NeurIPS

The Cross-Architecture Substrate: A Domain-Transcendent, Calibration-Surviving Geometric Invariant of Modern Vision Encoders

跨架构基板：现代视觉编码器的领域超越、校准存活的几何不变量

Yousef Radwan

机构 * KAUST（阿卜杜拉国王科技大学） 纠错

AI总结 发现现代视觉编码器训练后前16个主方向收敛到同一16维几何对象（跨架构基板），该基板跨视觉领域传输、校准后仍存在，并应用于无标签迁移性过滤、领域检测、低样本探测和无教师蒸馏。

Comments 14 pages, 2 figures. 40th Conference on Neural Information Processing Systems (NeurIPS 2026)

Measuring AI Ability to Complete Long Software Tasks

衡量AI完成长期软件任务的能力

Thomas Kwa, Ben West, Joel Becker, Amy Deng, Katharyn Garcia, Max Hasin, Sami Jawhar, Megan Kinniment, Nate Rush, Sydney Von Arx, Ryan Bloom, Thomas Broadley, Haoxing Du, Brian Goodrich, Nikola Jurkovic, Luke Harold Miles, Seraphina Nix, Tao Lin, Chris Painter, Neev Parikh, David Rein, Lucas Jun Koba Sato, Hjalmar Wijk, Daniel M. Ziegler, Elizabeth Barnes, Lawrence Chan

机构 * Model Evaluation & Threat Research (METR)（模型评估与威胁研究（METR）） ； Ohm Chip ； Anthropic 纠错

AI总结 本文提出50%任务完成时间跨度指标，用于衡量AI在完成长期软件任务方面的能力，结果显示AI模型的时间跨度呈指数增长，预计5年后将能自动化许多人类月度完成的软件任务。

Comments v4: added Chris Painter as listed author, consistent with listing in the pdf

Journal ref NeurIPS 2025

Oracle-Efficient Combinatorial Semi-Bandits

神谕高效组合半带式赌博机

Jung-hun Kim, Milan Vojnović, Min-hwan Oh

机构 * CREST, ENSAE, IP Paris（CREST、ENSAE、IP巴黎） ； FairPlay joint team（FairPlay联合团队） ； London School of Economics（伦敦经济学院） ； Seoul National University（首尔国立大学） 纠错

AI总结 研究组合半带式赌博机问题，提出神谕高效框架，减少神谕调用次数，在最坏情况线性奖励设置下，算法用较少神谕查询达低遗憾值，还有协方差自适应算法及扩展到非线性奖励，降低神谕使用时间并获理论保证。

Comments NeurIPS 2025

Asynchronous Perception Machine For Efficient Test-Time-Training

用于高效测试时训练的异步感知机

Rajat Modi, Yogesh Singh Rawat

机构 * Centre for Research in Computer Vision（计算机视觉研究中心） ； University of Central Florida（中央佛罗里达大学） 纠错

AI总结 本文提出计算高效的异步感知机APM用于测试时训练，无需特定数据集预训练等即可识别分布外图像，与现有方法性能相当，还具有独特学习属性及超越TTT的应用，为验证GLOM见解提供证据，助力共享硬件实现插值和感知。

Comments NeurIPS 2024

On Occlusions in Video Action Detection: Benchmark Datasets And Training Recipes

关于视频动作检测中的遮挡：基准数据集和训练方法

Rajat Modi, Vibhav Vineet, Yogesh Singh Rawat

机构 * CRCV, University of Central Florida（计算机视觉研究中心、中央佛罗里达大学） ； Microsoft Research（微软研究院） 纠错

AI总结 研究视频动作检测中遮挡的影响，引入新基准数据集，发现神经网络有趣现象，得出有效训练方法，提升模型在遮挡下性能，如在O-UCF、O-JHMDB和Real-OUCF上vMAP指标分别提升32.3%、32.7%和2.6%。

Comments NeurIPS 2023

Disentangled Unsupervised Skill Discovery for Efficient Hierarchical Reinforcement Learning

用于高效分层强化学习的解缠无监督技能发现

Jiaheng Hu, Zizhao Wang, Peter Stone, Roberto Martín-Martín

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 针对现有无监督技能发现方法中技能缠结、下游任务链接难的问题，提出DUSDi方法，通过分解技能为解缠组件，定义基于互信息目标并利用值分解优化，能有效学习解缠技能并解决下游任务，优于先前方法。

Comments Published at NeurIPS 2024