NeurIPS

Systematizing LLM Persona Design: A Four-Quadrant Technical Taxonomy for AI Companion Applications

对LLM人设设计的系统化：面向AI陪伴应用的四象限技术分类

Esther Sun, Zichu Wu

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出四象限技术分类系统，系统化LLM人设设计，涵盖虚拟与具身、情感与功能增强，分析不同应用场景的技术挑战与核心问题。

Comments Accepted to Neurips 2025 workshop: LLM Persona Workshop

AutoSciDACT: Automated Scientific Discovery through Contrastive Embedding and Hypothesis Testing

AutoSciDACT：通过对比嵌入和假设检验实现自动化科学发现

Samuel Bright-Thonney, Christina Reissel, Gaia Grosso, Nathaniel Woodward, Katya Govorkova, Andrzej Novak, Sang Eon Park, Eric Moreno, Philip Harris

机构 * Department of Physics, Massachusetts Institute of Technology（麻省理工学院物理系） ； The NSF AI Institute for Artificial Intelligence and Fundamental Interactions（国家科学基金会人工智能与基本相互作用研究所） ； Department of Physics, University of Wisconsin, Madison（威斯康星大学麦迪逊分校物理系） 纠错

AI总结 AutoSciDACT通过对比嵌入和假设检验，实现科学数据中新颖性的自动化检测与统计量化。

Comments Accepted at NeurIPS 2025; 33 pages, 16 figures

Efficient semantic uncertainty quantification in language models via diversity-steered sampling

通过多样性引导采样实现语言模型中的高效语义不确定性量化

Ji Won Park, Kyunghyun Cho

机构 * Prescient Design, Genentech（普森设计，基因泰克） ； Center for Data Science, New York University（数据科学中心，纽约大学） 纠错

AI总结 本文提出一种多样性引导采样方法，通过注入语义相似性惩罚提升语言模型在问答任务中的不确定性估计效率，实现样本效率提升并覆盖更多语义簇。

Comments 10 pages (+7 appendix), 7 figures. Accepted at NeurIPS 2025

Logical Expressiveness of Graph Neural Networks with Hierarchical Node Individualization

具有层次节点个体化的图神经网络的逻辑表达性

Arie Soeteman, Balder ten Cate

AI总结 本文提出了一种具有层次节点个体化的图神经网络，通过理论分析和实验验证，展示了其在区分同构图方面的表达能力及实用性。

Comments Submitted to NeurIPS 2025, 28 pages, 5 figures

Self-supervised Learning of Echocardiographic Video Representations via Online Cluster Distillation

通过在线聚类蒸馏实现心电图视频的自监督学习

Divyanshu Mishra, Mohammadreza Salehi, Pramit Saha, Olga Patey, Aris T. Papageorghiou, Yuki M. Asano, J. Alison Noble

机构 * Department of Engineering Science, University of Oxford（工程科学系，牛津大学） ； Nuffield Department of Women’s and Reproductive Health, University of Oxford（妇女与生殖健康系，牛津大学） ； Fundamental AI Lab, University of Technology Nuremberg（基础人工智能实验室，纽伦堡技术大学） ； University of Amsterdam（阿姆斯特丹大学） 纠错

AI总结 DISCOVR通过在线聚类蒸馏实现心脏超声视频的自监督学习，结合时序动态和细粒度空间语义，提升临床任务性能。

Comments Accepted in NeurIPS 2025

Detecting High-Stakes Interactions with Activation Probes

通过激活探针检测高风险交互

Alex McKenzie, Urja Pawar, Phil Blandfort, William Bankes, David Krueger, Ekdeep Singh Lubana, Dmitrii Krasheninnikov

机构 * LASR Labs（LASR实验室） ； University College London（伦敦大学学院） ； MILA ； Harvard University（哈佛大学） ； NTT Research（NTT研究所） ； Goodfire ； University of Cambridge（剑桥大学） 纠错

AI总结 通过激活探针检测高风险交互，实现高效且资源敏感的监控系统

Comments Accepted at NeurIPS 2025

FlashMD: long-stride, universal prediction of molecular dynamics

FlashMD: 长步长、通用的分子动力学预测

Filippo Bigi, Sanggyu Chong, Agustinus Kristiadi, Michele Ceriotti

机构 * Institute of Materials（材料研究所） ； Ecole Polytechnique Fédérale de Lausanne（洛桑联邦理工学院） ； Department of Computer Science（计算机科学系） ； Vector Institute（向量研究所） 纠错

AI总结 FlashMD通过长步长预测分子动力学，实现高效模拟长时尺度的微观过程。

Comments NeurIPS 2025 (Spotlight)

SciArena: An Open Evaluation Platform for Non-Verifiable Scientific Literature-Grounded Tasks

SciArena: 一个用于非可验证科学文献基础任务的开放评估平台

Yilun Zhao, Kaiyan Zhang, Tiansheng Hu, Sihong Wu, Ronan Le Bras, Charles McGrady, Taira Anderson, Jonathan Bragg, Joseph Chee Chang, Jesse Dodge, Matt Latzke, Yixin Liu, Xiangru Tang, Zihang Wang, Chen Zhao, Hannaneh Hajishirzi, Doug Downey, Arman Cohan

AI总结 SciArena是一个开放平台，用于评估基础模型在科学文献基础任务上的表现，通过社区投票和元评估基准促进更可靠的自动评估方法研究。

Comments NeurIPS 2025 Datasets & Benchmarks Track (Spotlight)

Attention-Informed Surrogates for Navigating Power-Performance Trade-offs in HPC

基于注意力的替代方案用于在高性能计算中导航性能-功耗权衡

Ashna Nawar Ahmed, Banooqa Banday, Terry Jones, Tanzima Z. Islam

机构 * Texas State University（德克萨斯州立大学） ； Oak Ridge National Laboratory（奥本海默国家实验室） 纠错

AI总结 本文提出了一种基于注意力机制的替代方案辅助多目标贝叶斯优化框架，用于优化HPC调度中的性能与功耗权衡。

Comments 13 pages, 6 figures Published in MLForSys workshop in NeurIPS 2025 Link: https://openreview.net/forum?id=R0Vc9lnDd5

Agentic Persona Control and Task State Tracking for Realistic User Simulation in Interactive Scenarios

代理人格控制与任务状态跟踪用于交互场景中逼真用户模拟

Hareeshwar Karthikeyan

机构 * Toast Inc.（Toast公司） 纠错

AI总结 本文提出了一种多代理框架，通过人格控制和任务状态跟踪模拟逼真用户交互，实验表明其在任务完成和真实性方面优于单LLM基线。

Comments - Accepted to 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Workshop: Scaling Environments for Agents (SEA) - Paper contains 12 pages with 3 figures and 3 tables

MultiHuman-Testbench: Benchmarking Image Generation for Multiple Humans

MultiHuman-Testbench: 多人图像生成的基准测试

Shubhankar Borse, Seokeon Choi, Sunghyun Park, Jeongho Kim, Shreya Kadambi, Risheek Garrepalli, Sungrack Yun, Munawar Hayat, Fatih Porikli

机构 * Qualcomm AI Research（高通AI研究） 纠错

AI总结 MultiHuman-Testbench提出了一种多人类图像生成的基准测试，通过多指标评估提升ID相似性，为研究提供标准化工具。

Comments Accepted at the NeurIPS 2025 D&B Track

VIKI-R: Coordinating Embodied Multi-Agent Cooperation via Reinforcement Learning

VIKI-R: 通过强化学习协调具身多智能体合作

Li Kang, Xiufeng Song, Heng Zhou, Yiran Qin, Jie Yang, Xiaohong Liu, Philip Torr, Lei Bai, Zhenfei Yin

AI总结 VIKI-R通过强化学习协调多智能体合作，提出分层基准VIKI-Bench，显著提升多智能体视觉驱动合作性能。

Comments Accepted by NeurIPS 2025 Track on Datasets and Benchmarks. Project page: https://faceong.github.io/VIKI-R/

Boosting Generative Image Modeling via Joint Image-Feature Synthesis

通过联合图像-特征合成提升生成图像建模

Theodoros Kouzelis, Efstathios Karypidis, Ioannis Kakogeorgiou, Spyros Gidaris, Nikos Komodakis

机构 * Archimedes, Athena RC National Technical University of Athens（阿提卡RC机构，国家技术大学雅典） ； IIT, NCSR "Demokritos"（IIT，NCSR "德摩多罗斯"） ； University of Crete IACM-Forth（克里特大学IACM-第四研究机构） 纠错

AI总结 本文提出了一种联合图像-特征合成的生成图像建模框架，通过结合低级图像潜在和高级语义特征，提升生成质量和训练效率，并引入表征引导策略。

Comments NeurIPS 2025 (Spotlight)

Emergence and Evolution of Interpretable Concepts in Diffusion Models

扩散模型中可解释概念的涌现与演化

Berk Tinaz, Zalan Fabian, Mahdi Soltanolkotabi

机构 * Dept. of Electrical and Computer Engineering University of Southern California（电气与计算机工程系 美国南加州大学） 纠错

AI总结 本研究利用SAEs框架揭示扩散模型中可解释概念的涌现与演化，发现早期阶段可控制图像组成，中间阶段确定组成，后期仅能改变细节。

Comments 32 pages, 32 figures, published at the 39th Conference on Neural Information Processing Systems (NeurIPS), 2025

It's complicated. The relationship of algorithmic fairness and non-discrimination provisions for high-risk systems in the EU AI Act

这很复杂。欧盟人工智能法案中高风险系统中算法公平与非歧视规定的相互关系

Kristof Meding

机构 * University Tübingen（图宾根大学） ； CZS Institute for AI and Law Germany（德国人工智能与法律研究所） 纠错

AI总结 本文探讨欧盟人工智能法案中高风险系统中算法公平与非歧视规定的相互关系，分析两者之间的联系及未来可能的互动。

Comments Accepted at the Workshop on Regulatable ML at the 39th Conference on Neural Information Processing Systems (NeurIPS 2025). This version has been updated after acceptance

Thought of Search: Planning with Language Models Through The Lens of Efficiency

思考搜索：通过效率的视角进行语言模型规划

Michael Katz, Harsha Kokel, Kavitha Srinivas, Shirin Sohrabi

机构 * David S. Hippocampus Department of Computer Science（戴维·S·海马科斯学院计算机科学系） ； Cranberry-Lemon University（Cranberry-Lemon大学） ； IBM Research（IBM研究院） 纠错

AI总结 本文提出了一种高效且保持正确性和完备性的LLM规划方法，通过解决四个代表性搜索问题展示其有效性，并呼吁研究社区关注效率与正确性的平衡。

Comments Accepted at NeurIPS 2024, https://papers.nips.cc/paper_files/paper/2024/hash/fa080fe0f218871faec1d8ba20e491d5-Abstract-Conference.html

STEAD: Robust Provably Secure Linguistic Steganography with Diffusion Language Model

STEAD: 基于扩散语言模型的鲁棒可证明安全语言隐写术

Yuang Qi, Na Zhao, Qiyi Yao, Benlong Wu, Weiming Zhang, Nenghai Yu, Kejiang Chen

AI总结 STEAD利用扩散语言模型实现鲁棒且可证明安全的语言隐写术，通过部分并行生成和纠错策略提升隐写文本的抗篡改能力。

Comments NeurIPS 2025 poster

Does Object Binding Naturally Emerge in Large Pretrained Vision Transformers?

大规模预训练视觉变换器中物体绑定是否自然涌现？

Yihao Li, Saeed Salehi, Lyle Ungar, Konrad P. Kording

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Machine Learning Group, Technical University of Berlin（柏林技术大学机器学习小组） 纠错

AI总结 研究发现大规模预训练视觉变换器中自然涌现出物体绑定能力，通过分析ViT各层嵌入发现IsSameObject能有效引导注意力，挑战了ViTs缺乏物体绑定的传统观点。

Comments Accepted as a Spotlight at NeurIPS 2025

Composite Flow Matching for Reinforcement Learning with Shifted-Dynamics Data

用于具有偏移动态数据的强化学习的复合流匹配

Lingkai Kong, Haichuan Wang, Tonghan Wang, Guojun Xiong, Milind Tambe

机构 * School of Engineering and Applied Sciences（工程与应用科学学院） ； Harvard University（哈佛大学） 纠错

AI总结 CompFlow通过复合流匹配和最优传输理论，解决离线数据与在线动态不匹配的问题，提升强化学习样本效率。

Comments NeurIPS 2025 Spotlight

Enginuity: Building an Open Multi-Domain Dataset of Complex Engineering Diagrams

Enginuity：构建一个复杂的工程图多领域开放数据集

Ethan Seefried, Prahitha Movva, Naga Harshita Marupaka, Tilak Kasturi, Tirthankar Ghosal

机构 * Oak Ridge National Laboratory（奥克伍德国家实验室） 纠错

AI总结 Enginuity是一个开放的多领域工程图数据集，旨在通过结构注释帮助AI处理工程图解析和科学发现。

Comments Accepted at the 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Workshop: Ai4 Science

H-SPLID: HSIC-based Saliency Preserving Latent Information Decomposition

基于HSIC的显著性保持潜在信息分解

Lukas Miklautz, Chengzhi Shi, Andrii Shkabrii, Theodoros Thirimachos Davarakis, Prudence Lam, Claudia Plant, Jennifer Dy, Stratis Ioannidis

机构 * Department of Machine Learning and Systems Biology, Max Planck Institute of Biochemistry（机器学习与系统生物学系，马克斯·普朗克生物化学研究所） ； Northeastern University（东北大学） ； Faculty of Computer Science, University of Vienna（计算机科学系，维也纳大学） ； Doctoral School Computer Science, University of Vienna（计算机科学博士学院，维也纳大学） ； Research Network Data Science, University of Vienna（数据科学研究网络，维也纳大学） 纠错

AI总结 H-SPLID通过显式分解显著和非显著特征，提升任务相关特征学习的鲁棒性和信息保留能力。

Comments Accepted at NeurIPS 2025

Continual Knowledge Adaptation for Reinforcement Learning

持续知识适应于强化学习

Jinwu Hu, Zihao Lian, Zhiquan Wen, Chenghao Li, Guohao Chen, Xutao Wen, Bin Xiao, Mingkui Tan

机构 * South China University of Technology（南方科技大学） ； Pazhou Laboratory（Pazhou实验室） ； Chongqing University of Posts and Telecommunications（重庆邮电大学） ； Key Laboratory of Big Data and Intelligent Robot, Ministry of Education（大数据与智能机器人重点实验室，教育部） 纠错

AI总结 CKA-RL通过持续知识适应策略和自适应知识融合机制，有效解决强化学习中的灾难性遗忘问题，提升跨任务知识转移效率。

Comments NeurIPS 2025

EVOREFUSE: Evolutionary Prompt Optimization for Evaluation and Mitigation of LLM Over-Refusal to Pseudo-Malicious Instructions

EVOREFUSE: 进化提示优化用于评估和缓解大语言模型对伪恶意指令的过度拒绝

Xiaorui Wu, Fei Li, Xiaofeng Mao, Xin Zhang, Li Zheng, Yuxiang Peng, Chong Teng, Donghong Ji, Zhuang Li

机构 * Key Laboratory of Aerospace Information Security and Trusted Computing, Ministry of Education, School of Cyber Science and Engineering, Wuhan University（航天信息安全部门、教育部、武汉大学计算机科学与工程学院） ； Ant Group（蚂蚁集团） ； Ant International（蚂蚁国际） ； School of Computing Technologies, Royal Melbourne Institute of Technology（皇家墨尔本理工学院计算机技术学院） 纠错

AI总结 EVOREFUSE通过进化算法生成多样化伪恶意指令，提升LLM对恶意指令的拒绝触发率并减少过度拒绝

Comments NeurIPS 2025

Don't be lazy: CompleteP enables compute-efficient deep transformers

不要懒惰：CompleteP使深度变压器计算高效

Nolan Dey, Bin Claire Zhang, Lorenzo Noci, Mufan Li, Blake Bordelon, Shane Bergsma, Cengiz Pehlevan, Boris Hanin, Joel Hestness

机构 * Cerebras Systems（Cerebras系统） ； ETH Zurich（苏黎世联邦理工学院） ； Princeton University（普林斯顿大学） ； Harvard University（哈佛大学） ； Kempner Institute（凯普纳研究所） 纠错

AI总结 CompleteP通过实现深度-wise超参数转移和非懒惰学习，提升了深度变压器的计算效率，适用于更广泛的模型宽度/深度比和硬件环境。

Comments NeurIPS 2025. v4 fixes Table 1 typo to match AdamW eps to Equation 40

KeyDiff: Key Similarity-Based KV Cache Eviction for Long-Context LLM Inference in Resource-Constrained Environments

KeyDiff: 基于键相似性的KV缓存淘汰方法用于资源受限环境中的长上下文LLM推理

Junyoung Park, Dalton Jones, Matthew J Morse, Raghavv Goel, Mingu Lee, Chris Lott

机构 * Qualcomm AI Research（高通人工智能研究） 纠错

AI总结 KeyDiff是一种基于键相似性的KV缓存淘汰方法，能够在资源受限环境下高效处理长上下文LLM推理，减少缓存占用并提升响应效率。

Comments 37 pages, 19 figures, NeurIPS 2025

Manipulating Feature Visualizations with Gradient Slingshots

用梯度弹弓操控特征可视化

Dilyara Bareeva, Marina M. -C. Höhne, Alexander Warnecke, Lukas Pirch, Klaus-Robert Müller, Konrad Rieck, Sebastian Lapuschkin, Kirill Bykov

机构 * Fraunhofer Heinrich Hertz Institute（弗劳恩霍夫海因里希·赫兹研究所） ； UMI Lab, ATB Potsdam（UMI实验室，ATB波茨坦） ； University of Potsdam（波茨坦大学） ； BIFOLD（BIFOLD机构） ； Machine Learning and Security Group, TU Berlin（柏林技术大学机器学习与安全小组） ； Machine Learning Group, TU Berlin（柏林技术大学机器学习小组） ； Department of Artificial Intelligence, Korea University（韩国大学人工智能系） ； Max-Planck Institute for Informatics（马克斯·普朗克信息研究所） ； Centre of eXplainable Artificial Intelligence, TU Dublin（都柏林技术大学可解释人工智能中心） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心（MCML）） ； TU Munich（慕尼黑技术大学） 纠错

AI总结 本文提出梯度弹弓方法，通过操控特征可视化轨迹，实现对DNN特征解释的操控，揭示FV解释的可信度问题并提出防御措施。

Comments Accepted to NeurIPS 2025

Generative AI Agents for Controllable and Protected Content Creation

可控且受保护的内容生成的生成式AI代理

Haris Khan, Sadia Asif

AI总结 本文提出了一种多代理框架，通过整合可控内容生成和来源保护，解决生成式AI在可控性和内容保护方面的挑战。

Comments Accepted GenProCC NeurIPS 2025, Paper # 33

Journal ref GenProCC NeurIPS 2025, Paper # 33

Deep Legendre Transform

深度勒让德变换

Aleksey Minabutdinov, Patrick Cheridito

机构 * Center of Economic Research and RiskLab ETH Zurich（经济研究中心和风险实验室 ETH 瑞士 Zurich） ； Department of Mathematics and RiskLab ETH Zurich（数学系和风险实验室 ETH 瑞士 Zurich） 纠错

AI总结 本文提出了一种基于深度学习的算法，用于高效计算凸函数的凸共轭，并通过隐式芬谢尔公式实现精确估计。

Comments Accepted at NeurIPS 2025 (poster). NeurIPS page: https://neurips.cc/virtual/2025/loc/san-diego/poster/120307

Setting $\varepsilon$ is not the Issue in Differential Privacy

设定ε并非差分隐私的问题

Edwige Cyffers

机构 * Institute of Science and Technology Austria（奥地利科学技术学院） 纠错

AI总结 本文指出差分隐私中隐私预算的解释困难并非其本质问题，而是隐私风险评估的挑战，并主张应通过差分隐私框架或合理解释来解决。

Comments NeurIPS Position Paper track 2025

Part-Aware Bottom-Up Group Reasoning for Fine-Grained Social Interaction Detection

面向细粒度社交交互检测的部件感知自底向上分组推理

Dongkeun Kim, Minsu Cho, Suha Kwak

机构 * Pohang University of Science and Technology (POSTECH)（浦项科技大学） 纠错

AI总结 本文提出一种部件感知自底向上分组推理框架，用于细粒度社交交互检测，通过身体部件特征和人际关系推断社交群体，提升检测准确性。

Comments Accepted to NeurIPS 2025