cuRoboV2-Fast: Fast Torque-Limited Collision-Free Motion Planning
机构 * NVIDIA（英伟达）
AI总结 本文提出GPU加速规划器cuRoboV2-Fast，通过B样条轨迹优化、加速机器人计算等技术，在RTX 5090等平台上实现比cuRoboV2等更快的无碰撞力矩受限运动规划，取放循环效率显著提升。
arXiv 论文中文摘要与每日学术速递
FrontierPhysics: Evaluating Agents for End-to-End Physics Research
FrontierPhysics：评估端到端物理学研究智能体的基准
机构 * University of California, Berkeley（加州大学伯克利分校） ； California Institute of Technology（加州理工学院） ； Harvard University（哈佛大学） ； University of Washington（华盛顿大学） ； Stanford University（斯坦福大学） ； Amazon（亚马逊公司） ； University of Pittsburgh（匹兹堡大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； ZEISS（蔡司公司） ； Georgia Institute of Technology（佐治亚理工学院） ； Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校） ； The Scripps Research Institute（斯克里普斯研究所） ； Oak Ridge National Laboratory（橡树岭国家实验室） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Purdue University（普渡大学） ； University of Toronto（多伦多大学） ； University of Southern California（南加州大学） ； Ludwig-Maximilians-Universität München（慕尼黑大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of California, Davis（加州大学戴维斯分校） ； Princeton University（普林斯顿大学） ； Northeastern University（东北大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Minnesota, Twin Cities（明尼苏达大学双城分校） ； New York University（纽约大学） ； Duke University（杜克大学） ； Nanyang Technological University（南洋理工大学） ； University of Palermo（巴勒莫大学） ； IBM（国际商业机器公司） ； University of Amsterdam（阿姆斯特丹大学） ； University of California, Santa Cruz（加州大学圣克鲁兹分校） ； Prime Intellect
AI总结 FrontierPhysics是覆盖9个物理领域的端到端智能体评估基准，含56项任务，结合验证器与专家评分标准评估智能体研究，发现前沿智能体存在推理与直觉短板。
Comments 41 pages (10 pages main text), 19 figures, 11 tables
Perceptive Humanoid Motion from Simulation
机构 * Apple（苹果公司）
AI总结 提出HALO类人机器人自主系统，通过程序生成住宅合成数据解决数据瓶颈，掌握多种物理技能，零样本迁移到真实环境成功率91%。
Comments Code and videos at: https://apple-aiml-research.github.io/ml-halo/
Reinforcement Learning Enables Scaling Generalist Robot Policy Improvement
机构 * ETH Zurich（苏黎世联邦理工学院） ； MPI for Intelligent Systems, Tübingen（图宾根智能系统马克斯·普朗克研究所） ； Technical University of Munich（慕尼黑工业大学） ； University of Warsaw（华沙大学） ； Nomagic（诺马吉克公司） ； Carnegie Mellon University（卡内基梅隆大学） ； UC Berkeley（加州大学伯克利分校） ； Microsoft（微软公司） ； Amazon FAR（亚马逊FAR部门） ； Physical Intelligence（物理智能研究所）
AI总结 本研究探究通用机器人策略能否实现多任务通用化改进，通过开发结构化评估方法并系统评估算法设计选择，证明基于价值的强化学习结合合适方案可实现机器人基础模型的在线通用化改进。
Motion-guided Contrastive Regularization For Latent World Models
机构 * Northeastern University（东北大学） ； Qualcomm AI Research（高通人工智能研究部门）
AI总结 针对潜在世界模型的静态崩溃问题，提出运动引导对比正则化，结合LeWM等方法，在OGBench-Cube等基准上显著提升视觉控制规划成功率。
Occlusion for Free: Detecting Occlusion from the Disagreement Between Two Monocular Distance Cues
机构 * University of Lagos（拉各斯大学） ； ML Collective（ML 集体） ； Federal University of Technology, Minna（米纳联邦理工大学）
AI总结 该研究提出利用单目 pipeline 输出的两个距离线索的不一致检测遮挡，无需训练和标注，在 KITTI、CARLA 数据集上表现优于仅用距离的方法，且在分布外场景仍有效。
Comments Accepted at the NeurIPS 2026 GlobalSouthAI Workshop
Procedural Adversarial Learning
机构 * Princeton University（普林斯顿大学）
AI总结 该研究提出程序对抗学习（PAL）框架及Simple-PAT算法，结合PAL-Dojo生成器集合，在5000万查询的黑盒对抗下，将最坏情况误差几何均值较标准训练降3.15倍。
VABAR: A Variational Automation Benchmark for Agentic Robotics
机构 * University of California, Berkeley（加州大学伯克利分校） ； Siemens（西门子） ； NVIDIA（英伟达）
AI总结 该研究提出面向智能体机器人学的变异性自动化基准VABAR，制定了智能体机器人学基准设计标准，构建含六类操作任务的仿真基准，并基于GaP和Isaac Lab Arena完成初始评估。
SpecCompact: Accelerating LLM Agent Context Compaction with Slot-Parallel Semantic Speculative Verification
SpecCompact：通过槽并行语义投机验证加速大语言模型智能体的上下文压缩
机构 * New York University（纽约大学）
AI总结 提出SpecCompact框架，通过槽并行语义投机加速LLM智能体上下文压缩，在多个基准上实现2.04-5.63倍压缩加速，用户研究达8.68倍中位数加速。
Learning to Decode Linear Codes with Generalized Belief Propagation Network
机构 * Pennsylvania State University（宾夕法尼亚州立大学）
AI总结 该研究针对线性码解码问题，提出广义置信传播网络（GBPNet），结合两种训练策略，在多种线性码上实现了比传统算法及现有最优神经解码器更低的误码率。
PixelSpline: Continuous Space-Time Video Super-Resolution via Endpoint-Anchored Shared Pixel Trajectories
PixelSpline：基于端点锚定共享像素轨迹的连续时空视频超分辨率
机构 * Clemson University（克莱姆森大学）
AI总结 针对现有连续时空视频超分辨率方法易受模糊对应和不一致轨迹影响的问题，提出结合长上下文编码等的PixelSpline框架，通过端点锚定轨迹实现高效视频超分辨率，取得良好质量效率权衡。
CounterFactual Retrieval for Evidence-Aware Individual Animal Identification
机构 * Rensselaer Polytechnic Institute（伦斯勒理工学院） ； LUT University（拉彭兰塔理工大学） ； Brno University of Technology（布尔诺理工大学） ； University of Helsinki（赫尔辛基大学） ； MIT（麻省理工学院） ； University of West Bohemia（西波希米亚大学）
AI总结 针对个体动物识别评估无法区分模型利用动物特征还是捷径的问题，提出反事实前景检索协议，通过多视图评估生成证据轮廓，并发布相关掩码与代码。
Comments 14 pages, 5 figures; accepted at WACV 2027
Rethinking Self-Repair in Code-as-Policy Agents: What Drives Retry Success?
机构 * Stanford University（斯坦福大学） ； Sesame AI（芝麻AI）
AI总结 该研究在模拟机器人操作中发现，Qwen2.5-Coder-7B的基于模板的失败反馈自我修复方法，在5次重试内恢复率达85.3%，优于重采样，且需将重采样等设为评估基线。
Comments Accepted to the CoRL 2026 Learn@Deploy workshop
Balancing hierarchical representation and quantization: A performance trade-off in text embeddings
机构 * Ludwig-Maximilian-University Munich（慕尼黑大学） ； University of Bari Aldo Moro（巴里大学） ； Otto von Guericke University Magdeburg（马格德堡奥托·冯·格里克大学） ； European Commission, Joint Research Centre (JRC)（欧洲委员会联合研究中心） ； IBM Germany（IBM德国）
AI总结 本研究通过MTEB基准的38个任务，实证分析分层文本表示与量化技术的相互作用，发现int8量化性能接近float32且存储效率高，二值量化表现差，中间层采样可缩短评估时间。
Comments 29 pages. Authors' version of the open access article published in Information Sciences (CC BY 4.0). This version corrects the second affiliation of Marco Polignano (Otto von Guericke University Magdeburg); the published version lists the European Commission, Joint Research Centre (JRC) in error. Marco Polignano is not affiliated with the JRC. No other content has been changed
Journal ref Information Sciences 763 (2027) 124271
CompressionBench: How can your coding agents compress LLMs?
CompressionBench：你的编码智能体如何压缩大语言模型（LLM）？
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本研究提出CompressionBench，探究编码智能体能否自主压缩LLM，通过6个智能体与6种模型规模的实验，验证了智能体驱动模型压缩的可行性，明确了其核心影响因素。
LongBanana: An Expert-Verified Benchmark for Long-Context Multi-Reference Image Synthesis
LongBanana：用于长上下文多参考图像合成的专家验证基准
机构 * South China Normal University（华南师范大学） ； University of British Columbia（不列颠哥伦比亚大学） ； Vector Institute Canada（加拿大向量研究所） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Waterloo（滑铁卢大学） ； KlingAI Research（KlingAI研究院） ； University of Maryland（马里兰大学） ； Tsinghua University（清华大学） ； HKUST（香港科技大学） ； HKU（香港大学）
AI总结 该研究推出首个专家设计验证的长上下文多参考图像合成基准LongBanana，配套智能体生成框架LongBanana-Gen，实验证实其可用于评估视觉证据利用，助力开发更优的智能体图像生成系统。
Comments NeurIPS 2026 Evaluations and Datasets Track. Project page: https://long-banana.com/
Visual Token Routing: Learning to keep tokens that matter
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 该研究针对计算机使用智能体计算成本过高的问题，提出视觉令牌路由（VTR）框架，可在保持性能的同时大幅减少视觉令牌数量，降低推理成本并提升速度，优于降低图像分辨率等基线方法。
Trainspotting: Learning Object-Centric 3D Reconstruction from Found Photos
Trainspotting：从公开照片学习以对象为中心的三维重建
机构 * Cornell University（康奈尔大学）
AI总结 本研究构建了含12068个对象的Trainspotting数据集，微调VGGT-Ω后提升了前馈重建模型在野外多视图数据上的三维重建性能。
Comments project page: https://hanyuc.com/trainspotting
Persona Perspectives: Adopting Viewpoints Reorganizes Representations in LLMs
角色视角：采用不同视角可重新组织大语言模型（LLM）中的表示
机构 * Knowledge Lab（知识实验室） ； University of Chicago（芝加哥大学）
AI总结 本文研究提示LLM采用角色是否会改变其潜在空间表示几何，发现角色条件作用会系统性改变语义轴相关表示，且会影响安全相关特征的监测结果，可能削弱监测工作。
Comments 26 pages, 14 figures
Navigating Disagreement Among Criteria for Evaluating Explanation Faithfulness
机构 * Max Planck Institute for Security and Privacy（马克斯·普朗克安全与隐私研究所） ； Yale University（耶鲁大学）
AI总结 本文研究解释忠实性评估标准的分歧，引入忠实性函数重构现有标准，通过案例研究明确场景对选择的约束，为从业者提供应对分歧的方法。
Where to Connect? Boosting MLLMs via Dynamic Gated Pathways across ALL ViT and LLM Layers
连接何处？通过跨所有ViT与LLM层的动态门控路径提升多模态大语言模型（MLLMs）
机构 * Northwestern Polytechnical University（西北工业大学） ； Hong Kong University of Science and Technology（香港科技大学）
AI总结 针对MLLMs视觉信息连接问题，提出DGP动态门控路径实现ViT与LLM全层自适应连接，在LLaVA-1.5基准上获多项指标提升，性能优于现有多层融合方法。
Comments 24 pages (10 pages main text + references + appendix), 15 figures. Accepted at the 40th Conference on Neural Information Processing Systems (NeurIPS 2026)
ServerBench: How can your coding agents design specialized LLM serving systems?
ServerBench：你的编码智能体如何设计专用大语言模型服务系统？
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Southern California（南加州大学）
AI总结 本研究推出ServerBench基准，测试11种编码智能体设计LLM服务系统的能力，发现Claude Sonnet 5.5表现最优，为智能体设计专用服务系统提供了系统性研究工具。
Same Layout, Different Count: What Number Words Do Past Ten in Text-to-Image Models
相同布局，不同数量：文本到图像模型中“过去十”类数量词的作用
机构 * University of Colorado Boulder（科罗拉多大学博尔德分校）
AI总结 该研究探究5个文本到图像模型中数量词的作用，发现多数模型在物体数超10后对数量词响应受限，初始噪声粗粒度部分决定布局但不决定数量，同噪声测试可区分模型。
Comments 43 pages, including 32 pages of supplementary material; 14 figures, 44 tables
Before You Continue: Evaluating Time-Sensitive Safety Awareness in Conversational Assistants
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of California, Berkeley（加州大学伯克利分校） ； The Hong Kong Polytechnic University（香港理工大学） ； Johns Hopkins University（约翰霍普金斯大学） ； The University of Tokyo（东京大学） ； RIKEN AIP（理化学研究所先进智能项目）
AI总结 本研究引入TASC基准评估LLM的时间敏感安全意识，发现13款模型仅30.5%的违规案例考虑时间约束，62.1%的正确计时案例未应用约束，明确时间信息仅解决半数失败。
Comments Preprint
Context-Aware Autoregressive Image Generation for Emerging Reasoning Properties
机构 * Johns Hopkins University（约翰斯·霍普金斯大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of California, Santa Cruz（加州大学圣克鲁兹分校） ； Office of Naval Research（海军研究办公室）
AI总结 该研究针对自回归图像生成的固定或随机顺序易忽略图像结构依赖的问题，提出上下文感知自回归生成框架，可提升结构鲁棒性并使模型涌现出更强的推理特性。
Comments Accepted at NeurIPS 2026. 16 pages, 4 figures
Context--Answer Metamodels: Forecasting LLM Activations Before the First Answer Token
上下文-答案元模型：在首个答案标记生成前预测大语言模型激活值
机构 * Tufa Labs（图法实验室） ； Mila, Université de Montréal（米拉研究所，蒙特利尔大学）
AI总结 本文提出上下文-答案元模型，可在首个答案标记生成前，利用上下文激活值预测大语言模型的答案激活值，该模型泛化性好且能跨模型迁移。
LooM: Loop-Invariant Memory for Causal Encoder-Decoder Language Models
机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Zhongguancun Academy（中关村学院） ； Peking University（北京大学）
AI总结 该研究提出LooM解决循环Transformer的内存增长、计算调整受限及循环次数难改问题，使因果编解码器可灵活选择循环预算，且性能优于单遍基线。
Systolic Linear Attention: Co-Designing Tile-Grouped Gated Delta Attention for TPUs
机构 * Google（谷歌）
AI总结 该研究针对TPU架构设计SLA，通过重构门控增量注意力解决GPU适配层在TPU上的效率问题，在TPU v7x上实现训练速度提升与更优困惑度表现。
Rules, Traces and Routing Statistics: Training and Calibration Data for Open Models on ARC-AGI-2
规则、轨迹与路由统计：ARC-AGI-2上开放模型的训练与校准数据
机构 * VNU University of Science（越南国家大学科学大学）
AI总结 该研究探究训练与校准数据对3个开放模型解决ARC-AGI-2任务的作用，通过微调、推理程序优化、专家剪枝等方法，使各模型在半私有任务上取得显著分数提升，其中Qwen3.8-Flash-Next模型达56.67为最佳结果。
Comments 39 pages, 7 figures, 23 tables
Open-HumanScale: An Open Recipe for Scaling Human and Robot Experience for Embodied Foundation Models
Open-HumanScale：用于扩展具身基础模型的人类与机器人经验的开源方案
机构 * PKU（北京大学） ； NUS（新加坡国立大学） ； MIT（麻省理工学院） ； UCSB（加利福尼亚大学圣巴巴拉分校） ； NVIDIA（英伟达公司）
AI总结 本研究提出开源方案Open-HumanScale，构建5万小时以自我为中心的人类视频语料库，开发HumanWAM系列模型，通过纯人类或人机联合预训练提升机器人操作性能，开源相关资源推动具身AI缩放研究。
Comments GitHub: https://github.com/DAGroup-PKU/HumanNet/tree/open-humanscale Project website: https://dagroup-pku.github.io/open-humanscale/
