Loading...
语音语言模型（SpeechLMs）仅处理和生成声学数据，无需文本监督。在本文中，我们提出TWIST方法，该方法利用预训练文本语言模型的热启动来训练SpeechLMs。通过自动评估和人类评估，我们证明TWIST在各方面均优于冷启动的SpeechLMs。我们实证分析了不同模型设计选择（如语音分词器、预训练文本模型和数据集规模）的影响，发现模型规模和数据集规模在构建性能更优的SpeechLMs中均发挥着重要作用。基于我们的观察，我们提出了（据我们所知）在参数数量和训练数据方面均最大的SpeechLM。
2025_NIPS_Transformers learn through gradual rank increase
我们发现了Transformer中的增量学习动态：训练权重与初始权重的差值秩会逐步提升。在对角权重矩阵和小初始化的简化假设下，我们对此进行了严格证明。实验结果支持该理论，且表明即便不满足这些简化假设，该现象在实际场景中依然存在。
2025_NIPS_One Risk to Rule Them All: A Risk-Sensitive Perspective on Model-Based Offline Reinforc...
该研究聚焦安全关键领域的离线强化学习（RL），针对离线RL的两大核心问题——分布偏移（避免策略访问数据集外的状态-动作对）和风险规避（应对环境随机性与数据缺失带来的不确定性），提出了模型基算法1R2R。1R2R通过模型集成估计认知不确定性（数据缺失导致），结合风险度量调整合成数据的转移分布，让策略同时规避认知不确定性（解决分布偏移）和偶然不确定性（环境随机性），在确定性和随机环境基准测试中均展现出优异性能。离线强化学习（RL）适用于无法进行在线探索的安全关键领域。
2025_NIPS_Multimodal C4: An Open, Billion-scale Corpus of Images Interleaved with Text
上下文感知的视觉语言模型（如Flamingo[2]）支持将任意交错的图像和文本序列作为输入。这种格式不仅能通过交错独立的有监督（图像、文本）示例实现少样本学习，还能支持涉及图像间交互的更复杂提示，例如“图像A和图像B有什么共同点？为支持这一接口，预训练需在包含类似交错图像+文本的网络语料库上进行。然而，迄今为止，此类大规模数据尚未公开可用。我们发布了MultimodalC4（mmc4），这是对流行的纯文本c4语料库的扩展，其中交错嵌入了图像。
2025_NIPS_HyPoradise: An Open Baseline for Generative Speech Recognition with Large Language Models
深度学习的进步使自动语音识别（ASR）系统在多个公开的干净语音数据集上达到了人类水平的性能。然而，即使是最先进的ASR系统在面对复杂环境时也会出现性能下降——训练良好的声学模型对语音领域的变化（如背景噪音）非常敏感。直观来看，人类通过依赖自身语言知识解决这一问题：模糊语音术语的含义通常可通过上下文线索推断，从而减少对听觉系统的依赖。受此启发，我们提出首个开源基准测试框架，利用外部大型语言模型（LLMs）进行ASR纠错，其中N-best解码假设为真实转录预测提供了丰富信息。
2025_NIPS_Real-Time Motion Prediction via Heterogeneous Polyline Transformer with Relative Pose E...
自动驾驶系统的实际部署要求其组件能够在车载环境中实时运行，包括预测周围交通参与者未来轨迹的运动预测模块。现有以智能体为中心的方法在公开基准测试中表现出优异性能，但随着待预测智能体数量的增加，它们面临计算开销大且可扩展性差的问题。为解决这一问题，我们提出了带相对姿态编码的K近邻注意力机制（KNARPE），这是一种新型注意力机制，允许Transformer使用成对相对表示。
2025_NIPS_Hierarchical Vector Quantized Transformer for Multi-class Unsupervised Anomaly Detection
无监督图像异常检测（UAD）旨在学习正常样本的鲁棒且具有判别力的表示。尽管为每个类别单独设计解决方案会带来高昂的计算成本且泛化能力有限，但本文仍聚焦于构建适用于多类别的统一框架。在这一具有挑战性的场景下，主流的基于重建且假设潜表示为连续的网络往往会遭遇“相同捷径”问题——正常样本和异常样本均能被良好重建，导致难以区分。为解决这一核心问题，我们在概率框架下提出一种分层向量量化的原型导向Transformer。
2025_NIPS_ReDS: Offline RL With Heteroskedastic Datasets via Support Constraints
离线强化学习（RL）完全从静态数据集学习策略。离线强化学习的实际应用不可避免地需要从这样的数据集学习：在状态空间中，所展示行为的变异性呈现非均匀变化。例如，在红灯时，几乎所有人类驾驶员都会采取类似的停车行为；但在高速并线时，部分驾驶员会快速、高效且安全地并线，而许多驾驶员则会犹豫或危险地并线。我们通过理论和实证研究均表明，典型的离线强化学习方法基于分布约束，由于要求在整个状态空间中以相同程度贴近行为策略，因此无法从具有这种非均匀变异性的数据中有效学习。
2025_NIPS_Belief Projection-Based Reinforcement Learning for Environments with Delayed Feedback
我们提出一种适用于延迟反馈环境的新型演员-评论员算法，旨在解决传统方法面临的状态空间爆炸问题。传统方法通过构建“最后观测状态+自上次观测以来执行的动作”组成的增广状态，可在延迟环境中构建正确的马尔可夫决策过程（MDP）；然而，随着延迟时间步的增加，增广状态空间会急剧膨胀，导致收敛缓慢。我们提出的信念投影Q学习（BPQL）算法，通过评估输入规模与原始状态空间一致（而非增广状态空间）的评论员价值函数，有效解决了状态空间爆炸问题。
2025_NIPS_AV-NeRF: Learning Neural Fields for Real-World Audio-Visual Scene Synthesis
记录视听场景的机器能否在新的位置和视角方向上生成逼真且匹配的视听体验？我们通过研究一项新任务——真实世界视听场景合成——以及首个基于NeRF的多模态学习方法来回答这一问题。具体而言，给定一个视听场景的视频记录，该任务旨在沿该场景中任意新的相机轨迹合成带有空间音频的新视频。我们提出一种声学感知音频生成模块，将音频传播的先验知识融入NeRF中，在该模块中，我们将音频生成与视觉环境的3D几何和材质属性进行隐式关联。
2025_NIPS_Cheap and Quick: Efficient Vision-Language Instruction Tuning for Large Language Models
近年来，扩展大型语言模型（LLMs）的多模态能力（例如视觉-语言（VL）学习）引发了广泛关注，这被视为通用人工智能的下一个里程碑。然而，现有解决方案成本极高，不仅需要优化海量参数，还需在视觉-语言指令微调前进行另一轮大规模预训练。本文提出了一种新颖且经济高效的LLMs视觉-语言适配方案，称为混合模态适配（MMA）。与使用大型神经网络连接图像编码器和LLM不同，MMA采用轻量级模块（即适配器）来弥合LLMs与视觉-语言任务之间的鸿沟，同时支持图像模型与语言模型的联合优化。
2025_NIPS_COOM: A Game Benchmark for Continual Reinforcement Learning
文章针对持续强化学习（CRL）缺乏标准化基准、计算成本高、视觉类3D环境稀缺等问题，提出了基于ViZDoom引擎的CRL基准COOM（ContinualDOOM）。该基准包含8个视觉和目标各异的3D场景，构建了6类不同长度和模态的任务序列（跨域CD系列、跨目标CO系列、挑战型COC系列），以评估智能体的灾难性遗忘、知识迁移和样本高效学习能力。
2025_NIPS_Inference-Time Intervention: Eliciting Truthful Answers from a Language Model
我们提出推理时干预（ITI）技术，旨在提升大型语言模型（LLMs）的“真实性”。该技术通过在推理过程中调整模型激活值，沿有限注意力头的特定方向进行偏移。这种干预显著提升了LLaMA模型在TruthfulQA基准测试中的表现。在经过指令微调的LLaMA模型（名为Alpaca）上，ITI将其真实性从32.5%提升至65.1%。我们发现真实性与帮助性之间存在权衡，并展示了如何通过调整干预强度实现二者平衡。ITI具有侵入性小、计算成本低的特点。
2025_NIPS_Language Models Don‘t Always Say What They Think: Unfaithful Explanations in Chain-of-T...
大语言模型（LLMs）通过在给出最终输出前生成分步推理（通常称为思维链推理，CoT），能够在许多任务上实现优异性能。人们倾向于将这些CoT解释视为模型解决任务的过程——这种对LLMs预测的透明度提升将带来显著的安全收益。然而，我们发现CoT解释可能会系统性地歪曲模型预测的真实原因。研究表明，CoT解释会受到输入中偏差特征的严重影响（例如，通过重新排序少量样本提示中的多项选择题选项，使答案始终为“(A)”），但模型在解释中却完全不会提及这些偏差因素。
2025_NIPS_Offline Reinforcement Learning with Differential Privacy
离线强化学习（RL）问题的提出，往往是为了在金融、法律和医疗等应用场景中学习数据驱动的决策策略。然而，所学策略可能会保留训练数据中个体的敏感信息（例如患者的治疗方案和治疗结果），因此容易面临各类隐私风险。本文设计了具有差分隐私保障的离线强化学习算法，能够有效防范此类风险。这些算法在表格型和线性马尔可夫决策过程（MDP）设置下，均具有较强的实例相关学习界。我们的理论分析和仿真结果表明，对于中等规模的数据集，与非隐私算法相比，隐私保障几乎不会导致效用下降。
2025_NIPS_Seeing is not Believing: Robust Reinforcement Learning against Spurious Correlation
本文聚焦强化学习（RL）中针对虚假相关性的鲁棒性问题，提出了鲁棒状态混淆马尔可夫决策过程（RSC-MDPs）框架，通过因果视角建模未观测混杂因素的影响，同时设计了实证算法RSC-SAC。该方法在自动驾驶和机器人操作等8个真实任务中，显著优于传统鲁棒RL基线，既避免了虚假相关性导致的灾难性失败，又在原始环境中保持了良好性能。鲁棒性在强化学习（RL）中已被广泛研究，用于处理随机扰动、罕见事件和恶意攻击等多种形式的不确定性。
2025_NIPS_Private Everlasting Prediction
私有学习器在带标签样本集上训练后生成假设，该假设可用于预测新采样点的标签，同时保护训练集的隐私[Kasiviswannathan等人,FOCS2008]。以往研究发现，私有学习器的样本复杂度可能显著高于非私有学习器，例如一维阈值函数的学习[Bun等人,FOCS2015;Alon等人,STOC2019]。本文探索了将预测作为学习的替代方案：预测器响应分类查询流，而非输出单一假设。早期工作已考虑支持单分类查询的私有预测模型[Dwork和Feldman,COLT2018]。
GrandCode: Achieving Grandmaster Level in Competitive Programming via Agentic Reinforcement Learning
竞技编程仍是AI在代码领域对抗人类的最后几个堡垒之一。迄今为止最优的AI系统在竞技编程中仍弱于人类顶尖选手：近期最佳成果来自谷歌Gemini3DeepThink，即便非实时评测也仅获第8名。本文提出GrandCode，一款面向竞技编程的多智能体强化学习系统。其能力源于两大核心：（1）协同假设提出、求解器、测试生成、摘要等智能体模块，通过后训练与在线测试时RL联合优化；（2）提出，专为多阶段智能体Rollout设计，解决延迟奖励与普遍存在的严重离策略漂移问题。
2025_NIPS_Decompose a Task into Generalizable Subtasks in Multi-Agent Reinforcement Learning
该研究聚焦多智能体强化学习（MARL）中的跨任务泛化问题，核心目标是解决现有MARL模型多针对单一任务优化、跨任务迁移能力弱、重新训练成本高的痛点。近年来，多智能体强化学习（MARL）技术在单一任务中取得了显著的渐近性能提升。然而，关于模型的跨任务迁移能力的探索仍较为有限。为每个任务从头训练模型可能耗时且成本高昂，尤其是在大规模多智能体系统中。因此，开发模型的跨任务泛化方法至关重要。考虑到多智能体强化学习任务中存在任务无关的子任务，能够从源任务中分解此类子任务的模型有望泛化到目标任务。
2025_NIPS_CELLE-2: Translating Proteins to Pictures and Back with a Bidirectional Text-to-Image T...
我们提出CELL-E2，这是一款新型双向Transformer模型，能够从氨基酸序列生成描述蛋白质亚细胞定位的图像（反之亦然）。蛋白质定位是一项具有挑战性的任务，需要整合序列和图像信息，而现有大多数方法均忽略了这一点。CELL-E2是对CELL-E工作的扩展，不仅能捕捉蛋白质定位的空间复杂性，在细胞核图像上生成定位概率估计，还能从图像反向生成序列，为从头蛋白质设计提供可能。
