ETH Zurich（苏黎世联邦理工学院）

Model-Based Reinforcement Learning for Control under Time-Varying Dynamics

基于模型的强化学习用于时间变化动态下的控制

Klemens Iten, Bruce Lee, Chenhao Li, Lenart Treven, Andreas Krause, Bhavya Sukhija

机构 * ETH Zürich（苏黎世联邦理工学院） ； ETH AI Center（苏黎世联邦理工学院人工智能中心） 纠错

AI总结 本文研究了在时间变化动态下基于模型的强化学习控制，通过高斯过程动态模型分析，提出适应性数据缓冲机制的算法，提升了非平稳动态连续控制任务的性能。

Comments 15 pages, 5 figues, 2 tables. This work has been submitted to the IEEE for possible publication

ELT-Bench-Verified: Benchmark Quality Issues Underestimate AI Agent Capabilities

ELT-Bench-Verified: 评估质量问题低估了AI代理的能力

Christopher Zanoli, Andrea Giovannini, Tengjun Jin, Ana Klimovic, Yotam Perlitz

机构 * IBM Research（IBM研究院） ； ETH Zurich（苏黎世联邦理工学院） ； University of Illinois (UIUC)（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 本文通过重新评估ELT-Bench发现代理能力被低估，提出Auditor-Corrector方法修正评估质量，构建ELT-Bench-Verified提升评估准确性。

Country-wide, high-resolution monitoring of forest browning with Sentinel-2

全国范围内的高分辨率森林枯黄监测：利用哨兵-2卫星

Samantha Biegel, David Brüggemann, Francesco Grossi, Michele Volpi, Konrad Schindler, Benjamin D. Stocker

机构 * ETH Zurich（苏黎世联邦理工学院） ； ETH AI Center（ETH人工智能中心） ； Swiss Data Science Center（瑞士数据科学中心） ； EPFL（洛桑联邦理工学院） ； Swiss Federal Institute for Forest, Snow and Landscape Research WSL（瑞士联邦森林、雪与景观研究所） ； University of Bern（伯尔尼大学） ； Oeschger Centre for Climate Change Research（厄施格气候变化研究中心） 纠错

AI总结 本文提出一种可扩展方法，利用哨兵-2卫星数据在10米分辨率下对森林绿度异常进行全国范围监测，通过植被周期模型检测瑞士森林枯黄现象，模型解释了65%的观测变化。

Comments 9 pages, 7 figures, to be published in the ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences (ISPRS Congress)

EgoFlow: Gradient-Guided Flow Matching for Egocentric 6DoF Object Motion Generation

EgoFlow：基于梯度的流匹配用于第一人称6自由度物体运动生成

Abhishek Saroha, Huajian Zeng, Xingxing Zuo, Daniel Cremers, Xi Wang

机构 * TU München（慕尼黑工业大学） ； MCML（慕尼黑机器学习中心） ； ETH Zürich（苏黎世联邦理工学院） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学） 纠错

AI总结 本文提出EgoFlow，通过多模态第一人称观察生成物理合理的物体运动轨迹，结合Mamba-Transformer-Perceiver架构和梯度引导推理，提升运动生成的准确性和物理真实性。

Comments CVPR 2026: https://abhi-rf.github.io/egoflow/

Rethinking Machine Unlearning: Models Designed to Forget via Key Deletion

重新思考机器遗忘：为遗忘而设计的模型

Sonia Laguna, Jorge da Silva Goncalves, Moritz Vandenhirtz, Alain Ryser, Irene Cannistraci, Julia E. Vogt

机构 * Department of Computer Science, ETH Zurich（苏黎世联邦理工学院计算机科学系） 纠错

AI总结 本文提出了一种新的机器遗忘方法，通过设计使模型具备遗忘能力。MUNKEY模型通过删除实例标识符实现直接零样本遗忘，无需权重更新或原始数据访问，在多个数据集上优于现有方法。

Structure is Supervision: Multiview Masked Autoencoders for Radiology

结构是监督：用于放射学的多视图掩码自编码器

Sonia Laguna, Andrea Agostini, Alain Ryser, Samuel Ruiperez-Campillo, Irene Cannistraci, Moritz Vandenhirtz, Stephan Mandt, Nicolas Deperrois, Farhad Nooralahzadeh, Michael Krauthammer, Thomas M. Sutter, Julia E. Vogt

机构 * Department of Computer Science, ETH Zurich（苏黎世联邦理工学院计算机科学系） ； Department of Computer Science, UC Irvine（加州大学尔湾分校计算机科学系） ； Department of Quantitative Biomedicine, University of Zurich（苏黎世大学定量生物医学系） 纠错

AI总结 本文提出多视图掩码自编码器（MVMAE），通过利用放射学研究的多视图结构学习视图不变和疾病相关表征，并在三个公开数据集上验证了其在疾病分类任务中的优越性能。

Journal ref Transactions on Machine Learning Research (TMLR) 2026

Provable Benefits of In-Tool Learning for Large Language Models

大语言模型中工具学习的可证明优势

Sam Houliston, Ambroise Odonnat, Charles Arnal, Vivien Cabannes

机构 * ETH Zürich（苏黎世联邦理工学院） ； Inria, Univ. Rennes 2（法国国家信息与自动化研究所，雷恩第二大学） ； FAIR at Meta（Meta FAIR实验室） 纠错

AI总结 本文探讨了工具学习在事实回忆中的优势，证明通过工具可实现无限制的事实回忆，优于单纯记忆。

Journal ref ICLR 2026 MemAgents Workshop

LEXam: Benchmarking Legal Reasoning on 340 Law Exams

LEXam：基于340法律考试的法律推理基准测试

Yu Fan, Jingwei Ni, Jakob Merane, Yang Tian, Yoan Hermstrüwer, Yinya Huang, Mubashara Akhtar, Etienne Salimbeni, Florian Geering, Oliver Dreyer, Daniel Brunner, Markus Leippold, Mrinmaya Sachan, Alexander Stremitzer, Christoph Engel, Elliott Ash, Joel Niklaus

机构 * ETH Zurich（苏黎世联邦理工学院） ； University of Zurich（苏黎世大学） ； University of Lausanne（洛桑大学） ； Max Planck Institute for Research on Collective Goods（马克斯·普朗克集体物品研究所） ； Omnilex ； University of St. Gallen（圣加仑大学） ； Swiss Federal Supreme Court（瑞士联邦最高法院） 纠错

AI总结 LEXam基准测试通过340法律考试数据，包含7537道英语和德语法律考试题目，涵盖多种法律课程和学位级别，旨在评估大语言模型在长文本法律推理中的挑战与性能。

Comments Accepted to ICLR 2026

InTraGen: Trajectory-controlled Video Generation for Object Interactions

InTraGen：基于轨迹的视频生成用于物体交互

Zuhao Liu, Aleksandar Yanev, Ahmad Mahmood, Ivan Nikolov, Saman Motamed, Wei-Shi Zheng, Xi Wang, Lei Sun, Luc Van Gool, Danda Pani Paudel

机构 * ETH Zurich（苏黎世联邦理工学院） ； Sun Yat-sen University（中山大学） ； Aalborg University（奥尔堡大学） 纠错

AI总结 本文提出InTraGen，通过引入四个新数据集和轨迹质量度量指标，改进多物体交互场景的轨迹引导视频生成，提升视觉真实性和定量性能。