第40届神经信息处理系统大会（The 40th Annual Conference on Neural Information Processing Systems，NeurIPS 2026）将于2026年12月6日至13日在澳大利亚悉尼、美国亚特兰大和法国巴黎举行。NeurIPS是人工智能、机器学习和神经信息处理领域具有重要影响力的国际学术会议，是中国计算机学会CCF推荐的A类国际学术会议，也是国际计算机学科排名CSRankings列表会议，集中展示机器学习理论、生成模型、优化方法、计算机视觉、自然语言处理及生物信息学等方向的前沿研究成果。我校计算机学院（软件学院）、人工智能学院范少华、苏向东课题组2篇论文被机器学习领域国际顶级会议NeurIPS 2026录用，论文简介如下：

（1）Rectifying Categorical Flows on Statistical Manifolds for One-Step Generation

针对现有离散数据生成方法采样步骤多、推理成本高以及难以刻画概率分布几何结构等问题，论文提出了一种基于统计流形的高效生成模型ReSFlow。该模型利用概率分布的几何特性，通过流匹配与迭代轨迹校正，使生成路径逐步趋近于测地线，实现高效的一步生成。理论分析与实验结果表明，该方法在保持生成质量的同时显著降低了采样成本，为图像、文本及生物序列等离散数据的高效生成提供了新思路。

计算机学院“菁英计划”直博生贾啸寰为论文第一作者，范少华研究员为通讯作者，内蒙古大学为论文第一完成单位。

（2）How Does Pruning Change Decisions in Large Language Models?

该工作聚焦大语言模型剪枝后的决策可靠性问题，系统分析剪枝对模型判断行为的影响。研究发现，剪枝虽能降低存储和计算成本，但也可能降低正确答案置信度、缩小答案间隔，并增加正确预测被翻转为错误结果的情况。针对传统困惑度和平均准确率难以全面反映这些变化的问题，论文构建了更细粒度的决策评测框架，并提出MR-GOBS剪枝方法。相关结果为大语言模型压缩评测与可靠部署提供了新的研究思路。

计算机学院博士生李江为论文第一作者，苏向东教授为通讯作者，内蒙古大学为论文第一完成单位。

（来源：科学技术处       编辑：武涛       审核：李文娟       终审：阿茹娜）