Conference on Neural Information Processing Systems (NeurIPS2025)
