NeurIPS

VDW-GNNs: Vector diffusion wavelets for geometric graph neural networks

VDW-GNNs：面向几何图神经网络的向量扩散小波

David R. Johnson, Alexander Sietsema, Rishabh Anand, Deanna Needell, Smita Krishnaswamy, Michael Perlmutter

机构 * Program in Computing, Boise State University, Boise, Idaho, USA（博伊西州立大学计算项目） ； Department of Mathematics, UCLA, Los Angeles, CA, USA（洛杉矶大学数学系） ； Department of Computer Science, Yale University, New Haven, CT, USA（耶鲁大学计算机科学系） ； Department of Genetics, Yale University, New Haven, CT, USA（耶鲁大学遗传学系） ； Department of Mathematics, Boise State University, Boise, Idaho, USA（博伊西州立大学数学系） 纠错

AI总结 提出向量扩散小波（VDW），受向量扩散映射算法启发，可有效融入几何图神经网络（VDW-GNNs），在合成点云和真实风场、神经活动数据上表现良好，并证明其具有框架理论和旋转平移对称性。

Comments Presented at ICML 2026. A previous, shorter version of this work was presented in the "New Perspectives in Advancing Graph Machine Learning" workshop at NeurIPS 2025

The Chameleon Nature of LLMs: Quantifying Multi-Turn Stance Instability in Search-Enabled Language Models

LLM的变色龙本质：量化搜索增强语言模型中的多轮立场不稳定性

Shivam Ratnakar, Sanjay Raghavendra

机构 * University of Southern California（美国南加州大学） 纠错

AI总结 提出变色龙基准数据集和两个度量指标，揭示搜索增强LLM在多轮对话中因知识多样性不足而严重依赖查询框架，导致立场频繁摇摆。

Comments 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Workshop: MTI-LLM @ NeurIPS 2025

GyroSwin: 5D Surrogates for Gyrokinetic Plasma Turbulence Simulations

GyroSwin：用于回旋动理学等离子体湍流模拟的五维代理模型

Fabian Paischer, Gianluca Galletti, William Hornsby, Paul Setinek, Lorenzo Zanisi, Naomi Carey, Stanislas Pamela, Johannes Brandstetter

机构 * ELLIS Unit, Institute for Machine Learning, JKU Linz（JKU林茨机器学习研究所ELLIS单元） ； United Kingdom Atomic Energy Authority, Culham campus（英国原子能局库勒姆校区） ； EMMI AI, Linz（林茨EMMI人工智能） 纠错

AI总结 提出GyroSwin，首个可扩展的五维神经代理模型，通过扩展层次视觉Transformer至五维、引入交叉注意力和集成模块以及基于非线性物理的通道分离，精确模拟回旋动理学湍流热输运，计算成本降低三个数量级。

Comments Accepted at NeurIPS 2025, First authors contributed equally

Predictive Feature Caching for Training-free Acceleration of Molecular Geometry Generation

预测性特征缓存用于分子几何生成的无训练加速

Johanna Sommer, John Rachwan, Nils Fleischmann, Stephan Günnemann, Bertrand Charpentier

机构 * PrunaAI 纠错

AI总结 提出一种无训练缓存策略，通过预测求解器步骤间的中间隐藏状态加速分子几何生成，在GEOM-Drugs数据集上实现2倍加速且质量不变，结合其他优化可达7倍。

Comments Accepted at the AI for Science Workshop @ NeurIPS 2025

Oracle-RLAIF: An Improved Fine-Tuning Framework for Multi-modal Video Models using Reinforcement Learning from Ranking Feedback

Oracle-RLAIF：一种利用排名反馈强化学习改进多模态视频模型微调框架的方法

Derek Shi, Ruben Glatt, Christine Klymko, Shubham Mohole, Hongjun Choi, Shashank Kushwaha, Sam Sakla, Felipe Leno da Silva

机构 * Stanford University（斯坦福大学） ； Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室） ； Microsoft（微软公司） 纠错

AI总结 提出Oracle-RLAIF框架，用通用排序器替代奖励模型，结合基于GRPO的排名损失函数GRPO_rank，实现更高效的多模态视频模型微调，在多个基准上优于现有方法。

Comments Proceedings of the 39th Annual Conference on Neural Information Processing Systems, ARLET Workshop (Aligning Reinforcement Learning Experimentalists and Theorists)

Journal ref Transactions on Machine Learning Research, Vol. 2026, June 2026

AgentMisalignment: Measuring the Propensity for Misaligned Behaviour in LLM-Based Agents

AgentMisalignment：衡量基于LLM的代理中失调行为的倾向性

Akshat Naik, Emma Gouné, Patrick Quinn, Guillermo Bosch, Francisco Javier Campos Zabala, Jason Ross Brown, Edward James Young

机构 * Department of Computer Science（计算机科学系） ； University of Oxford（牛津大学） ； Institute of Intelligent Systems and Robotics（智能系统与机器人研究所） ； Sorbonne Université（索邦大学） ； The Leverhulme Centre for the Future of Intelligence（未来智能中心） ； University of Cambridge（剑桥大学） ； Independent Researcher（独立研究者） ； Department of Computer Science and Technology（计算机科学与技术系） ； Department of Engineering（工程系） 纠错

AI总结 提出AgentMisalignment基准，评估LLM代理在真实场景中自发追求非预期目标的倾向，发现更强大的代理平均表现出更高的失调倾向，且个性特征对失调影响显著。

Comments Prepint, under review for NeurIPS 2025

Quantum Visual Fields with Neural Amplitude Encoding

量子视觉场与神经振幅编码

Shuteng Wang, Christian Theobalt, Vladislav Golyanik

机构 * MPI for Informatics, SIC（马克斯·普朗克信息研究所，科学信息中心） 纠错

AI总结 提出一种基于神经振幅编码和全纠缠量子电路的量子隐式神经表示架构QVF，用于2D图像和3D几何场学习，在量子硬件模拟器上优于现有量子方法并与经典基线竞争。

Comments NeurIPS 2025; 19 pages, 13 figures and four tables; project page: https://4dqv.mpi-inf.mpg.de/QVF/

Learning Chern Numbers of Topological Insulators with Gauge Equivariant Neural Networks

利用规范等变神经网络学习拓扑绝缘体的陈数

Longde Huang, Oleksandr Balabanov, Hampus Linander, Mats Granath, Daniel Persson, Jan E. Gerken

机构 * Department of Mathematical Sciences, Chalmers University of Technology and University of Gothenburg（数学科学系，查尔姆斯理工大学和哥德堡大学） ； Department of Physics, Stockholm University, AlbaNova University Center（物理系，斯德哥尔摩大学，阿尔巴诺瓦大学中心） ； VERSES AI Research Lab, Los Angeles, USA（VERSES AI研究实验室，美国洛杉矶） ； Department of Physics, University of Gothenburg（物理系，哥德堡大学） 纠错

AI总结 本文提出利用规范等变网络预测多带拓扑绝缘体的陈数，通过引入新的规范等变归一化层和通用逼近定理，证明模型能泛化至非平凡陈数样本。

Journal ref Advances in Neural Information Processing Systems 38, 147997-148026, 2026