NeurIPS

SAEMark: Steering Personalized Multilingual LLM Watermarks with Sparse Autoencoders

SAEMark: 通过稀疏自编码器引导个性化多语言大语言模型水印

Zhuohao Yu, Xingru Jiang, Weizheng Gu, Yidong Wang, Qingsong Wen, Shikun Zhang, Wei Ye

机构 * Peking University（北京大学） 纠错

AI总结 SAEMark通过稀疏自编码器实现多语言大语言模型的高效水印标记，无需修改模型参数，保持文本质量，适用于多种语言和领域。

Comments 24 pages, 12 figures, NeurIPS 2025, code available: https://zhuohaoyu.github.io/SAEMark

KARMA: Leveraging Multi-Agent LLMs for Automated Knowledge Graph Enrichment

KARMA：利用多智能体大语言模型实现知识图谱的自动化丰富

Yuxing Lu, Wei Wu, Xukai Zhao, Rui Peng, Jinzhuo Wang

机构 * Department of Big Data and Biomedical AI, Peking University（北京大学大数据与生物医学人工智能系） ； Wallace H. Coulter Department of Biomedical Engineering, Georgia Institute of Technology（佐治亚理工学院生物医学工程系） ； School of Architecture, Tsinghua University（清华大学建筑学院） 纠错

AI总结 KARMA通过多智能体大语言模型自动丰富知识图谱，有效识别新实体并提高正确性与一致性

Comments 24 pages, 3 figures, 2 tables

Journal ref Spotlight paper of NeurIPS 2025

ImageNet-trained CNNs are not biased towards texture: Revisiting feature reliance through controlled suppression

训练于ImageNet的CNN并非倾向于纹理：通过受控抑制重新审视特征依赖

Tom Burgert, Oliver Stoll, Paolo Rota, Begüm Demir

机构 * BIFOLD ； TU Berlin（柏林工业大学） ； University of Trento（特伦托大学） 纠错

AI总结 研究发现训练于ImageNet的CNN并非天生偏向纹理，但主要依赖局部形状特征，且可通过现代训练策略减少这种依赖。

Comments Accepted at NeurIPS 2025 (oral)

Let Me Think! A Long Chain-of-Thought Can Be Worth Exponentially Many Short Ones

让我思考！一个长的推理链可能比许多短的链多出指数倍

Parsa Mirtaheri, Ezra Edelman, Samy Jelassi, Eran Malach, Enric Boix-Adsera

机构 * UC San Diego（UC圣地亚哥大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Harvard University（哈佛大学） 纠错

AI总结 本文探讨了推理链扩展策略，证明在特定图连通性问题中顺序扩展比并行扩展更有效。

Comments Published at NeurIPS 2025

Orient Anything V2: Unifying Orientation and Rotation Understanding

Orient Anything V2：统一物体3D方向和旋转理解

Zehan Wang, Ziang Zhang, Jiayang Xu, Jialei Wang, Tianyu Pang, Chao Du, HengShuang Zhao, Zhou Zhao

机构 * Zhejiang University（浙江大学） ； Shanghai AI Lab（上海人工智能实验室） ； Sea AI Lab（海思人工智能实验室） ； The University of Hong Kong（香港大学） 纠错

AI总结 Orient Anything V2通过四个创新提升，实现了对物体3D方向和旋转的统一理解，显著提升了零样本性能和泛化能力。

Comments NeurIPS 2025 Spotlight, Repo: https://github.com/SpatialVision/Orient-Anything-V2

Adaptive Online Emulation for Accelerating Complex Physical Simulations

自适应在线模拟用于加速复杂物理模拟

Tara P. A. Tahseen, Nikolaos Nikolaou, Luís F. Simões, Kai Hou Yip, João M. Mendonça, Ingo P. Waldmann

AI总结 本文提出自适应在线模拟方法AOE，通过动态学习神经网络替代模型，显著加速复杂物理模拟，实现在高保真度模拟中的高效计算。

Comments Accepted to NeurIPS 2025 workshop on Machine Learning and the Physical Sciences

The Computational Complexity of Counting Linear Regions in ReLU Neural Networks

ReLU神经网络中计算线性区域的计算复杂性

Moritz Stargalla, Christoph Hertrich, Daniel Reichman

机构 * University of Technology Nuremberg（图恩堡技术大学） ； Worcester Polytechnic Institute（沃思菲技术学院） 纠错

AI总结 本文研究了ReLU神经网络中线性区域计数的计算复杂性，证明了该问题在不同隐藏层结构下的NP-和#P难性，并展示了某些定义下的多项式空间算法。

Comments 26 pages, 6 figures, paper accepted at NeurIPS 2025. v3: Update to Fig. 1

BlurDM: A Blur Diffusion Model for Image Deblurring

BlurDM: 一种用于图像去模糊的模糊扩散模型

Jin-Ting He, Fu-Jen Tsai, Yan-Tsung Peng, Min-Hung Chen, Chia-Wen Lin, Yen-Yu Lin

机构 * National Yang Ming Chiao Tung University（国家阳明交通大学） ； National Tsing Hua University（国立清华大学） ； National Chengchi University（国立成功大学） ； NVIDIA（英伟达） 纠错

AI总结 BlurDM通过双扩散方案整合模糊形成过程，实现图像去模糊，提升去模糊效果。

Comments NeurIPS 2025. Project Page: https://jin-ting-he.github.io/BlurDM/

ReinFlow: Fine-tuning Flow Matching Policy with Online Reinforcement Learning

ReinFlow：基于在线强化学习的流匹配策略微调

Tonghe Zhang, Chao Yu, Sichang Su, Yu Wang

AI总结 ReinFlow通过在线强化学习微调流匹配策略，提升连续机器人控制性能，实现高效去噪与训练稳定性。

Comments 38 pages

Journal ref Published in The Thirty-Ninth Annual Conference on Neural Information Processing Systems, 2025

Breaking AR's Sampling Bottleneck: Provable Acceleration via Diffusion Language Models

突破生成模型的采样瓶颈：通过扩散语言模型实现可证明的加速

Gen Li, Changxiao Cai

机构 * Department of Statistics and Data Science, Chinese University of Hong Kong, Hong Kong（统计与数据科学系，香港中文大学） ； Department of Industrial and Operations Engineering, University of Michigan, Ann Arbor, USA（工业与运营管理系，密歇根大学） 纠错

AI总结 本文从信息论角度为扩散语言模型提供收敛保证，证明采样误差随迭代次数减少而降低，从而突破自回归模型所需的L步瓶颈，为生成高质量样本提供理论支持。

Comments This is the full version of a paper published at NeurIPS 2025

Faster Differentially Private Top-$k$ Selection: A Joint Exponential Mechanism with Pruning

更快的差分隐私Top-k选择：一种联合指数机制与剪枝

Hao WU, Hanwen Zhang

AI总结 本文提出了一种更高效的差分隐私Top-k选择算法，通过联合指数机制与剪枝技术，在保证隐私的前提下提升计算效率。

Comments NeurIPS 2024

Do LLMs Benefit from User and Item Embeddings in Recommendation Tasks?

在推荐任务中，大语言模型是否受益于用户和物品嵌入？

Mir Rayat Imtiaz Hossain, Leo Feng, Leonid Sigal, Mohamed Osama Ahmed

机构 * University of British Columbia（不列颠哥伦比亚大学） ； RBC Borealis 纠错

AI总结 本文提出通过投影用户和物品嵌入到LLM token空间，提升推荐性能，实现传统推荐系统与LLM的结合。

Comments Presented in Multimodal Algorithmic Reasoning Workshop at NeurIPS 2025

3D-Agent:Tri-Modal Multi-Agent Collaboration for Scalable 3D Object Annotation

3D-Agent：三模态多智能体协作用于可扩展的3D物体标注

Jusheng Zhang, Yijia Fan, Zimo Wen, Jian Wang, Keze Wang

机构 * Sun Yat-sen University（中山大学） ； Shanghai Jiao Tong University（上海交通大学） ； Snap Inc.（Snap公司） 纠错

AI总结 Tri MARF通过三模态多智能体协作提升大规模3D物体标注效率与精度

Comments Accepted at NeurIPS 2025

Collective Narrative Grounding: Community-Coordinated Data Contributions to Improve Local AI Systems

集体叙事 grounding：社区协调的数据贡献以改进本地 AI 系统

Zihan Gao, Mohsin Y. K. Yousufi, Jacob Thebault-Spieker

机构 * Information Science University of Wisconsin-Madison（信息科学大学威斯康星大学麦迪逊分校） ； Digital Media Georgia Tech（数字媒体佐治亚理工学院） 纠错

AI总结 本文提出集体叙事 grounding 协议，通过社区协调的数据贡献，改进本地 AI 系统，解决社区特定查询的问答问题。

Comments 9 pages, 2 figures, Presented at the NeurIPS 2025 ACA Workshop accepted-papers.html" target="_blank" rel="noopener">https://acaworkshop.github.io/accepted-papers.html,

DermaCon-IN: A Multi-concept Annotated Dermatological Image Dataset of Indian Skin Disorders for Clinical AI Research

DermaCon-IN：一个包含印度皮肤疾病多概念标注的皮肤病图像数据集，用于临床AI研究

Shanawaj S Madarkar, Mahajabeen Madarkar, Madhumitha Venkatesh, Deepanshu Bansal, Teli Prakash, Konda Reddy Mopuri, Vinaykumar MV, KVL Sathwika, Adarsh Kasturi, Gandla Dilip Raj, PVN Supranitha, Harsh Udai

机构 * Department of Artificial Intelligence, Indian Institute of Technology Hyderabad, India（人工智能系，印度理工学院海得拉巴学院，印度） ； Indian Navy（印度海军） ； Department of Dermatology, S R Patil Medical College, India（皮肤科系，S R Patil医学院，印度） ； Department of Dermatology, S Nijalingappa Medical College, India（皮肤科系，S Nijalingappa医学院，印度） ； Department of Dermatology, Sri Chamundeshwari Medical College, Hospital & Research, India（皮肤科系，Sri Chamundeshwari医学院，医院及研究，印度） ； Indian Institute of Technology Hyderabad, India（印度理工学院海得拉巴学院，印度） 纠错

AI总结 DermaCon-IN是一个包含印度皮肤疾病多概念标注的皮肤病图像数据集，用于临床AI研究，旨在提供可扩展且具有代表性的基础，推动皮肤病AI的发展。

Comments Accepted at NeurIPS 2025 (D&B Track)

Exploring the limits of strong membership inference attacks on large language models

探索对大型语言模型的强大成员推断攻击的极限

Jamie Hayes, Ilia Shumailov, Christopher A. Choquette-Choo, Matthew Jagielski, George Kaissis, Milad Nasr, Sahra Ghalebikesabi, Meenatchi Sundaram Mutu Selva Annamalai, Niloofar Mireshghallah, Igor Shilov, Matthieu Meeus, Yves-Alexandre de Montjoye, Katherine Lee, Franziska Boenisch, Adam Dziedzic, A. Feder Cooper

机构 * Google DeepMind（谷歌DeepMind） ； University College London（伦敦大学学院） ； University of Washington（华盛顿大学） ； Imperial College London（伦敦帝国学院） ； CISPA Helmholtz Center for Information Security（信息安全赫尔姆霍兹中心） ； Stanford University（斯坦福大学） ； Microsoft Research（微软研究院） 纠错

AI总结 本研究通过扩展LiRA攻击至GPT-2模型，揭示了强成员推断攻击在大型语言模型上的有效性及局限性，发现其在实际应用中仍存在显著的AUC限制和决策不稳定问题。

Comments NeurIPS 2025

U-REPA: Aligning Diffusion U-Nets to ViTs

U-REPA: 对齐扩散U-Net与ViT

Yuchuan Tian, Hanting Chen, Mengyu Zheng, Yuchen Liang, Chao Xu, Yunhe Wang

机构 * State Key Lab of General AI, School of Intelligence Science and Technology, Peking University（人工智能通用基础理论国家重点实验室，智能科学与技术学院，北京大学） ； Huawei Noah’s Ark Lab（华为诺亚实验室） ； The University of Sydney（悉尼大学） ； School of Mathematical Sciences, Peking University（数学科学学院，北京大学） 纠错

AI总结 U-REPA通过改进的表示对齐方法，提升扩散模型在U-Net架构中的生成质量和收敛速度。

Comments 22 pages, 8 figures

Journal ref NeurIPS 2025

Jailbreak-Zero: A Path to Pareto Optimal Red Teaming for Large Language Models

Jailbreak-Zero：大型语言模型安全评估的帕累托最优渗透测试路径

Kai Hu, Abhinav Aggarwal, Mehran Khodabandeh, David Zhang, Eric Hsin, Li Chen, Ankit Jain, Matt Fredrikson, Akash Bharadwaj

机构 * Meta Superintelligence Labs（Meta超智能实验室） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 Jailbreak-Zero通过生成多样化对抗性提示并微调攻击模型，实现了LLM安全评估的帕累托最优，提高了攻击成功率并减少了人工干预需求。

Comments Socially Responsible and Trustworthy Foundation Models at NeurIPS 2025

Table as a Modality for Large Language Models

表格作为大语言模型的一种模态

Liyao Li, Chao Ye, Wentao Ye, Yifei Sun, Zhe Jiang, Haobo Wang, Jiaming Tian, Yiming Zhang, Ningtao Wang, Xing Fu, Gang Chen, Junbo Zhao

机构 * Zhejiang University（浙江大学） ； Ant Group（蚂蚁集团） ； University of Michigan（密歇根大学） 纠错

AI总结 TAMO通过将表格视为独立模态，结合文本令牌，提升大语言模型对表格数据的推理能力。

Comments Accepted to NeurIPS 2025

Attractive Metadata Attack: Inducing LLM Agents to Invoke Malicious Tools

吸引性元数据攻击：诱导LLM代理调用恶意工具

Kanghua Mo, Li Hu, Yucheng Long, Zhihao Li

机构 * Cyberspace Institute of Advanced Technology, Guangzhou University（广州大学网络空间研究院） ； Department of Electrical and Electronic Engineering, The Hong Kong Polytechnic University（香港理工大学电子与电气工程系） 纠错

AI总结 本研究提出AMA攻击，通过操纵工具元数据诱导LLM代理调用恶意工具，揭示了系统性安全漏洞。

Comments Accepted to NeurIPS 2025

Beyond Chemical QA: Evaluating LLM's Chemical Reasoning with Modular Chemical Operations

超越化学问答：利用模块化化学操作评估LLM的化学推理

Hao Li, He Cao, Bin Feng, Yanjun Shao, Xiangru Tang, Zhiyuan Yan, Li Yuan, Yonghong Tian, Yu Li

机构 * Pengcheng Laboratory（鹏城实验室） ； International Digital Economy Academy（国际数字经济学院） ； School of Electronic and Computer Engineering, Peking University（北京大学电子与计算机工程学院） ； School of AI for Science, Peking University（北京大学科学人工智能学院） ； Yale University（耶鲁大学） 纠错

AI总结 本文提出ChemCoTBench框架，通过模块化化学操作评估LLM在化学推理中的能力，解决分子优化和反应预测等复杂任务。

Comments Accepted by NeurIPS 2025 Dataset Track, 22 pages, 10 figures

Point Cloud Synthesis Using Inner Product Transforms

利用内积变换进行点云合成

Ernst Röell, Bastian Rieck

机构 * AIDOS Lab, University of Fribourg（AIDOS实验室，弗里堡大学） ； Institute of AI for Health, Helmholtz Munich（健康人工智能研究所，海德堡慕尼黑） ； Technical University of Munich（慕尼黑技术大学） 纠错

AI总结 本文提出了一种利用内积变换编码点云几何-拓扑特性，实现高效且高质量点云合成的方法。

Comments Accepted at the 39th Conference on Neural Information Processing Systems (NeurIPS) 2025. Our code is available at https://github.com/aidos-lab/inner-product-transforms

Instructor-inspired Machine Learning for Robust Molecular Property Prediction

受指导的机器学习用于鲁棒分子性质预测

Fang Wu, Shuting Jin, Siyuan Li, Stan Z. Li

机构 * Computer Science Department, Stanford University（斯坦福大学计算机科学系） ； School of Computer Science and Technology, Wuhan University of Science and Technology（武汉科技大学计算机科学与技术学院） ； School of Engineering, Westlake University（西湖大学工程学院） 纠错

AI总结 InstructMol通过指导学习方法提升分子性质预测的鲁棒性，有效利用大规模未标记数据提高预测准确性。

Journal ref NeurIPS 2024

Stroke Patches: Customizable Artistic Image Styling Using Regression

笔触补丁：通过回归实现可定制的艺术图像风格化

Ian Jaffray, John Bronskill

AI总结 本文提出了一种基于回归的图像风格化方法，通过可扩展的笔触补丁集实现对图像风格的定制化控制。

Journal ref 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Creative AI Track

Learning with Statistical Equality Constraints

基于统计等式约束的学习

Aneesh Barthakur, Luiz F. O. Chamon

机构 * University of Stuttgart（斯图加特大学） ； École polytechnique, Institut Polytechnique de Paris（巴黎高等理工学院） 纠错

AI总结 本文提出了一种基于等式约束的统计学习方法，通过推导泛化理论并设计实用算法，提升了公平学习、插值分类器和边界值问题的性能。

Comments Published in the 39th Annual Conference on Neural Information Processing Systems

DisCO: Reinforcing Large Reasoning Models with Discriminative Constrained Optimization

DisCO：通过判别约束优化强化大推理模型

Gang Li, Ming Lin, Tomer Galanti, Zhengzhong Tu, Tianbao Yang

机构 * Texas A&M University（德克萨斯A&M大学） 纠错

AI总结 DisCO通过判别约束优化方法，有效解决大推理模型中的难度偏差和熵不稳定性，显著提升数学推理能力。

Comments Accepted to NeurIPS 2025

Intervene-All-Paths: Unified Mitigation of LVLM Hallucinations across Alignment Formats

干预所有路径：统一缓解跨对齐格式的大型视觉-语言模型幻觉

Jiaye Qian, Ge Zheng, Yuchen Zhu, Sibei Yang

机构 * School of Computer Science and Engineering, Sun Yat-sen University（中山大学计算机科学与工程学院） ； ShanghaiTech University（上海科技大学） 纠错

AI总结 本文提出一种统一干预框架，通过分析不同路径间的相互作用，有效缓解跨对齐格式的LVLM幻觉问题。

Comments Accepted to NeurIPS 2025, Project Page: https://github.com/SooLab/AllPath

Compositional Monte Carlo Tree Diffusion for Extendable Planning

组合蒙特卡洛树扩散用于可扩展规划

Jaesik Yoon, Hyeonseo Cho, Sungjin Ahn

机构 * KAIST（韩国科学技术院） ； SAP（SAP公司） ； NYU（纽约大学） 纠错

AI总结 C-MCTD通过引入三个互补组件，将规划从单轨迹优化提升到完整计划组合推理，实现更高效和可扩展的规划方法。

Comments 24 pages, 4 figures, NeurIPS 25 Spotlight

Compositional Discrete Latent Code for High Fidelity, Productive Diffusion Models

组合式离散潜在代码用于高保真、高效的扩散模型

Samuel Lavoie, Michael Noukhovitch, Aaron Courville

机构 * Mila, Université de Montréal（蒙特利尔大学） 纠错

AI总结 本文提出离散潜在代码（DLC）以提升扩散模型的生成保真度，通过组合性实现分布外样本生成，并展示其在图像生成和文本到图像生成中的应用。

Comments Published at NeurIPS, 22 pages, 7 tables, 12 figures, code and models available

MIRAGE: A Benchmark for Multimodal Information-Seeking and Reasoning in Agricultural Expert-Guided Conversations

MIRAGE：农业专家引导对话中多模态信息检索与推理的基准

Vardhan Dongre, Chi Gui, Shubham Garg, Hooshang Nayyeri, Gokhan Tur, Dilek Hakkani-Tür, Vikram S. Adve

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Amazon（亚马逊） 纠错

AI总结 MIRAGE是一个用于农业专家引导对话中多模态信息检索与推理的基准，通过真实用户-专家交互数据，提供高保真的多模态推理评估平台。

Comments Accepted to NeurIPS 2025