EPFL（洛桑联邦理工学院）

Integrative neurocybernetic modeling in the era of large-scale neuroscience

大规模神经科学时代的整合神经计算建模

Il Memming Park, Ayesha Vermani, Gonzalo G. de Polavieja, Juan Álvaro Gallego, Kathleen Esfahany, Shreya Saxena, Michael Orger, Auke Ijspeert, Matthew Dowling, Daniel McNamee, Srinivas C. Turaga, Zachary Mainen, Joseph J. Paton, Alfonso Renart

机构 * Champalimaud Centre for the Unknown（Champalimaud 未知中心） ； Janelia Research Campus（Janelia 研究campus） ； Harvard University（哈佛大学） ； Yale University（哥伦比亚大学） ； École Polytechnique Fédérale de Lausanne (EPFL)（瑞士联邦理工学院） ； RyvivyR Inc（RyvivyR 公司） 纠错

AI总结 本文提出整合神经计算模型，通过结合非线性状态空间模型和元动力学扩展，实现对脑体环境闭环耦合的建模，旨在推断神经和行为动态的组织原则。

Comments Perspective

SFT-then-RL Outperforms Mixed-Policy Methods for LLM Reasoning

在LLM推理中，SFT-然后-RL优于混合策略方法

Alexis Limozin, Eduard Durech, Torsten Hoefler, Imanol Schlag, Valentina Pyatkin

机构 * ETH AI Center, ETH Zürich（苏黎世联邦理工学院人工智能中心） ； EPFL（瑞士联邦理工学院） ； Allen Institute for AI（人工智能研究所） 纠错

AI总结 本文指出，混合策略方法的性能提升源于两个错误：DeepSpeed优化器在梯度累积中丢失中间微批次，以及OpenRLHF损失聚合错误加权。修正后，标准SFT-然后-RL流程在数学基准上超越了所有混合策略方法。

Tube Diffusion Policy: Reactive Visual-Tactile Policy Learning for Contact-rich Manipulation

管扩散策略：面向富接触操作的反应式视觉-触觉策略学习

Teng Xue, Alberto Rigo, Bingjian Huang, Jiayi Shen, Zhengtong Xu, Nick Colonnese, Amirhossein H. Memar

机构 * Meta Reality Labs Research（Meta现实实验室） ； Idiap Research Institute（Idiap研究机构） ； École Polytechnique Fédérale de Lausanne（瑞士联邦理工学院） ； University of Toronto（多伦多大学） ； Purdue University（普渡大学） 纠错

AI总结 本文提出Tube Diffusion Policy，通过结合扩散模型与管反馈控制，解决富接触操作中对不确定性和高频触觉反馈的快速反应需求，实验验证其在多种任务中的优越性能。

Micro-Expression-Aware Avatar Fingerprinting via Inter-Frame Feature Differencing

基于微表情的Avatar指纹识别：通过帧间特征差分

Masoumeh Chapariniya, Jean-Marc Odobez, Volker Dellwo, Teodora Vuković

机构 * Department of Computational Linguistics, University of Zurich（苏黎世大学计算语言学系） ； UZH Digital Society Initiative（UZH数字社会倡议） ； Idiap Research Institute（Idiap研究所） ； École Polytechnique Fédérale de Lausanne (EPFL)（日内瓦联邦理工学院（EPFL）） 纠错

AI总结 本文提出一种无需预处理的Avatar指纹识别方法，通过帧间特征差分捕捉驱动者的动态特征，提升身份识别性能。

Comments Accepted to TrustFA Workshop, IEEE FG 2026