SPADE: Self-Play in Adaptive Synthetic Executable Environments

SPADE：自适应合成可执行环境中的自博弈

Bo Liu, Simon Yu, Yiding Jiang, Ao Qu, Andrew Zhao, Zichen Liu, Junsu Kim, Zijian Zhou, Seungone Kim, Tongzheng Ren, Mickel Liu, Hanfei Yu, Zhaorun Chen, Weiyan Shi, Paul Pu Liang, Luke Zettlemoyer, Yejin Choi, Natasha Jaques

机构 * University of Washington（华盛顿大学） ； Stanford University（斯坦福大学） ； Northeastern University（东北大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Massachusetts Institute of Technology（麻省理工学院） ； National University of Singapore（新加坡国立大学） ； Seoul National University（首尔大学） ； Stevens Institute of Technology（史蒂文斯理工学院） ； University of Chicago（芝加哥大学） 纠错

AI总结 SPADE是一种双角色自博弈强化学习框架，让单个LLM同时担任环境设计者与推理智能体，在多类基准上显著提升了语言智能体的性能，推动了开放式自我改进。

Comments Work in progress. Project page: https://spade-rl.github.io ; Code: https://github.com/spade-rl/spade

PartialBiGrasp: Inferring Hidden Local Geometry for Bimanual Grasping from Partial Views

PartialBiGrasp：从部分视角推断隐藏局部几何以实现双臂抓取

Ayush Kaura, Vignesh Vembar, Md Faizal Karim, Keshab Patra, K Madhava Krishna

机构 * Robotics Research Center IIIT Hyderabad（印度信息技术研究所海得拉巴分校机器人研究中心） 纠错

AI总结 PartialBiGrasp是基于部分点云的双臂抓取生成框架，通过卷积占用网络学习几何特征生成抓取对并优化，经实验验证可实现鲁棒稳定的抓取。

ADEPT: Accelerating Dexterity via Pre-Training and Post-Training using Reinforcement Learning

ADEPT：通过强化学习利用预训练和后训练提升灵巧性

Jayjun Lee, Jessica Yin, Asif Rana, Nicholas Blauch, Sam Mady, Mohak Bhardwaj, Nima Fazeli, Nathan Ratliff, Karl Van Wyk, Ankur Handa

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

AI总结 该研究提出ADEPT强化学习框架，通过预训练和后训练实现高自由度机器人的可仿真到现实迁移的灵巧性，在两款机器人本体上完成长程任务，达到人类水平灵巧速度。

Comments Project page: https://adept-dexterity.github.io/

Beyond Teacher Likelihood: Group-Calibrated On-Policy Distillation for Long-Context Reasoning

超越教师似然：面向长上下文推理的组校准在线策略蒸馏

Zhu Zhang, Jixun Wang, Xiaoang Xu, Xiaorong Wang, Zihan Zhou, Zhiyuan Wang, Shuo Wang, Chaojun Xiao, Yuezhi Zhou

机构 * Tsinghua University（清华大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； OpenBMB 纠错

AI总结 该研究针对长上下文推理中 OPD 的教师-验证器分歧问题，提出 GC-OPD 方法，结合验证器结果优化 OPD，在五个长上下文基准上显著提升 Qwen3 模型性能。

Comments 20 pages, 5 figures

Image-Guided Pavement Defect Recognition in GPR Data with novel 3D Deep Learning Architecture

基于新型3D深度学习架构的GPR数据图像引导路面缺陷识别

Yuandong Pan, Linjun Lu, Mudan Wang, Florian Noichl, Fan Xue, Brian Sheil, Lavindra de Silva, André Borrmann, Ioannis Brilakis

机构 * Stanford University（斯坦福大学） ； University of Cambridge（剑桥大学） ； Technical University of Munich（慕尼黑工业大学） ； University of Hong Kong（香港大学） 纠错

AI总结 本研究针对GPR自动化检测的两大挑战，构建了图像引导的3D GPR标注流程，提出含残差连接等组件的3D CNN，其路面缺陷检测性能优于基线架构。

Finetuning Strategies for Querying Sounds by Vocal Imitation

通过语音模仿查询声音的微调策略

Aditya Bhattacharjee, Christos Plachouras, Sungkyun Chang, Emmanouil Benetos

机构 * School of Electronic Engineering and Computer Science, Queen Mary University of London（伦敦玛丽女王大学电子工程与计算机科学学院） 纠错

AI总结 针对AES AIMLA 2025挑战赛的音效语音查询任务，研究人员提出两种微调策略，即基于CED编码器的对比学习和基于MobileNetV3编码器的联合对比-三元组学习，其方案为挑战赛获胜方案。

Lévy Attention: Single-Pass Predictive Uncertainty for Continuous-Time Attention

Lévy注意力：用于连续时间注意力的单次预测不确定性

Sotirios P. Chatzis, Loukas Papadoulas

机构 * Cyprus University of Technology（塞浦路斯理工大学） ； Ethical AI Novelties 纠错

AI总结 本文提出Lévy注意力算子，可在单次前向传播中以闭式形式输出连续时间序列预测的不确定性，在t-PatchGNN等任务上表现优于蒙特卡洛dropout，且计算高效。

Comments 23 pages, 2 figures. Under review at TMLR

Learned, Then Lost: A Measured Single-Example Counterfactual in Pre-training

学习后遗忘：预训练中单示例反事实的测量

Zachary Speck, Asa Shepard

机构 * Arizona State University（亚利桑那州立大学） ； Williams College（威廉姆斯学院） 纠错

AI总结 本研究通过对32个GPT-2模型的小规模预训练反事实实验，测量单示例注入对模型的短期影响，发现该影响会在训练后期衰减，且未检测到长期显著差异。

ChildSafeAds Shared Task 2026: Commercial Content in Child-Facing YouTube Videos

2026年ChildSafeAds共享任务：面向儿童的YouTube视频中的商业内容

Thales Bertaglia, Catalina Goanta, Gerasimos Spanakis, Gunes Acar

机构 * Utrecht University（乌得勒支大学） ； Maastricht University（马斯特里赫特大学） ； Radboud University（拉德堡德大学） 纠错

AI总结 该研究介绍2026年ChildSafeAds共享任务，针对YouTube儿童向视频商业内容，含3360个视频，要求系统完成优惠类型识别等三项任务，还涉及数据标注与评估。

Beyond the Transcript: Detecting Covert Co ordination in Latent Multi-Agent Communication

超越文本记录：检测潜在多智能体通信中的隐蔽协同

Ramneet Kaur, Pradyumna Chari, Ramesh Raskar, Jugad Singh, Sumit Kumar Jha, Anirban Roy

机构 * MIT Media Lab（麻省理工学院媒体实验室） ； Westtown School（韦斯顿镇学校） ； University of Florida（佛罗里达大学） ； SRI International（SRI国际公司） 纠错

AI总结 本研究针对语言模型智能体通过不可见潜在状态进行隐蔽协同的问题，提出可验证潜在对齐（VLA）框架，设计三层监控器与可引导性框架，在多智能体拍卖基准上实现了高效的隐蔽协同检测与缓解。

Bridge Graphical Models: Coupling, Projection, and Current-Preserving Dynamics for Generative Modeling

桥接图模型：用于生成建模的耦合、投影与保电流动力学

Tiantian Zhang

机构 * Columbia University（哥伦比亚大学） 纠错

AI总结 该研究提出桥接图模型（BGMs），定义马尔可化间隙作为生成模型桥到解码器压缩的不可约损失，通过实验验证其可作为桥和耦合设计的训练前诊断工具。

Geometric Iterative Retrieval for Neural Audio Codec Resynthesis

神经音频编解码器重合成的几何迭代检索

Leo Schmidt-Traub, Frédéric Berdoz, Luca A. Lanzendörfer, Roger Wattenhofer

机构 * ETH-DISCO 纠错

AI总结 该研究针对神经音频编解码器从粗令牌重合成高质量音频的问题，提出几何迭代检索方法，在语音和音乐编解码器恢复任务上优于单次令牌预测和单步回归基线。

Comment-level Topic Drift Analysis in the Reddit Corpus

Reddit语料库中评论级别的主题漂移分析

Steven Morse, Daniel Runfola, Trenton W. Ford

机构 * William & Mary（威廉玛丽学院） 纠错

AI总结 该研究将嵌入式动态主题建模技术应用于Reddit语料库，分析127亿条2006-2022年的评论，提出嵌入空间内语义漂移分析方法，发现争议性主题漂移显著而文体类主题相对稳定。

Intercepting the Kangaroo: Experimental Astrolinguistics with Constructed Lexicons, Active Probing, and Large Language Models as Informants and Hypothesis Proposers

拦截“袋鼠”：基于人工词汇、主动探测及大型语言模型作为信息提供者与假设提出者的实验天体语言学

Francesco Cordella, Mauro Cappelli

机构 * ENEA（意大利国家新技术、能源与经济可持续发展局） 纠错

AI总结 该研究将天体语言学从推测变为实验，通过含不兼容人工词汇的语言模型、脚本协调器及结合多策略的协议，成功拦截翻译不确定性的“袋鼠效应”，提升覆盖度与正确性，还能恢复假设空间外的词语。

PGFS++: Molecular Property Improvement under Synthesis and Diversity Constraints

PGFS++：合成与多样性约束下的分子性质优化

Boqiao Zhang, Godbless James, Sai Krishna Gottipati, Andrew Fitzgibbon

机构 * Graphcore（格洛科普（Graphcore）） ； University of Cambridge（剑桥大学） 纠错

AI总结 PGFS++是一种感知合成的强化学习框架，通过优化反应模板与库存构建模块的应用，在改进分子目标性质的同时保留输出多样性，解决了PGFS+的奖励作弊问题。

Discretizing Continuous Time Series for Imputation with Masked Diffusion Training

用于掩码扩散训练插补的连续时间序列离散化

Dongbin Kim, Seungyun Lee, Geonwoo Shin, Jaewook Lee

机构 * Seoul National University（首尔大学） 纠错

AI总结 针对时间序列插补的现有方法存在的局限性，提出MDTIM模型，引入随机离散化技术，在多种基准上的实验显示其鲁棒性和可扩展性优于现有基线方法。

Comments Submitted to NeurIPS 2026

Pretraining Reusable Inference Across Views with Synthetic Task Priors

利用合成任务先验预训练跨视图的可复用推理

Jielong Lu, Zhihao Wu, Jiajun Yu, Zhaoliang Chen, Haishuai Wang

机构 * Hong Kong Baptist University（香港浸会大学） ； Zhejiang University（浙江大学） 纠错

AI总结 本文提出SIMPLE模型，将多视图推理预训练为可复用过程，在多视图与多组学基准上，其冻结变体具竞争力，轻量级适配器校准性能领先。

Open-MOPD: Diagnosing and Fixing Capability Imbalance in Multi-Teacher On-Policy Distillation

Open-MOPD：诊断与修复多教师在线蒸馏中的能力不平衡

Huan-ang Gao, Haohan Chi, Yong Yan, Shiyuan Feng, Hanlin Wu, Zheng Jiang, Bingxiang He, Wei-Ying Ma, Ya-Qin Zhang, Hao Zhou

机构 * SIA-Lab of Tsinghua AIR and ByteDance Seed（清华大学AIR与字节跳动种子SIA实验室） ； Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院） ； Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系） 纠错

AI总结 本研究针对多教师在线蒸馏（M-OPD）的能力不平衡问题，提出 Open-MOPD 框架，通过三种机制将提升空间恢复率从 35.6% 提升至 83.4%，并开源了相关方案与评估套件。

Comments Project page: https://bytedtsinghua-sia.github.io/Open-MOPD/

Detecting Backdoors in Object Detection via Pre-NMS Prediction Distribution Shift

通过NMS前预测分布偏移检测目标检测中的后门

Longtian Wang, Zhengyu Zhao, Chenhao Lin, Le Yang, Shiwei Wang, Yuhan Zhi, Xiaofei Xie, Chao Shen

机构 * Singapore Management University（新加坡管理大学） ； Xi’an Jiaotong University（西安交通大学） 纠错

AI总结 本文提出DistScan框架，通过检测NMS前预测类别分布与训练频率的偏移来检测目标检测模型的后门，在MS-COCO等数据集上较现有方法平均检测准确率提升27.32个百分点。

DA-WAM: Decision-Aligned Future Latents for Driving World Models

DA-WAM：面向驾驶世界模型的决策对齐未来潜变量

Ruiguo Zhong, Benshan Ma, Xiaolong Chen, Lang Zhang, Mingyue Feng, Yaonong Wang, Pei Liu, Jun Ma

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Leapmotor（零跑汽车） ； The Hong Kong University of Science and Technology（香港科技大学） 纠错

AI总结 DA-WAM 是统一预测表示学习等模块的驾驶世界模型框架，通过动作条件未来潜变量实现决策对齐，在 NAVSIM 数据集上达到最优性能，验证了关键组件的有效性。

Subgroup performance analysis of adaptation strategies for chest X-ray foundation models

胸部X射线基础模型适配策略的子组性能分析

Dhruv Gupta, Emma A. M. Stanley, Fabio De Sousa Ribeiro, Sujal Desai, Ben Glocker

机构 * Imperial College London（帝国理工学院） ； Royal Brompton Hospital（皇家布朗普顿医院） ； Causality in Healthcare AI Hub（医疗保健AI因果关系中心） ； National Heart & Lung Institute（国家心肺研究所） 纠错

AI总结 该研究针对胸部X射线基础模型，探究三种参数高效适配技术对病理分类性能与子组公平性的影响，发现整体性能提升未必减少子组差异，公平性影响需直接按任务评估

Comments Accepted at MICCAI Workshop on Fairness of AI in Medical Imaging (FAIMI) 2026

ReWEIGH the Evidence: Calibrating Token-Level Ordinal Visual Evidence to Mitigate Hallucinations in Large Vision-Language Models

重新权衡证据：校准令牌级有序视觉证据以减轻大型视觉语言模型的幻觉

Jihae Jeong, Junha Choi, Hwanjo Yu

机构 * Pohang University of Science and Technology (POSTECH)（浦项科技大学（POSTECH）） 纠错

AI总结 ReWEIGH是一种无需训练的解码干预方法，通过聚合视觉位置的令牌排名并施加有界惩罚，在多个7B至32B规模的LVLM上减少了最多21.3%的幻觉对象提及，且延迟增加极少。

Robust Risk Under Evolving Uncertainty: A Wasserstein Counterpart of the Entropic Value-at-Risk

演化不确定性下的鲁棒风险：熵值风险（Entropic Value-at-Risk）的Wasserstein对应

Deep Kumar Ganguly, Jan Křetínský

机构 * Technical University of Munich（慕尼黑工业大学） ； Masaryk University（马萨里克大学） 纠错

AI总结 该研究针对演化不确定性下的鲁棒风险问题，提出Wasserstein熵值风险，弥补熵值风险无法对冲名义模型认定不可能的灾难的缺陷，经数值验证其变分对偶性，并构造出随信念变化的闭式鲁棒动态规划算子。

Comments Best Paper Award at the 2nd Workshop on Safe AI at UAI (SafeAI@UAI 2026, non-archival), Amsterdam

What is Missing from AI Post-Training AI: An Empirical Analysis

AI后训练AI缺失了什么？一项实证分析

Joy Jia Yin Lim, Xin Huang, Hao Peng, Yaxi Lu, Xin Cong, Zhong Zhang, Maosong Sun, Yankai Lin

机构 * Tsinghua University（清华大学） ； University of Electronic Science and Technology of China（电子科技大学） ； Renmin University of China（中国人民大学） 纠错

AI总结 本文通过实证分析发现，LLM智能体后训练时存在策略锁定问题，其缺失的是执行过程中自发重新评估训练策略的机制，而非经验、指导或推理计算。

GS-VLA: Plug-and-Play Viewpoint Canonicalization for Frozen VLA Policies via Gaussian Splatting

GS-VLA：基于高斯溅射的冻结VLA策略的即插即用视角规范化方法

Yechan Park, HyunJin Kim

机构 * Dankook University（檀国大学） 纠错

AI总结 GS-VLA是首个基于3D高斯的VLA视角规范化即插即用框架，通过轻量4M参数的3D高斯规范化器提升VLA策略视角偏移鲁棒性，无需重训即可在多维度恢复性能。

When Two Tracers Disagree: An Investigation of Multimodal Fusion for Clinical PET/CT Segmentation

当两种示踪剂意见不合时：临床PET/CT分割的多模态融合研究

Jack A. Johnson, Bartłomiej W. Papież

机构 * University of Oxford（牛津大学） ； Nuffield Department of Medicine（纳菲尔德医学系） ； Department of Oncology（肿瘤学系） ； Big Data Institute（大数据研究所） ； Nuffield Department of Population Health（纳菲尔德人口健康系） 纠错

AI总结 该研究针对前列腺癌PSMA与FDG PET/CT的多模态融合分割，训练示踪剂特异性3D nnU-Net基线并对比多种融合策略，发现融合未始终优于单示踪剂模型，需更优架构保留示踪剂特异性表征

Comments 10 pages (8 pages main content and 2 pages of references), 2 figures, 2 tables, accepted to MICCAI 2026 Cancer Prevention, Detection, and IntervenTion (CaPTion) Workshop

Computational Features for Symbolic Melody Analysis

用于符号旋律分析的计算特征

David M. Whyatt, Peter M. C. Harrison

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 本文提出开源Python工具melody-features，梳理符号旋律的音乐理论与心理学特征并构建分类体系，在Essen民歌集上验证其风格分类性能，为旋律分析提供可解释的特征方案。

LT-Mem: Volatility-Aware Spatio-Temporal Memory for Lifelong Scene Understanding

LT-Mem：面向终身场景理解的感知时间动态的时空记忆

Yumin Lee, Hyoseok Ju, Giseop Kim

机构 * DGIST（大邱庆北科学技术院） 纠错

AI总结 该研究针对机器人长期场景理解的时间遗忘问题，提出LT-Mem时空记忆框架，结合多会话SLAM与Tri-Memory结构，在LT-VQA数据集上性能优于基线且token消耗更少。

Comments 8 pages, 8 figures, 6 tables. Accepted to the 2026 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026)

Generalized Audio-Driven Synthesis of Precise Drummer Motion

音频驱动的精确鼓手动作的广义合成

Álvaro G. Iñesta, Mattia Ryffel, Amit H. Bermano, Robert W. Sumner, Martin Guay

机构 * DisneyResearch|Studios（迪士尼研究工作室） ； The Blavatnik School of Computer Science and AI, Tel-Aviv University（特拉维夫大学布拉瓦尼克计算机科学与人工智能学院） ； ETH Zürich（苏黎世联邦理工学院） 纠错

AI总结 本文提出带双目标损失函数的生成式扩散框架，结合自有数据集与新指标，实现从音频生成厘米级精度的逼真打鼓动作，泛化能力优于现有方法。

Comments Best Paper Award at the 25th ACM SIGGRAPH / Eurographics Symposium on Computer Animation (SCA 2026). For Supplementary Video, see https://studios.disneyresearch.com/2026/08/18/generalized-audio-driven-synthesis-of-precise-drummer-motion/

Counterfactual Contrastive Analysis

反事实对比分析

Yunlong He, Pietro Gori

机构 * Télécom Paris（巴黎电信学院） ； Institut Polytechnique de Paris（巴黎综合理工学院） 纠错

AI总结 本文提出基于对比分析（CA）的无分类器视觉反事实生成方法，利用StyleGAN2和特征空间F，在三个医学成像数据集上实现了更优的反事实生成质量。

Comments MICCAI 2026