EPFL（洛桑联邦理工学院）

EverAnimate: Minute-Scale Human Animation via Latent Flow Restoration

EverAnimate：通过潜在流恢复实现分钟级人类动画

Wuyang Li, Yang Gao, Mariam Hassan, Lan Feng, Wentao Pan, Po-Chien Luan, Alexandre Alahi

机构 * EPFL（瑞士联邦理工学院） 纠错

AI总结 EverAnimate通过潜在流恢复技术，在保持视觉质量和角色身份的同时，高效生成长时域动画视频，解决了动态人类动作与静态环境之间的生成漂移问题。

Comments Project Page: https://everanimate.github.io/homepage/

Sat3DGen: Comprehensive Street-Level 3D Scene Generation from Single Satellite Image

Sat3DGen：从单张卫星图像生成全面的街景3D场景

Ming Qian, Zimin Xia, Changkun Liu, Shuailei Ma, Wen Wang, Zeran Ke, Bin Tan, Hang Zhang, Gui-Song Xia

机构 * LIESMARS & School of Artificial Intelligence, Wuhan University（珞珈实验室与武汉大学人工智能学院） ； EPFL（苏黎世联邦理工学院） ； HKUST（香港科技大学） ； Northeastern University（东北大学） ； Zhejiang University（浙江大学） ； Ant Group（蚂蚁集团） ； Amap, Alibaba Group（高德地图，阿里巴巴集团） 纠错

AI总结 本文提出Sat3DGen，通过几何优先方法提升从单张卫星图像生成高精度3D场景的性能，改进几何精度和真实感，并在新基准上验证其效果。

Comments ICLR 2026; code: https://github.com/qianmingduowan/Sat3DGen demo: https://huggingface.co/spaces/qian43/Sat3DGen project page: https://qianmingduowan.github.io/Sat3DGen_project_page/

The Rate-Distortion-Polysemanticity Tradeoff in SAEs

SAEs中速率-失真-多义性权衡

Tommaso Mencattini, Francesco Montagna, Francesco Locatello

机构 * EPFL（瑞士联邦理工学院） ； Institute of Science and Technology Austria（奥地利科学技术研究所） 纠错

AI总结 本文研究了SAEs中准确重建输入、高效编码和可解释性之间的矛盾，发现限制SAEs为单义性必然导致速率和失真增加，且多义性由训练数据分布决定。

Scaling Laws from Sequential Feature Recovery: A Solvable Hierarchical Model

从序列特征恢复中推导缩放定律：一个可解的分层模型

Arie Wortsman-Zurich, Hugo Tabanelli, Yatin Dandi, Florent Krzakala, Bruno Loureiro

机构 * Département d’Informatique, Ecole Normale Supérieure, PSL & CNRS（信息学院，巴黎高等师范学院，PSL & CNRS） ； Information Learning and Physics Laboratory, École Polytechnique Fédérale de Lausanne (EPFL)（信息学习与物理实验室，瑞士洛桑联邦理工学院（EPFL）） ； Statistical Physics of Computation Laboratory, École Polytechnique Fédérale de Lausanne (EPFL)（计算统计物理实验室，瑞士洛桑联邦理工学院（EPFL）） 纠错

AI总结 本文提出了一种机制，说明多层网络中的特征学习如何产生缩放定律。通过研究高维分层目标，展示了逐层谱算法在恢复潜在方向时的改进效果，并证明了预测误差的幂律衰减。

TERMINATOR: Learning Optimal Exit Points for Early Stopping in Chain-of-Thought Reasoning

TERMINATOR: 在链式推理中学习最优退出点以实现早期停止

Alliot Nagle, Jakhongir Saydaliev, Dhia Garbaya, Michael Gastpar, Ashok Vardhan Makkuva, Hyeji Kim

机构 * UT Austin（得克萨斯大学） ； EPFL（苏黎世联邦理工学院） ； ENS Paris-Saclay（巴黎-萨克雷大学） ； Télécom Paris (IP Paris)（巴黎理工学院） 纠错

AI总结 本文提出TERMINATOR方法，通过预测模型最终答案的首次出现位置，学习最优推理长度，从而减少链式推理的计算量，提升推理效率。

Comments Updated and reorganized results. Added new results

Support Before Frequency in Discrete Diffusion

在离散扩散中先支持频率

Adrian Müller, Antoine Gonon, Zebang Shen, Ya-Ping Hsieh, Niao He

机构 * ETH Zürich（苏黎世联邦理工学院） ； EPFL（苏黎世联邦理工学院） ； Academia Sinica（台湾“中央研究院”） 纠错

AI总结 研究揭示离散扩散模型在语言建模中通过学习支持结构优先于频率信息，统一扩散显示有效性改进、保持和恶化编辑的三元组，而吸收扩散则将主要质量放在有效性改进移动上。

LoRIF: Low-Rank Influence Functions for Scalable Training Data Attribution

LoRIF: 低秩影响函数用于可扩展的训练数据归因

Shuangqi Li, Hieu Le, Jingyi Xu, Mathieu Salzmann

机构 * EPFL（瑞士联邦理工学院） ； UNC Charlotte（北卡罗来纳大学夏洛特分校） ； Stony Brook University（史蒂文斯理工学院） 纠错

AI总结 LoRIF通过利用梯度的低秩结构，解决了大规模训练数据归因中的存储和计算瓶颈，实现存储和查询速度的显著提升，同时保持归因质量。