Columbia University（哥伦比亚大学）

VectorGym: A Multitask Benchmark for SVG Code Generation, Sketching, and Editing

VectorGym：一个多任务基准用于SVG代码生成、草图和编辑

Juan Rodriguez, Haotian Zhang, Abhay Puri, Tianyang Zhang, Rishav Pramanik, Meng Lin, Xiaoqing Xie, Marco Terral, Darsh Kaushik, Aly Shariff, Perouz Taslakian, Spandana Gella, Sai Rajeswar, David Vazquez, Christopher Pal, Marco Pedersoli

机构 * ServiceNow Research（ServiceNow 研究院） ； Mila, Quebec AI Institute（Mila 魁北克人工智能研究所） ； Columbia University（哥伦比亚大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Stony Brook University（石溪大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Minzu University of China（中央民族大学） ； University of Waterloo（滑铁卢大学） ； Canada CIFAR AI Chair（加拿大 CIFAR 人工智能讲席） ； Computer Vision Center（计算机视觉中心） 纠错

AI总结 VectorGym提出一个涵盖SVG生成、复杂编辑和视觉理解的多任务基准，通过专家标注解决现有基准的不足，采用多任务强化学习方法，训练出性能领先的Qwen3-VL模型，公开可用。

IMPASTO: Integrating Model-Based Planning with Learned Dynamics Models for Robotic Oil Painting Reproduction

IMPASTO：整合基于模型的规划与学习的动力学模型用于机器人油画复现

Yingke Wang, Hao Li, Yifeng Zhu, Hong-Xing Yu, Ken Goldberg, Li Fei-Fei, Jiajun Wu, Yunzhu Li, Ruohan Zhang

机构 * Stanford University（斯坦福大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of California, Berkeley（加州大学伯克利分校） ； Columbia University（哥伦比亚大学） 纠错

AI总结 IMPASTO通过整合学习的动力学模型与基于模型的规划，实现机器人基于目标油画图像的复现，无需人类示范或精确模拟，提升复现精度。

A Semi-amortized Lifted Learning-to-Optimize Masked (SALLO-M) Transformer Model for Scalable and Generalizable Beamforming

一种用于可扩展和通用波束成形的半 amortized 提升学习到优化遮蔽（SALLO-M）变换器模型

Yubo Zhang, Xiao-Yang Liu, Xiaodong Wang

机构 * Columbia University（哥伦比亚大学） 纠错

AI总结 本文提出SALLO-M模型，通过多层Transformer和迭代优化实现可扩展波束成形，采用双令牌化与结构化遮蔽提升泛化能力，结合滑动窗口、课程学习和样本回放策略提升鲁棒性，实现在不同信道条件下优于基线方法的性能。

Comments 13 pages

Cheap Bootstrap for Fast Uncertainty Quantification of Stochastic Gradient Descent

低成本的Bootstrap方法用于快速的随机梯度下降不确定性量化

Henry Lam, Zitong Wang

机构 * Columbia University（哥伦比亚大学） 纠错

AI总结 本文提出两种计算成本低的重采样方法，用于构建随机梯度下降解的置信区间，通过改进的Berry-Esseen型界减少计算量，避免现有分批方法的复杂混合条件。

Journal ref Journal of Machine Learning Research, 27(25-0008):1-42, 2026