多模态大模型

Entropic Mirror Monte Carlo

熵镜像蒙特卡洛

Anas Cherradi, Yazid Janati, Alain Durmus, Sylvain Le Corff, Yohan Petetin, Julien Stoehr

专题命中 其他多模态 ：multimodal(abstract)

AI总结 提出一种自适应重要性采样方法，通过结合全局采样与延迟加权机制构建高效提议分布，实现多模态高维目标分布的有效探索，并证明算法在温和假设下几何收敛。

Learning high-dimensional quantum entanglement through physics-guided neural networks

通过物理引导神经网络学习高维量子纠缠

Yang Xu, Hao Zhang, Wenwen Zhang, Luchang Niu, Mahtab Amooei, Sergio Carbajo, Robert W. Boyd

专题命中 其他多模态 ：multimodal(abstract)

AI总结 针对高增益SPDC产生的高维纠缠态模态表征计算瓶颈，提出物理引导的深度学习网络，通过软OAM守恒正则化实现快速高保真重建，速度提升约128倍。

Linear Stability Analysis of convective flows in Rotating Baroclinic Annulus with Localized Peripheral Heating: A Floquet-BiGlobal Approach

旋转斜压环流中局部周边加热的对流流动的线性稳定性分析：一种Floquet-BiGlobal方法

Jaya Nandan, Ayan Kumar Banerjee

专题命中 其他多模态 ：cross-modal(abstract)

AI总结 本文采用Floquet-Bloch理论与BiGlobal特征值方法，分析了局部加热下旋转流体环的非轴对称基态线性稳定性，揭示了交叉模态斜压能量释放和剪切产生的不稳定机制。

Comments The article has been submitted to Proceedings of the Innovations in Engineering for Sustainable Transformations (InnoVEST) 2026 and is Under Review

Programmable Deformation Design of Porous Soft Actuator through Volumetric-Pattern-Induced Anisotropy

通过体积图案诱导各向异性的多孔软体执行器可编程变形设计

Canqi Meng, Weibang Bai

机构 * ShanghaiTech Automation and Robotics (STAR) Center, School of Information Science and Technology, ShanghaiTech University（上海科技大学自动化与机器人（STAR）中心，信息科学与技术学院，上海科技大学） 纠错

专题命中 其他多模态 ：multimodal(abstract)

AI总结 提出一种在多孔泡沫中切割图案实现软体执行器可编程变形的方法，通过有限元分析研究机制，实验展示弯曲、倾斜、扭转等变形，并应用于仿生软体手。

Comments Accepted to 2026 IEEE International Conference on Robotics and Automation (ICRA 2026)

BlendServe: Optimizing Offline Inference for Auto-regressive Large Models with Resource-aware Batching

BlendServe: 利用资源感知批处理优化自回归大模型的离线推理

Yilong Zhao, Shuo Yang, Kan Zhu, Lianmin Zheng, Baris Kasikci, Yang Zhou, Jiarong Xing, Ion Stoica

机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学） ； University of California, Davis（加州大学戴维斯分校） ； Rice University（里士满大学） 纠错

专题命中 其他多模态 ：multi-modal(abstract)

AI总结 针对离线批处理中资源重叠与前缀共享的冲突，提出资源感知前缀树来最大化资源利用率，相比vLLM和SGLang吞吐量提升1.44倍。

Even More Guarantees for Variational Inference in the Presence of Symmetries

变分推断在对称性存在下的更多保证

Lena Zellinger, Antonio Vergari

机构 * School of Informatics（信息学院） ； University of Edinburgh（爱丁堡大学） 纠错

专题命中 其他多模态 ：multi-modal(abstract)

AI总结 本文扩展了变分推断在目标对称性下的鲁棒性理论，证明了使用前向KL散度和α-散度时，即使模型误设也能精确恢复目标均值和相关矩阵，并放宽了对数凹假设，适用于多模态分布。

Comments Accepted for presentation at the OPTIMAL Workshop at AISTATS 2026