NeurIPS

LongVPO: From Anchored Cues to Self-Reasoning for Long-Form Video Preference Optimization

LongVPO：从锚定线索到自我推理的长视频偏好优化

Zhenpeng Huang, Jiaqi Li, Zihan Jia, Xinhao Li, Desen Meng, Lingxue Song, Xi Chen, Liang Li, Limin Wang

机构 * State Key Laboratory for Novel Software Technology（新型软件技术国家重点实验室） ； JIUTIAN Research（Jiutian研究） ； Shanghai AI Laboratory（上海人工智能实验室） 纠错

AI总结 LongVPO通过两阶段直接偏好优化框架，利用合成数据和递归标注流程，在无需长视频标注的情况下实现高效长视频理解，优于现有开源模型并保持短视频性能。

Comments NeurIPS 2025

Generating Physically Sound Designs from Text and a Set of Physical Constraints

从文本和一组物理约束生成物理上合理的设计

Gregory Barber, Todd C. Henry, Mulugeta A. Haile

机构 * DEVCOM Army Research Laboratory（陆军研发实验室） 纠错

AI总结 TIDES通过结合文本信息和物理模拟，生成符合工程要求的结构设计。

Comments NeurIPS 2025

UrbanIng-V2X: A Large-Scale Multi-Vehicle, Multi-Infrastructure Dataset Across Multiple Intersections for Cooperative Perception

UrbanIng-V2X: 一个大规模多车辆、多基础设施数据集，用于多个交叉口的协同感知

Karthikeyan Chandra Sekaran, Markus Geisler, Dominik Rößle, Adithya Mohan, Daniel Cremers, Wolfgang Utschick, Michael Botsch, Werner Huber, Torsten Schön

机构 * Technische Hochschule Ingolstadt（图恩技术高等学院） ； Technical University of Munich（慕尼黑技术大学） 纠错

AI总结 UrbanIng-V2X是一个大规模多车辆、多基础设施数据集，用于多个交叉口的协同感知研究，包含多种传感器数据和标注，旨在提升智能交通系统的感知能力。

Comments Accepted to NeurIPS 2025. Including supplemental material. For code and dataset, see https://github.com/thi-ad/UrbanIng-V2X

Are Large Language Models Sensitive to the Motives Behind Communication?

大型语言模型对沟通动机是否敏感？

Addison J. Wu, Ryan Liu, Kerem Oktar, Theodore R. Sumers, Thomas L. Griffiths

机构 * Princeton University（普林斯顿大学） ； Anthropic 纠错

AI总结 本文研究了LLMs对沟通动机的敏感性，通过实验发现LLMs能以人类方式处理偏见信息，但需改进以适应更复杂的现实场景。

Comments NeurIPS 2025

FAST: Foreground-aware Diffusion with Accelerated Sampling Trajectory for Segmentation-oriented Anomaly Synthesis

FAST: 前景感知扩散与加速采样轨迹用于面向分割的异常合成

Xichen Xu, Yanshu Wang, Jinbao Wang, Xiaoning Lei, Guoyang Xie, Guannan Jiang, Zhichao Lu

机构 * Global Institute of Future Technology, Shanghai Jiao Tong University, Shanghai, China（上海交通大学未来技术全球研究院） ； School of Artificial Intelligence, Shenzhen University, Shenzhen, China（深圳大学人工智能学院） ； Department of Intelligent Manufacturing, CATL, Ningde, China（CATL智能制造部门） ； Department of Computer Science, City University of Hong Kong, Hong Kong, China（香港城市大学计算机科学系） 纠错

AI总结 FAST提出一种前景感知扩散框架，通过AIAS和FARM模块提升工业异常合成效率与质量，实现更可控的结构特定异常生成。

Comments Accepted to NeurIPS 2025

Generalization or Hallucination? Understanding Out-of-Context Reasoning in Transformers

泛化还是幻觉？理解Transformer中的上下文推理

Yixiao Huang, Hanlin Zhu, Tianyu Guo, Jiantao Jiao, Somayeh Sojoudi, Michael I. Jordan, Stuart Russell, Song Mei

机构 * UC Berkeley（加州大学伯克利分校） 纠错

AI总结 本文研究了Transformer中上下文推理机制，揭示其驱动泛化与幻觉的双重性，并通过理论分析与实验验证了矩阵因子化在其中的关键作用。

Comments NeurIPS 2025, first three authors contributed equally

Dense Associative Memory with Epanechnikov Energy

具有Epanechnikov能量的密集关联记忆

Benjamin Hoover, Zhaoyang Shi, Krishnakumar Balasubramanian, Dmitry Krotov, Parikshit Ram

机构 * IBM Research（IBM研究院） ； Georgia Tech（佐治亚理工学院） ； Harvard（哈佛大学） ； UC Davis（加州大学戴维斯分校） 纠错

AI总结 本文提出了一种基于Epanechnikov核的LSR能量函数，用于改进DenseAM网络的记忆检索能力，并展示了其在生成任务中的潜力。

Comments Accepted as Spotlight Poster to NeurIPS 2025 main conference

MEMOIR: Lifelong Model Editing with Minimal Overwrite and Informed Retention for LLMs

MEMOIR: LLMs的终身模型编辑与最小覆盖与有意识保留

Ke Wang, Yiming Qin, Nikolaos Dimitriadis, Alessandro Favero, Pascal Frossard

机构 * EPFL（苏黎世联邦理工学院） 纠错

AI总结 MEMOIR通过残差记忆模块实现LLM的终身模型编辑，高效处理连续编辑任务，保持模型核心能力并减少遗忘。

Comments The first two authors contributed equally to this work; Accepted to NeurIPS 2025

Watch and Listen: Understanding Audio-Visual-Speech Moments with Multimodal LLM

Watch and Listen: 通过多模态大语言模型理解音频-视觉-语音时刻

Zinuo Li, Xian Zhang, Yongxin Guo, Mohammed Bennamoun, Farid Boussaid, Girish Dwivedi, Luqi Gong, Qiuhong Ke

机构 * University of Western Australia（西澳大学） ； Alibaba Group（阿里巴巴集团） ； Zhejiang Laboratory（浙江实验室） ； Monash University（墨尔本大学） 纠错

AI总结 TriSense通过整合视觉、音频和语音模态，提升视频时间理解能力，采用基于查询的连接器实现多模态鲁棒性，并通过TriSense-2M数据集推动多模态视频分析发展。

Comments Accepted by NeurIPS 2025

Reverse Engineering Human Preferences with Reinforcement Learning

通过强化学习逆向工程人类偏好

Lisa Alazraki, Tan Yi-Chern, Jon Ander Campos, Maximilian Mozes, Marek Rei, Max Bartolo

AI总结 通过强化学习逆向工程人类偏好，利用LLM作为评判者框架提升评估效果，方法隐蔽且具有跨模型泛化能力。

Comments NeurIPS 2025 (Spotlight)

Diffusion-based Layer-wise Semantic Reconstruction for Unsupervised Out-of-Distribution Detection

基于扩散的逐层语义重建用于无监督分布外检测

Ying Yang, De Cheng, Chaowei Fang, Yubiao Wang, Changzhe Jiao, Lechao Cheng, Nannan Wang

机构 * Xidian University（西电大学） ； Hefei University of Technology（合肥工业大学） ； Chongqing University of Posts and Telecommunications（重庆邮电大学） 纠错

AI总结 本文提出基于扩散的逐层语义重建方法，用于无监督分布外检测，通过特征重建误差区分ID和OOD样本，实现高准确性和效率。

Comments 26 pages, 23 figures, published to Neurlps2024

Journal ref Proceedings of the 38th Conference on Neural Information Processing Systems (NeurIPS 2024)

Impact of Dataset Properties on Membership Inference Vulnerability of Deep Transfer Learning

数据集属性对深度迁移学习成员推断漏洞的影响

Marlon Tobaben, Hibiki Ito, Joonas Jälkö, Yuan He, Antti Honkela

机构 * Department of Computer Science, University of Helsinki（赫尔辛基大学计算机科学系） ； School of Informatics, Kyoto University（京都大学信息学系） 纠错

AI总结 研究揭示了数据集属性对深度迁移学习成员推断漏洞的影响，发现样本数量增加可降低非DP模型的漏洞，但保护最脆弱点需大规模数据集。

Comments Accepted to NeurIPS 2025; 47 pages, 13 figures

Fewer is More: A Deep Graph Metric Learning Perspective Using Fewer Proxies

更少才是更多：从图分类视角使用更少代理的深度图度量学习

Yuehua Zhu, Muli Yang, Cheng Deng, Wei Liu

AI总结 本文提出了一种基于图分类视角的深度图度量学习方法ProxyGML，通过使用更少的代理来提升模型性能和效率。

Comments Accepted in NeurIPS 2020 as a spotlight paper. Code can be found at https://github.com/YuehuaZhu/ProxyGML

PandaPose: 3D Human Pose Lifting from a Single Image via Propagating 2D Pose Prior to 3D Anchor Space

PandaPose: 通过将2D姿态先验传播到3D锚空间实现单张图像的3D人体姿态提升

Jinghong Zheng, Changlong Jiang, Yang Xiao, Jiaqi Li, Haohong Kuang, Hang Xu, Ran Wang, Zhiguo Cao, Min Du, Joey Tianyi Zhou

机构 * School of Journalism and Information Communication, Huazhong University of Science and Technology（华中科技大学新闻与信息传播学院） ； ByteDance Inc.（字节跳动公司） ； Institute of High Performance Computing, Agency for Science, Technology and Research, Singapore（科技研究局高性能计算研究所） 纠错

AI总结 PandaPose通过将2D姿态先验传播到3D锚空间，提升单张图像的3D人体姿态估计精度，有效缓解自遮挡问题并减少误差。

Comments Accepted at NeurIPS 2025

Navigating Simply, Aligning Deeply: Winning Solutions for Mouse vs. AI 2025

简洁导航，深度对齐：2025年Mouse vs. AI比赛的获胜方案

Phu-Hoa Pham, Chi-Nguyen Tran, Dao Sy Duy Minh, Nguyen Lam Phu Quy, Huynh Trung Kiet

机构 * University of Science, VNU-HCM Ho Chi Minh City（科学大学，河内-西贡大学，西贡市） 纠错

AI总结 本文提出了一种简洁的架构和深度的ResNet-like架构，分别在视觉鲁棒性和神经对齐方面取得优异成绩，挑战了传统模型复杂性假设。

Comments 15 pages, 8 tables. Technical Report for winning solutions (Track 1 & Track 2) at the NeurIPS 2025 Mouse vs. AI Challenge

Towards Multiscale Graph-based Protein Learning with Geometric Secondary Structural Motifs

迈向基于几何二级结构模样的多尺度蛋白质学习

Shih-Hsin Wang, Yuhao Huang, Taos Transue, Justin Baker, Jonathan Forstater, Thomas Strohmer, Bao Wang

机构 * Department of Mathematics and Scientific Computing and Imaging (SCI) Institute University of Utah（数学与科学计算与成像研究所（SCI）大学） ； Department of Mathematics, UCLA（数学系，加州大学洛杉矶分校） ； Department of Mathematics, UC Davis（数学系，加州大学戴维斯分校） 纠错

AI总结 本文提出了一种针对蛋白质的多尺度图学习框架，通过分层图结构和双GNN模型提升结构预测精度并降低计算成本。

Comments Published in NeurIPS 2025

UniMotion: A Unified Motion Framework for Simulation, Prediction and Planning

UniMotion: 一种用于仿真、预测和规划的统一运动框架

Nan Song, Junzhe Jiang, Jingyu Li, Xiatian Zhu, Li Zhang

机构 * School of Data Science, Fudan University（复旦大学数据科学学院） ； Shanghai Innovation Institute（上海创新研究院） ； University of Surrey（Surrey大学） 纠错

AI总结 UniMotion提出了一种统一的运动框架，通过共享结构和定制化训练策略，同时支持运动仿真、预测和规划，实现高效的任务整合和泛化能力。

Comments Accepted at NeurIPS 2025

TabRAG: Improving Tabular Document Question Answering for Retrieval Augmented Generation via Structured Representations

TabRAG：通过结构化表示改进表格文档问答以增强检索增强生成

Jacob Si, Mike Qu, Michelle Lee, Marek Rei, Yingzhen Li

AI总结 TabRAG通过结构化表示改进表格文档问答，采用布局分割和视觉语言模型解析，提升表格问答性能。

Comments NeurIPS 2025 AI4Tab

Sample Complexity of Distributionally Robust Average-Reward Reinforcement Learning

分布鲁棒平均奖励强化学习的样本复杂度

Zijun Chen, Shengbo Wang, Nian Si

AI总结 本文提出两种算法，实现了分布鲁棒平均奖励强化学习的近最优样本复杂度，通过锚定状态稳定转移核并保证收敛性。

Comments Accepted at NeurIPS 2025. Updated with minor corrections and additional experiments

Causally Reliable Concept Bottleneck Models

因果可靠的概念瓶颈模型

Giovanni De Felice, Arianna Casanova Flores, Francesco De Santis, Silvia Santini, Johannes Schneider, Pietro Barbiero, Alberto Termine

机构 * Università della Svizzera Italiana（瑞士意大利大学） ； University of Liechtenstein（利赫泰森大学） ； Politecnico di Torino（托尼诺理工学院） ； IBM Research（IBM研究院） ； Scuola Universitaria Professionale della Svizzera Italiana（瑞士意大利专业大学） 纠错

AI总结 本文提出C$^2$BMs，一种基于概念的因果可靠模型，通过结构化概念瓶颈提升可解释性和因果推理能力。

Comments Accepted at NeurIPS 2025

Short-length Adversarial Training Helps LLMs Defend Long-length Jailbreak Attacks: Theoretical and Empirical Evidence

短长度对抗训练有助于LLMs防御长长度劫持攻击：理论和实证证据

Shaopeng Fu, Liang Ding, Jingfeng Zhang, Di Wang

机构 * King Abdullah University of Science and Technology（国王阿卜杜勒·阿齐兹大学科学与技术学院） ； The University of Sydney（悉尼大学） ； The University of Auckland（奥克兰大学） 纠错

AI总结 本文提出通过短长度对抗训练有效防御长长度劫持攻击，理论和实验证实了这种策略的可行性。

Comments The Thirty-ninth Annual Conference on Neural Information Processing Systems (NeurIPS 2025)

InterDreamer: Zero-Shot Text to 3D Dynamic Human-Object Interaction

InterDreamer: 零样本文本到3D动态人-物交互

Sirui Xu, Ziyin Wang, Yu-Xiong Wang, Liang-Yan Gui

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 InterDreamer通过结合预训练模型和物理模拟，实现零样本生成3D动态人-物交互。

Comments NeurIPS 2024. Project Page: https://sirui-xu.github.io/InterDreamer/

GeoDynamics: A Geometric State-Space Neural Network for Understanding Brain Dynamics on Riemannian Manifolds

GeoDynamics: 一种用于在黎曼流形上理解大脑动态的几何状态空间神经网络

Tingting Dan, Jiaqi Ding, Guorong Wu

机构 * Departments of Psychiatry and Computer Science University of North Carolina at Chapel Hill（精神病学与计算机科学系，北卡罗来纳大学教堂山分校） 纠错

AI总结 GeoDynamics是一种基于黎曼流形的几何状态空间神经网络，用于在高维空间中追踪大脑状态轨迹，揭示任务驱动状态变化及早期神经疾病标志。

Comments Accepted to NeurIPS 2025

Unifying Agent Interaction and World Information for Multi-agent Coordination

统一代理交互与世界信息以实现多代理协调

Dongsu Lee, Daehee Lee, Yaru Niu, Honguk Woo, Amy Zhang, Ding Zhao

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Sungkyunkwan University（松云大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出交互-世界潜在空间框架，通过建模通信协议实现多代理协调，提升团队协作效率与鲁棒性。

Comments 2025 NeurIPS ARLET Workshop Oral presentation (https://arlet-workshop.github.io/neurips2025/schedule)

Identifiability of Deep Polynomial Neural Networks

深度多项式神经网络的可识别性

Konstantin Usevich, Ricardo Borsoi, Clara Dérand, Marianne Clausel

机构 * Université de Lorraine, CNRS, CRAN Nancy, F-54000, France（洛林大学、法国国家科学研究中心、CRAN Nancy、法国） 纠错

AI总结 本文研究深度多项式神经网络的可识别性，揭示激活次数与层宽度的相互作用，并提出新的理论界限和结论。

Comments NeurIPS final version

AgentAuditor: Human-Level Safety and Security Evaluation for LLM Agents

AgentAuditor: 为LLM代理提供人类水平的安全性和安全性评估

Hanjun Luo, Shenyu Dai, Chiming Ni, Xinfeng Li, Guibin Zhang, Kun Wang, Tongliang Liu, Hanan Salam

AI总结 AgentAuditor通过构建经验记忆和多阶段检索生成过程，提升LLM在代理安全性和安全性评估中的性能，达到人类水平的准确性。

Comments This paper is accepted by 39th Conference on Neural Information Processing Systems (NeurIPS 2025)

Reward-Aware Proto-Representations in Reinforcement Learning

强化学习中的奖励感知原型表示

Hon Tik Tse, Siddarth Chandrasekar, Marlos C. Machado

机构 * University of Alberta（阿尔伯塔大学） ； Alberta Machine Intelligence Institute (Amii)（阿尔伯塔机器智能研究所） ； CIFAR AI Chair（CIFAR人工智能主席） 纠错

AI总结 本文提出了一种奖励感知的原型表示（DR），通过理论分析和实验验证，展示了其在强化学习中的优越性能。

Comments NeurIPS 2025