NeurIPS

Are Humans Evolved Instruction Followers? An Underlying Inductive Bias Enables Rapid Instructed Task Learning

人类是进化而来的指令遵循者吗？一种潜在的归纳偏置使得快速指令任务学习成为可能

Anjishnu Kumar

机构 * Amazon Alexa AI Seattle, USA（亚马逊Alexa AI西雅图美国） 纠错

AI总结 本文提出人类具有进化形成的指令遵循偏置，即一种归纳偏置，使得从语言快速泛化行为成为可能，并类比大语言模型的指令微调，呼吁跨学科研究。

Comments 4 pages, Position Paper, Published at Neurips 2025 Workshop on Interpreting Cognition in Deep Learning Models - https://neurips.cc/virtual/2025/loc/san-diego/129741

Learning How to Use Tools, Not Just When: Pattern-Aware Tool-Integrated Reasoning

学习如何使用工具，而非仅仅何时：基于模式的工具集成推理

Ningning Xu, Yuxuan Jiang, Shubhashis Roy Dipta, Hengyuan Zhang

机构 * University of Georgia（佐治亚大学） ； University of Maryland, Baltimore County（马里兰大学巴尔的摩分校） ； The University of Hong Kong（香港大学） 纠错

AI总结 本文提出一种两阶段框架，通过构建代码能力并对齐模式选择与教师偏好，提升工具集成推理的代码使用和准确性，实验显示在数学数据集上显著提升。

Journal ref The 5th Workshop on Mathematical Reasoning and AI at NeurIPS 2025

Tool-Augmented Spatiotemporal Reasoning for Streamlining Video Question Answering Task

增强工具的时空推理用于视频问答任务的优化

Sunqi Fan, Jiashuo Cui, Meng-Hao Guo, Shuojin Yang

机构 * BNRist, Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系，北京信息科学与技术国家研究中心） 纠错

AI总结 本文提出STAR框架和视频工具包，提升多模态大语言模型的时空推理能力，在VideoMME和LongVideoBench上分别提升8.2%和4.6%。

Comments Accepted by NeurIPS 2025 main track

Warm-Starting Iterative Gaussian Processes for Faster Sequential Inference

基于 warm-start 的迭代高斯过程用于更快的序列推理

Alan Yufei Dong, Jihao Andreas Lin, José Miguel Hernández-Lobato

AI总结 本文提出三种 warm-start 策略，通过利用更小线性系统解加速后验更新，提升高斯过程在序列任务中的效率，实验证明在回归和贝叶斯优化中具有显著速度提升和精度提升。

Comments Previous version appeared as Improving Iterative Gaussian Processes via Warm Starting Sequential Posteriors in SPIGM Workshop, NeurIPS 2025

DRESS: Disentangled Representation-based Self-Supervised Meta-Learning for Diverse Tasks

DRESS：基于解耦表示的自监督元学习方法用于多样化任务

Wei Cui, Tongzi Wu, Jesse C. Cresswell, Yi Sui, Keyvan Golestan

机构 * Layer 6 AI 纠错

AI总结 本文提出DRESS，一种基于解耦表示的自监督元学习方法，通过生成自监督任务加速模型在多样化少样本任务上的适应，验证了其在多个数据集上的优越性。

Comments 12 pages, 12 figures (including figures in the Appendix). An earlier version of the paper has been presented at the Self-Supervised Learning workshop at the 2024 NeurIPS conference