NeurIPS

Cost-aware LLM-based Online Dataset Annotation

面向成本的基于大语言模型的在线数据集标注

Eray Can Elumar, Cem Tekin, Osman Yagan

机构 * Dept. of Electrical and Computer Engineering（电气与计算机工程系） ； Carnegie Mellon University（卡内基梅隆大学） ； Dept. of Electrical Engineering（电气工程系） ； Bilkent University（比尔肯特大学） 纠错

AI总结 本文提出CaMVo框架，通过自适应选择LLM子集降低标注成本，实现高效准确的数据集标注。

Journal ref In The Thirty-ninth Annual Conference on Neural Information Processing Systems, 2025. URL https://openreview.net/forum?id=3AdTRYA2uJ

M-GRPO: Stabilizing Self-Supervised Reinforcement Learning for Large Language Models with Momentum-Anchored Policy Optimization

M-GRPO：通过动量锚定策略优化稳定大语言模型的自监督强化学习

Bizhe Bai, Hongming Wu, Peng Ye, Tao Chen

机构 * Shanghai Innovation Institute（上海创新研究院） ； College of Future Information Technology, Fudan（复旦大学未来信息技术学院） ； Shanghai AI Laboratory（上海人工智能实验室） ； The Chinese University of Hong Kong（香港中文大学） 纠错

AI总结 M-GRPO通过动量锚定策略优化和IQR过滤方法，稳定大语言模型的自监督强化学习训练，提升训练稳定性和性能。

Comments 7 pages, 5 figures,Accepted NeurIPS 2025 Workshop on Efficient Reasoning

LLM Rationalis? Measuring Bargaining Capabilities of AI Negotiators

LLM Rationalis? 测量AI谈判者的协商能力

Cheril Shah, Akshit Agarwal, Kanak Garg, Mourad Heddaya

AI总结 本文研究了AI谈判者的协商能力，发现LLMs在谈判中系统性地锚定在极端位置，缺乏策略多样性，且协商能力不随模型改进而提升。

Comments Published in the First Workshop on Multi-Turn Interactions in Large Language Models at Neurips 2025

An Open and Reproducible Deep Research Agent for Long-Form Question Answering

一个开放且可重复的深度研究代理用于长格式问答

Ikuya Yamada, Wataru Ikeda, Ko Yoshida, Mengyu Ye, Hinata Sugimoto, Masatoshi Suzuki, Hisanori Ozaki, Jun Suzuki

机构 * Studio Ousia（Ousia工作室） ； Tohoku University（东京大学） ； DENTSU SOKEN INC.（DENTSU SOKEN公司） ； RIKEN（日本学术振兴会） ； NII LLMC（日本信息处理学会LLMC） 纠错

AI总结 该研究提出一个开放的深度研究代理，结合开源大语言模型和网络搜索API，通过偏好微调提升长格式问答的推理质量。

Comments Technical report of a winning system in the NeurIPS MMU-RAG competition

PAC-Bayes Bounds for Multivariate Linear Regression and Linear Autoencoders

多变量线性回归与线性自编码器的PAC-Bayes界

Ruixin Guo, Ruoming Jin, Xinyu Li, Yang Zhou

机构 * Kent State University（肯特州立大学） ； Auburn University（阿伯丁大学） 纠错

AI总结 本文提出多变量线性回归和线性自编码器的PAC-Bayes界，通过理论分析提升计算效率，并验证其在推荐系统中的有效性。

Comments Accepted at NeurIPS 2025 (https://openreview.net/forum?id=S1zkFSby8G)

Multi-Trajectory Physics-Informed Neural Networks for HJB Equations with Hard-Zero Terminal Inventory: Optimal Execution on Synthetic & SPY Data

多轨迹物理信息神经网络用于带有硬零终端库存的HJB方程：在合成数据和SPY数据上的最优执行

Anthime Valin

AI总结 本文提出多轨迹PINN用于解决带有硬零终端库存约束的HJB方程，通过引入轨迹损失和终端惩罚来确保零终端库存，并在合成数据和SPY数据上实现了更优的交易执行效果。

Comments 24 pages, 19 figures. Accepted to the NeurIPS 2025 Workshop on Generative AI in Finance

Efficient Vision-Language Reasoning via Adaptive Token Pruning

通过自适应令牌修剪实现高效的视觉语言推理

Xue Li, Xiaonan Song, Henry Hu

机构 * Scholar42（学者42） ； InfiniPouch LLC（InfiniPouch公司） ； Labelbox, Inc.（Labelbox公司） 纠错

AI总结 本研究提出自适应令牌修剪方法，通过动态保留关键令牌提升视觉语言模型的推理效率和稳定性，减少计算量并保持精度。

Comments 10 pages, 3 figures. Expanded version of an extended abstract accepted at NeurIPS 2025 Workshop on VLM4RWD. Presents methodology and preliminary experimental results

Dynamical modeling of nonlinear latent factors in multiscale neural activity with real-time inference

多尺度神经活动中非线性潜在因子的动力学建模

Eray Erturk, Maryam M. Shanechi

机构 * Department of Electrical and Computer Engineering（电气与计算机工程系） ； University of Southern California（南加州大学） ； Department of Computer Science（计算机科学系） ； Department of Biomedical Engineering（生物医学工程系） ； Neuroscience Graduate Program（神经科学研究生项目） 纠错

AI总结 本研究提出了一种多尺度动态框架，用于实时解码多模态神经活动，通过非线性聚合不同时间尺度和分布的数据以提升解码性能。

Comments Published at the 39th Annual Conference on Neural Information Processing Systems 2025. Code is available at https://github.com/ShanechiLab/mrine

Journal ref NeurIPS 2025

Cross-Modal Representational Knowledge Distillation for Enhanced Spike-Informed LFP Modeling

跨模态表征知识蒸馏用于增强基于尖峰的LFP建模

Eray Erturk, Saba Hashemi, Maryam M. Shanechi

机构 * Ming Hsieh Department of Electrical and Computer Engineering（明希斯电气与计算机工程系） ； Thomas Lord Department of Computer Science（托马斯·劳德计算机科学系） ； Alfred E. Mann Department of Biomedical Engineering（阿尔弗雷德·E·曼生物医学工程系） ； Neuroscience Graduate Program University of Southern California（神经科学研究生项目美国南加州大学） 纠错

AI总结 本文提出跨模态知识蒸馏框架，通过将预训练的尖峰模型知识转移至LFP模型，提升LFP建模的准确性和泛化能力。

Comments Published at the 39th Annual Conference on Neural Information Processing Systems 2025. Code is available at https://github.com/ShanechiLab/CrossModalDistillation

Journal ref NeurIPS 2025

MetaTPT: Meta Test-time Prompt Tuning for Vision-Language Models

MetaTPT: 用于视觉-语言模型的元测试时间提示微调

Yuqing Lei, Yingjun Du, Yawen Huang, Xiantong Zhen, Ling Shao

机构 * UCAS-Terminus AI Lab, University of Chinese Academic of Sciences（中国科学院大学Terminus AI实验室，中国科学院大学） ； AIM Lab, University of Amsterdam（阿姆斯特丹大学AIM实验室） ； Jarvis Research Center, Tencent Youtu Lab（腾讯优图实验室 Jarvis 研究中心） ； Central Research Institue, United Imaging Healthcare Co., Ltd（联合影像医疗科技有限公司中央研究所） 纠错

AI总结 MetaTPT通过元学习框架结合自监督任务和提示微调，提升视觉-语言模型在领域偏移下的测试时间适应性，实现领域泛化和跨数据集的高性能表现。

Comments NeurIPS 2025 Workshop

De novo generation of functional terpene synthases using TpsGPT

利用 TpsGPT 从头设计功能性萜类合成酶

Hamsini Ramanathan, Roman Bushuiev, Matouš Soldát, Jirí Kohout, Téo Hebra, Joshua David Smith, Josef Sivic, Tomáš Pluskal

机构 * Seattle Academy of Arts and Sciences (SAAS)（西雅图艺术与科学学院） ； Czech Institute of Informatics, Robotics and Cybernetics (CIIRC)（捷克信息学、机器人学与自动控制研究所） ； Czech Technical University（捷克技术大学） 纠错

AI总结 TpsGPT 通过微调蛋白质语言模型生成功能性萜类合成酶，验证了从头设计酶的可行性。

Comments 11 pages, 8 figures, Accepted at the NeurIPS 2025 AI for Science and Machine Learning for Structural Biology 2025 workshops Fixed incorrect threshold in Fig 1

nnterp: A Standardized Interface for Mechanistic Interpretability of Transformers

nnterp: 一种用于Transformer机制可解释性的标准化接口

Clément Dumas

机构 * MATS, École Normale Supérieure Paris-Saclay, Université Paris-Saclay（MATS，巴黎-萨克雷高等师范学院，巴黎-萨克雷大学） 纠错

AI总结 nnterp提供一种标准化接口，使研究者能够统一分析不同架构的Transformer模型，同时保留原始实现并支持多种可解释性方法。

Comments 7 pages, 1 figure, accepted at the mechanistic interpretability workshop of NeurIPS 2025

Informed Initialization for Bayesian Optimization and Active Learning

基于信息的初始化用于贝叶斯优化和主动学习

Carl Hvarfner, David Eriksson, Eytan Bakshy, Max Balandat

机构 * Meta 纠错

AI总结 HIPE是一种基于信息的初始化策略，通过平衡预测不确定性减少与超参数学习，提升贝叶斯优化和主动学习的性能。

Comments 28 pages

Journal ref NeurIPS 2025

FlareX: A Physics-Informed Dataset for Lens Flare Removal via 2D Synthesis and 3D Rendering

FlareX: 一种基于物理的镜头 flare 去除数据集 via 2D 合成和 3D 渲染

Lishen Qu, Zhihao Liu, Jinshan Pan, Shihao Zhou, Jinglei Shi, Duosheng Chen, Jufeng Yang

机构 * Nankai International Advanced Research Institute (SHENZHEN·FUTIAN)（南开国际先进研究院（深圳·福田）） ； Peng Cheng Laboratory（鹏城实验室） ； College of Computer Science, Nankai University（南开大学计算机学院） ； Nanjing University of Science and Technology（南京理工大学） ； Key Lab of SCCI, Dalian University of Technology（大连理工大学SCCI重点实验室） 纠错

AI总结 FlareX 通过结合 2D 合成和 3D 渲染，生成了一个包含 9,500 个 2D 模板和 3,000 个 3D 场景图像对的基于物理的镜头 flare 去除数据集。

Comments Accepted by NeurIPS 2025

TC-LoRA: Temporally Modulated Conditional LoRA for Adaptive Diffusion Control

TC-LoRA: 基于时间调节的条件LoRA用于自适应扩散控制

Minkyoung Cho, Ruben Ohana, Christian Jacobsen, Adityan Jothi, Min-Hung Chen, Z. Morley Mao, Ethem Can

机构 * University of Michigan（密歇根大学） ； NVIDIA（英伟达） 纠错

AI总结 TC-LoRA通过动态调整模型权重实现自适应扩散控制，提升生成保真度和空间条件符合性。

Comments Project Page: https://minkyoungcho.github.io/tc-lora/; NeurIPS 2025 Workshop on SPACE in Vision, Language, and Embodied AI (SpaVLE); 10 pages

Stealthy Yet Effective: Distribution-Preserving Backdoor Attacks on Graph Classification

隐秘而有效的：图分类中的分布保持后门攻击

Xiaobao Wang, Ruoxiao Sun, Yujun Zhang, Bingdao Feng, Dongxiao He, Luzhi Wang, Di Jin

机构 * College of Intelligence and Computing, Tianjin University, Tianjin, China（天津大学智能与计算学院） ； Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ), Shenzhen, China（广东人工智能与数字经济实验室（深圳）） ； College of Artificial Intelligence, Dalian Maritime University, Dalian, China（大连海事大学人工智能学院） 纠错

AI总结 DPSBA通过对抗训练和异常感知判别器，有效抑制图分类中结构和语义异常，实现高攻击成功率和隐蔽性，优于现有方法。

Comments Accepted by NeurIPS 2025

Mamba Modulation: On the Length Generalization of Mamba

Mamba 调制：关于 Mamba 的长度泛化

Peng Lu, Jerry Huang, Qiuhao Zeng, Xinyu Wang, Boxing Chen, Philippe Langlais, Yufei Cui

机构 * Université de Montréal（蒙特利尔大学） ； Mila - Quebec AI Institute（魁北克人工智能研究所） ； Western University（温莎大学） ； McGill University（麦吉尔大学） ； Noah’s Ark Lab（诺亚实验室） 纠错

AI总结 Mamba 调制通过调整状态转移矩阵的谱，提升长上下文泛化能力，解决其对上下文长度扩展的敏感性问题。

Comments Accepted to The Thirty-Ninth Annual Conference on Neural Information Processing Systems (NeurIPS) 2025. First two authors contributed equally

SoMi-ToM: Evaluating Multi-Perspective Theory of Mind in Embodied Social Interactions

SoMi-ToM：评估具身社会互动中的多视角理论之心假设

Xianzhe Fan, Xuhui Zhou, Chuanyang Jin, Kolby Nottingham, Hao Zhu, Maarten Sap

机构 * The University of Hong Kong（香港大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Johns Hopkins University（约翰霍普金斯大学） ； University of California Irvine（加州大学尔湾分校） ； Stanford University（斯坦福大学） 纠错

AI总结 SoMi-ToM基准通过多视角评估人类与模型在具身社会互动中的理论之心能力，揭示大型视觉-语言模型在复杂社交场景中的不足。

Comments 24 pages, 6 figures

Journal ref Proceedings of the 39th Conference on Neural Information Processing Systems (NeurIPS 2025)

Solving Inequality Proofs with Large Language Models

用大语言模型解决不等式证明

Pan Lu, Jiayi Sheng, Luna Lyu, Jikai Jin, Tony Xia, Alex Gu, James Zou

机构 * Stanford University（斯坦福大学） ； UC Berkeley（伯克利大学） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本文提出了一种非正式但可验证的任务公式化方法，通过IneqMath数据集和LLM-as-judge评估框架，揭示了大语言模型在解决不等式证明任务中的局限性及改进方向。

Comments 50 pages, 24 figures, accepted as a Spotlight at NeurIPS 2025

Improving Time Series Forecasting via Instance-aware Post-hoc Revision

通过实例感知的后处理修正提升时间序列预测

Zhiding Liu, Mingyue Cheng, Guanhao Zhao, Jiqian Yang, Qi Liu, Enhong Chen

机构 * State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China（认知智能国家重点实验室，中国科学技术大学） 纠错

AI总结 本文提出PIR框架，通过后处理修正提升时间序列预测的实例可靠性。

Comments Accepted by NeurIPS 2025 as a poster

Parallelization of Non-linear State-Space Models: Scaling Up Liquid-Resistance Liquid-Capacitance Networks for Efficient Sequence Modeling

非线性状态空间模型的并行化：扩展液阻液容网络以实现高效序列建模

Mónika Farsang, Ramin Hasani, Daniela Rus, Radu Grosu

AI总结 LrcSSM通过并行化非线性状态空间模型，实现了高效长序列处理，提供梯度稳定性保障，并在长距离预测任务中优于多种现有模型。

Comments NeurIPS 2025

Leveraging Importance Sampling to Detach Alignment Modules from Large Language Models

利用重要性采样将对齐模块从大语言模型中分离出来

Yi Liu, Dianqing Liu, Mingye Zhu, Junbo Guo, Yongdong Zhang, Zhendong Mao

机构 * State Key Laboratory of Communication Content Cognition, People’s Daily Online（通信内容认知国家重点实验室，人民在线） ； University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 本文提出残差对齐模型（RAM），通过重要性采样将对齐模块与大语言模型分离，提升灵活性和可扩展性，并在多种任务上优于基线模型。

Comments Accepted by NeurIPS 2025, 28 pages

Learning to Integrate Diffusion ODEs by Averaging the Derivatives

通过平均导数学习整合扩散ODEs

Wenze Liu, Xiangyu Yue

机构 * MMLab, The Chinese University of Hong Kong（中国香港大学） 纠错

AI总结 本文提出割线损失方法，通过学习ODE整合来提升扩散模型的推断速度和稳定性，实验表明其在CIFAR-10和ImageNet-256×256上取得良好效果。

Comments Accepted to NeurIPS 2025

FastVID: Dynamic Density Pruning for Fast Video Large Language Models

FastVID: 动态密度修剪用于快速视频大语言模型

Leqi Shen, Guoqiang Gong, Tao He, Yifeng Zhang, Pengzhang Liu, Sicheng Zhao, Guiguang Ding

机构 * School of Software, Tsinghua University（清华大学软件学院） ； BNRist, Tsinghua University（清华大学BNRist） ； GRG Banking Equipment Co., Ltd.（GRG银行设备有限公司） 纠错

AI总结 FastVID通过动态密度修剪技术，显著降低视频大语言模型的计算开销，同时保持高准确性，实现高效的视频处理性能。

Comments NeurIPS 2025

RobustMerge: Parameter-Efficient Model Merging for MLLMs with Direction Robustness

RobustMerge: 用于MLLMs的参数高效模型合并的鲁棒性

Fanhu Zeng, Haiyang Guo, Fei Zhu, Li Shen, Hao Tang

机构 * MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所MAIS） ； Centre for Artificial Intelligence and Robotics, HKISI-CAS（香港科学院智能机器人中心） ； Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区） ； Shenzhen Loop Area Institute（深圳河套学院） ； State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（北京大学计算机科学学院多媒体信息处理国家重点实验室） 纠错

AI总结 RobustMerge提出一种无需训练的参数高效模型合并方法，通过参数修剪和跨任务归一化提升多任务泛化能力。

Comments NeurIPS 2025 (Spotlight)

Constrained Latent Action Policies for Model-Based Offline Reinforcement Learning

基于约束潜在动作策略的模型驱动离线强化学习

Marvin Alles, Philip Becker-Ehmck, Patrick van der Smagt, Maximilian Karl

机构 * Machine Learning Research Lab, Volkswagen Group（大众集团机器学习研究实验室） ； Technical University of Munich（慕尼黑技术大学） ； Eötvös Loránd University Budapest（布达佩斯欧多立大学） 纠错

AI总结 本文提出C-LAP，通过约束潜在动作分布生成策略，提高模型驱动离线强化学习在视觉观测数据集上的性能。

Comments 38th Conference on Neural Information Processing Systems (NeurIPS 2024)

Journal ref Advances in Neural Information Processing Systems 37 (NeurIPS 2024)

The Implicit Bias of Structured State Space Models Can Be Poisoned With Clean Labels

结构状态空间模型的隐式偏见可能通过干净标签被污染

Yonatan Slutzky, Yotam Alexander, Noam Razin, Nadav Cohen

机构 * Some Institute（某些研究所） 纠错

AI总结 本文研究了结构状态空间模型的隐式偏见可能被干净标签污染的问题，揭示了特定训练数据对泛化能力的破坏作用，并指出需开发对抗此类污染的方法。

Comments Accepted to NeurIPS 2025

Rewind-to-Delete: Certified Machine Unlearning for Nonconvex Functions

回退删除：非凸函数的认证机器去学习

Siqiao Mu, Diego Klabjan

AI总结 本文提出了一种针对非凸损失函数的认证机器去学习算法，通过回退到学习过程早期步骤实现数据删除，证明了隐私和效用的权衡，并展示了优于现有方法的性能。

Comments NeurIPS 2025

CSAW-M: An Ordinal Classification Dataset for Benchmarking Mammographic Masking of Cancer

CSAW-M：用于乳腺癌遮蔽基准测试的顺序分类数据集

Moein Sorkhei, Yue Liu, Hossein Azizpour, Edward Azavedo, Karin Dembrower, Dimitra Ntoula, Athanasios Zouzos, Fredrik Strand, Kevin Smith

机构 * KTH Royal Institute of Technology（皇家理工学院） ； SciLifeLab ； Karolinska Institutet（卡罗林斯卡研究所） ； Karolinska University Hospital（卡罗林斯卡大学医院） ； Saint Göran Hospital（圣戈兰医院） 纠错

AI总结 CSAW-M是一个用于乳腺癌遮蔽基准测试的大型数据集，通过五位专家标注遮蔽潜力，训练深度学习模型以预测乳腺癌筛查结果。

Comments 35th Conference on Neural Information Processing Systems (NeurIPS 2021) Track on Datasets and Benchmarks

Optimized Learned Count-Min Sketch

优化的学得计数-最小草图

Kyosuke Nishishita, Atsuki Sato, Yusuke Matsui

机构 * The University of Tokyo（东京大学） 纠错

AI总结 OptLCMS通过优化参数和阈值划分，提高了学得计数-最小草图的构造速度和理论保证，同时保持了估计精度。

Comments 4 pages, 3 figures. Accepted at NeurIPS 2025 Workshop on Machine Learning for Systems