University of Cambridge（剑桥大学）

UNIVERSE: Unified Video Action Models for Autonomous Driving with Flexible Mask-Modulated Modality Generation

UNIVERSE：面向自动驾驶的基于灵活掩码调制模态生成的统一视频动作模型

Mengmeng Liu, Diankun Zhang, Jiuming Liu, Jianfeng Cui, Hongwei Xie, Guang Chen, Hangjun Ye, Francesco Nex, Hao Cheng, Michael Ying Yang

机构 * University of Twente（特温特大学） ； Xiaomi EV（小米汽车） ； University of Cambridge（剑桥大学） ； University of Bath（巴斯大学） 纠错

AI总结 针对现有方案难以将视频建模收益迁移至轨迹生成的问题，提出单掩码调制扩散Transformer的统一模型，通过模态解耦掩码实现直接的视频监督，大幅提升跨域动作泛化与推理效率。

Comments 18 pages, 7 figures, 8 tables

Toward Personalized Social Robots for Child Well-being: Data Requirement Principles from a Recommender-System Perspective

迈向促进儿童福祉的个性化社交机器人：从推荐系统角度看数据需求原则

Jin Huang, Eric Nichols, Fethiye Irmak Dogan, Hatice Gunes

机构 * University of Cambridge（剑桥大学） ； Honda Research Institute Japan（本田日本研究院） 纠错

AI总结 研究如何为儿童福祉打造个性化社交机器人，从推荐系统角度出发，针对数据收集难题提出四个数据原则及具体指导方针。

Comments Accepted as a Late Breaking Report (LBR) at IEEE RO-MAN 2026

Demonstrating Generalization Failures via Mixtures of Conditional Policies

通过条件策略混合展示泛化失败

Jou Barzdukas, Jack Peck, Julian Schulz, Paulius Rauba, Steven Basart, Lennie Wells

机构 * University of Virginia（弗吉尼亚大学） ； ETH Zurich（苏黎世联邦理工学院） ； MATS ； Meridian Visiting Researcher Program（子午访问研究员计划） ； University of Cambridge（剑桥大学） 纠错

AI总结 研究前沿语言模型训练后因环境分布变化导致泛化失败的问题。提出构建语言模型的方法，用监督微调基于条件策略混合数据集得到模型，经强化学习训练后出现可控泛化失败，还借此说明未来语言模型泛化失败的新方式。

Routing Anonymity and Identifiability of Noisy Quantum Hardware

噪声量子硬件的路由匿名性与可识别性

Ben Priestley, Mina Doosti

机构 * Centre for Quantum Information and Foundations, DAMTP, University of Cambridge（量子信息与基础研究中心，DAMTP，剑桥大学） ； Quantum Software Lab, School of Informatics, University of Edinburgh（量子软件实验室，信息学院，爱丁堡大学） 纠错

AI总结 研究噪声量子硬件中后端可识别性及隐私问题，通过引入后端可识别性博弈形式化路由匿名性，证明相关问题是假设检验问题，建立效用-匿名权衡及深度原则，并辅以实验验证。

Comments 22+30 pages, 6 figures