世界模型

Entanglement Entropy and Complexity of Multicomponent Universe from Holography

从全息学角度研究多组分宇宙的纠缠度量

Ritam Mahanta, Gopinath Guin, Souvik Paul, Sunandan Gangopadhyay

专题命中 通用世界模型 ：world model(abstract)；world model(abstract)

AI总结 本文提出了一种研究多组分宇宙全息信息理论量的方法，展示了双组分物质源的宇宙模型及其在不同时间尺度下的行为特征。

Comments 38 Pages, 1 Figure, Accepted for publication in Progress of Theoretical and Experimental Physics

Journal ref Prog. Theor. Exp. Phys. 2026 073B11

Short-Duration Gamma-ray Burst and Afterglow Rates in the Rubin and Roman Era

鲁宾和罗马时代短时伽马射线暴及其余辉发生率

Tzvetelina Dimitrova, Nathaniel Butler

专题命中 通用世界模型 ：world model(abstract)；world model(abstract)

AI总结 利用概率模型模拟短暴余辉，预测LSST每年可探测约0.9个同轴余辉和1.3个孤儿余辉，而罗马望远镜适用于深度跟踪，但LIGO O5期间每年可探测事件少于1个。

Comments ApJ accepted

Assessing Predictive Models for Fairness Based on Movement Patterns

基于移动模式评估预测模型的公平性

Francesco Lettich, Mario A. Nascimento, Chiara Pugliese, Chiara Renso

机构 * University of Padua（帕多瓦大学） 纠错

专题命中 通用世界模型 ：predictive model(title,abstract)；predictive models(title,abstract)；分类 cs.LG

AI总结 针对预测模型的空间公平性，提出将公平性概念从单一地理位置扩展到移动模式，并采用空间扫描统计方法检测基于移动模式的不公平性。

Comments 33 pages, 10 figures, 7 tables

MET-Bench: Multimodal Entity Tracking for Evaluating the Limitations of Vision-Language and Reasoning Models

MET-Bench：用于评估视觉语言与推理模型局限性的多模态实体追踪

Vanya Cohen, Raymond Mooney

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

专题命中 通用世界模型 ：world model(abstract)；world model(abstract)

AI总结 提出MET-Bench多模态实体追踪基准，发现视觉语言模型在图像实体追踪上显著弱于文本，主要源于视觉推理缺陷，强化学习可提升模态内性能但跨模态迁移不足。

Comments ICML 2026

Replication and Information Extraction in a Minimal Agent-Environment Model

最小化智能体 - 环境模型中的复制与信息提取

Sebastiano Ariosto, Jerome Garnier-Brun, Luca Saglietti, Davide Straziota

专题命中 通用世界模型 ：environment model(title)

AI总结 研究在无明确指导或奖励下从数据提取信息的问题，通过对分类规则施加简单性偏差，利用统计力学工具刻画自发学习相变，扩展到智能体群体后发现交互可重塑学习相边界，开辟仅通过标签交换的分散学习途径。

Predictive Query Language: A Domain-Specific Language for Predictive Modeling on Relational Databases

预测查询语言：一种用于关系数据库预测建模的领域特定语言

Vid Kocijan, Jinu Sunil, Jan Eric Lenssen, Viman Deb, Xinwei Xe, Federico Reyes Gomez, Matthias Fey, Jure Leskovec

机构 * Kumo.ai, Stanford University（Kumo.ai，斯坦福大学） 纠错

专题命中 通用世界模型 ：predictive model(title,abstract)；分类 cs.AI、cs.LG；predictive models(abstract)

AI总结 PQL是一种用于关系数据库预测建模的声明式语言，通过单个查询自动计算训练标签，支持多种机器学习任务，已在金融欺诈、推荐系统等领域应用。

Comments Presented at TaDA@VLDB2026

Journal ref TaDA@VLDB2026

Who Gets the Reward & Who Gets the Blame? Evaluation-Aligned Training Signals for Multi-LLM Agents

谁获得奖励 & 谁受到责备？面向多LLM智能体的评估对齐训练信号

Chih-Hsuan, Yang, Tanwi Mallick, Le Chen, Krishnan Raghavan, Amal Gueroudji, Ian T. Foster, Rajeev Thakur

机构 * Argonne National Laboratory（阿贡国家实验室） ； University of Chicago（芝加哥大学） 纠错

专题命中 通用世界模型 ：world model(comments)；world models(comments)；分类 cs.AI、cs.MA；world model(comments)

AI总结 提出一个理论框架，结合合作博弈归因与过程奖励建模，将系统级评估转化为智能体信用和消息级信号，用于多LLM智能体训练。

Comments Accepted at the NeurIPS 2025 Workshop on Bridging Language, Agent, and World Models for Reasoning and Planning (LAW 2025)

LOCUS-DT: Localization via Observation-Conditioned Uncertainty Scoring with Digital Twins

LOCUS-DT：基于数字孪生的观测条件不确定性评分定位方法

Haozhe Lei, Roberto Bomfin, Marwa Chafii, Sundeep Rangan

专题命中 通用世界模型 ：environment model(abstract)；分类 cs.LG、cs.RO

AI总结 本文提出LOCUS-DT框架，利用数字孪生和学习评分函数处理室内多径定位，泛化性好，在Sionna测试中比高斯类基准更精准捕捉多模态后验结构。

MPC for underactuated spacecraft control with a Lyapunov supervised physics-informed neural network correction layer

基于李雅普诺夫监督的物理信息神经网络校正层的欠驱动航天器MPC控制

Amirhossein Ayanmanesh Motlaghmofrad, Carlo Cena, Mauro Martini, Marcello Chiaberge

机构 * Politecnico di Torino（托斯纳理工学院） ； Argotec S.R.L.（Argotec公司） 纠错

专题命中 通用世界模型 ：environment model(abstract)；分类 cs.RO

AI总结 针对欠驱动航天器姿态控制，提出一种分层架构，结合非线性模型预测控制、物理信息神经网络和李雅普诺夫监督机制，在不确定性下降低稳态误差并保持鲁棒性。

Comments Accepted at SPAICE (AI in and for Space) 2026

Understanding Sources of Demographic Predictability in Brain MRI via Disentangling Anatomy and Contrast

通过解构解耦解剖与对比来理解脑部MRI中人口预测性的来源

Mehmet Yigit Avci, Akshit Achara, Andrew King, Jorge Cardoso

机构 * School of Biomedical Engineering \& Imaging Sciences, King’s College London, London, UK 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.CV；predictive model(abstract)；predictive models(abstract)

AI总结 本文通过解耦脑MRI中的解剖和对比特征，发现人口预测性主要源于解剖变异，而非成像依赖特征。

A Systematic Review and Taxonomy of Reinforcement Learning-Model Predictive Control Integration for Linear Systems

一种线性系统中强化学习-模型预测控制整合的系统综述与分类

Mohsen Jalaeian Farimani, Roya Khalili Amirabadi, Davoud Nikkhouy, Malihe Abdolbaghi, Mahshad Rastegarmoghaddam, Shima Samadzadeh, Mahdi Ghane

机构 * Department of Electronics, Information and Bioengineering (DEIB), Politecnico di Milano（电子信息生物工程系（DEIB），米兰理工大学） ； Department of Applied Mathematics, Ferdowsi University of Mashhad（应用数学系，法尔德大学） ； Department of Mechanical Engineering, Politecnico di Milano（机械工程系，米兰理工大学） ； Department of Applied Mathematics, Faculty of Mathematical Sciences, University of Guilan（应用数学系，加林大学） ； Department of Robotics and Control Engineering, Shahrood University of Technology（机器人与控制工程系，沙霍德技术大学） 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.RO；predictive model(abstract)；predictive models(abstract)

AI总结 本文系统综述了线性系统中强化学习与模型预测控制整合的研究，通过多维分类揭示了整合策略、挑战及方法学趋势，为相关研究提供结构化参考。

CEL: Comprehensive Counterfactual Explanations Library and Benchmark

CEL：综合反事实解释库与基准测试

Oleksii Furman, Łukasz Lenkiewicz, Marcel Musiałek, Maciej Zięba

机构 * Wrocław University of Science and Technology（弗罗茨瓦夫科技大学） 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 该研究针对可解释人工智能中反事实解释方法评估难的问题，引入CEL统一库与基准测试，包含多数据集及方法实现，通过标准化设置全面比较多种方法，为反事实解释方法评估提供统一框架，促进未来方法发展。

Comments 16 pages, 5 figures. Accepted for presentation at the XKDD and Beyond Workshop (non-archival)

Annotation-Assisted Learning of Treatment Policies From Multimodal Electronic Health Records

借助注释的学习：从多模态电子健康记录中学习治疗策略

Henri Arno, Thomas Demeester

机构 * Department of Information Technology Ghent University - imec（信息科技系根特大学 - imec） 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 本文提出AACE方法，通过专家注释辅助学习多模态EHR中的因果策略，提升治疗决策效果。

Comments Accepted at Machine Learning for Healthcare (MLHC) 2026

A Unified Survival Benchmark for Temporal Dropout Risk Prediction in Learning Analytics

学习分析中的时间辍学风险：跨动态与早期窗口表示的协调生存基准

Rafael da Silva, Jeff Eicher, Gregory Longo

机构 * Applied Data Science Program（应用数据科学项目） ； Eastern University（东部大学） 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 本研究使用OULAD数据集，通过协调的生存分析基准（包括动态周表示和连续时间表示）评估辍学风险模型，发现时间行为特征比静态背景属性更具预测力。

Comments 64 pages, 11 figures, 20 tables, 63 references. Survival analysis benchmark for student dropout prediction using OULAD dataset

A Model-Free Universal AI

无模型通用人工智能

Yegon Kim, Juho Lee

机构 * Graduate School of AI, KAIST（韩国科学技术院人工智能研究生院） 纠错

专题命中 通用世界模型 ：environment model(abstract)；分类 cs.AI

AI总结 提出首个在通用强化学习中证明渐近ε最优的无模型智能体AIQI，通过分布动作值函数的通用归纳实现，并扩展了Self-AIXI的渐近最优性证明。

Comments 42nd Conference on Uncertainty in Artificial Intelligence (UAI 2026)

DrugAgent: Reliable Multi-Agent Integration of Conflicting Biomedical Evidence for Drug-Target Interaction Assessment

DrugAgent：用于药物-靶点相互作用评估的冲突生物医学证据的可靠多智能体整合

Yoshitaka Inoue, Tianci Song, Xinling Wang, Rui Kuang, Tianfan Fu, Augustin Luna

机构 * Department of Computer Science and Engineering, University of Minnesota（计算机科学与工程系，明尼苏达大学） ； Computational Biology Branch, National Library of Medicine（国家医学图书馆计算生物学分支） ； Khoury College of Computer Sciences, Northeastern University（东北大学计算机科学学院） ； State Key Laboratory for Novel Software Technology at Nanjing University, School of Computer Science, Nanjing University（南京大学新型软件技术国家重点实验室，南京大学计算机科学学院） ； Developmental Therapeutics Branch, National Cancer Institute（国家癌症研究所发育治疗分支） 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 研究药物-靶点相互作用评估中整合异构数据问题，核心方法是基于大语言模型的多智能体系统DrugAgent，贡献是能进行异构证据支持的DTI评估，补充独立DTI预测，还提供相关策略。

SoK: The Pitfalls of Deep Reinforcement Learning for Cybersecurity

SoK: 深度强化学习在网络安全中的陷阱

Shae McFadden, Myles Foley, Elizabeth Bates, Ilias Tsingenopoulos, Sanyam Vyas, Vasilios Mavroudis, Chris Hicks, Fabio Pierazzi

机构 * King’s College London（伦敦国王学院） ； The Alan Turing Institute（艾伦·图灵研究所） ； University College London（伦敦大学学院） ； Cardiff University（卡迪夫大学） ； KU Leuven（鲁汶大学） ； Devotion AI Labs（Devotion AI 实验室） 纠错

专题命中 通用世界模型 ：environment model(abstract)；分类 cs.LG

AI总结 本文系统梳理了深度强化学习应用于网络安全时的11个方法学陷阱，通过分析66篇论文量化其普遍性，并在三个典型场景中实验验证其影响，最后提出改进建议。

Comments Accepted at USENIX Security 2026