NeurIPS

Partner Modelling Emerges in Recurrent Agents (But Only When It Matters)

伙伴建模在循环智能体中出现（但只有在重要时）

Ruaridh Mon-Williams, Max Taylor-Davies, Elizabeth Mieczkowski, Natalia Velez, Neil R. Bramley, Yanwei Wang, Thomas L. Griffiths, Christopher G. Lucas

机构 * University of Edinburgh（爱丁堡大学） ； Princeton University（普林斯顿大学） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 研究探讨了智能体在开放合作中自发形成伙伴建模的能力，发现其在任务分配能影响伙伴行为时自发产生结构化表示。

Journal ref Advances in Neural Information Processing Systems 39 (NeurIPS 2025)

Pack only the essentials: Adaptive dictionary learning for kernel ridge regression

只保留必要的内容：用于核岭回归的自适应字典学习

Daniele Calandriello, Alessandro Lazaric, Michal Valko

机构 * SequeL team, INRIA Lille - Nord Europe（SequeL团队，INRIA里尔-北欧） 纠错

AI总结 本文提出SQUEAK算法，通过使用未归一化的RLS实现更高效的核岭回归近似，减少空间复杂度并简化计算过程。

Comments In NeurIPS 2016 Workshop on Adaptive and Scalable Nonparametric Methods in Machine Learning (ASNMML)

Response-Based Knowledge Distillation for Multilingual Jailbreak Prevention Unwittingly Compromises Safety

基于响应的知识蒸馏用于多语言对抗预防无意中削弱了安全性

Max Zhang, Derek Liu, Kai Zhang, Joshua Franco, Haihao Liu

机构 * OpenAI ； Meta 纠错

AI总结 本文研究了基于响应的知识蒸馏在多语言对抗预防中的应用，发现标准微调会增加学生模型的对抗成功率，但去除边界拒绝可缓解安全性下降。

Comments 9 pages, Poster presented at Socially Responsible and Trustworthy Foundation Models at NeurIPS 2025 Workshop

Pre-trained Large Language Models Learn Hidden Markov Models In-context

预训练大语言模型通过上下文学习学习隐马尔可夫模型

Yijia Dai, Zhaolin Gao, Yahya Sattar, Sarah Dean, Jennifer J. Sun

机构 * Cornell University（康奈尔大学） 纠错

AI总结 本文研究预训练大语言模型通过上下文学习有效建模由隐马尔可夫模型生成的数据，并揭示了其在复杂数据中挖掘隐藏结构的潜力。

Comments NeurIPS 2025

PSI: A Benchmark for Human Interpretation and Response in Traffic Interactions

PSI：用于交通互动中人类解释与响应的基准

Taotao Jing, Tina Chen, Renran Tian, Yaobin Chen, Joshua Domeyer, Heishiro Toyoda, Rini Sherony, Zhengming Ding

机构 * Tulane University（路易斯安那州立大学） ； Purdue University（普渡大学） ； North Carolina State University（北卡罗来纳州立大学） ； Toyota Motor North America（丰田美国公司） 纠错

AI总结 PSI基准通过捕捉行人过马路意图的动态变化，结合人类文本解释，为开发可解释且符合人类认知的自动驾驶系统提供支持。

Comments Published in NeurIPS 2025 datasets and benchmarks track