Bridging the Gap between Micro-scale Traffic Simulation and 4D Digital Cityscapes
弥合微观交通模拟与4D数字城市景观之间的差距
机构 * ETH Zurich（苏黎世联邦理工学院） ； University of Zurich（苏黎世大学）
AI总结 本文提出一个实时4D可视化框架，将SUMO交通模拟与高保真VR数字城市景观结合，通过用户研究验证了模拟交通动态与人类感知的高一致性，且空间化音频增强了用户的安全感。
高校专区
ETH Zurich（苏黎世联邦理工学院）
Entropy-Gradient Grounding: Training-Free Evidence Retrieval in Vision-Language Models
熵-梯度基础：在视觉语言模型中无需训练的证据检索
机构 * ETH Zurich（苏黎世联邦理工学院） ； ETH AI Center（ETH人工智能中心） ； KAIST AI（韩国科学技术院人工智能系）
AI总结 本文提出一种无需训练的视觉语言模型证据检索方法，通过熵梯度映射提升对微小视觉细节和多区域线索的处理能力，实验显示在多个基准上取得显著改进。
Comments Project Page : https://entropy-gradient-grounding.github.io/
Behavior-Aware Item Modeling via Dynamic Procedural Solution Representations for Knowledge Tracing
基于动态程序性解决方案表示的行为感知项目建模
机构 * GSAI, POSTECH（浦项科技大学人工智能研究生院） ； CSE, POSTECH（浦项科技大学计算机科学与工程系） ； ETH Zurich, ETH AI Center（苏黎世联邦理工学院人工智能中心）
AI总结 本文提出BAIM框架，通过整合动态程序性解决方案信息增强项目表示，利用推理语言模型分解问题解决阶段，提升知识追踪的预测性能。
Comments ACL Findings 2026
Accordion-Thinking: Self-Regulated Step Summaries for Efficient and Readable LLM Reasoning
Accordion-Thinking：通过动态摘要实现的自我调节步骤摘要以提高LLM推理的效率和可读性
机构 * Sun Yat-Sen University（中山大学） ； ETH AI Center, ETH Zurich（苏黎世联邦理工学院人工智能中心） ； University of California, Merced（加州大学默塞德分校）
AI总结 本文提出Accordion-Thinking框架，通过动态摘要实现LLM推理的自我调节，减少历史token依赖，提升效率和可读性，实验显示其在48GB GPU内存配置下实现三倍吞吐量且保持准确率。
Karma Mechanisms for Decentralised, Cooperative Multi Agent Path Finding
基于 Karma 机制的去中心化协作多智能体路径寻找
机构 * ETH Zürich（苏黎世联邦理工学院）
AI总结 本文提出基于 Karma 机制的去中心化协作 MAPF 框架，通过非交易性信用机制平衡智能体的重规划努力，减少服务时间差异，提升整体效率。
An Imperfect Verifier is Good Enough: Learning with Noisy Rewards
完美验证者并非必需：在有噪声奖励下学习
机构 * Handshake AI ； ETH Zurich（苏黎世联邦理工学院）
AI总结 研究通过引入噪声探讨强化学习在有噪声奖励下的鲁棒性，发现15%的噪声率下验证准确率接近干净基线，表明不完美验证不影响RLVR效果。
Video Parallel Scaling: Aggregating Diverse Frame Subsets for VideoLLMs
视频并行扩展：聚合多样化的帧子集用于VideoLLMs
机构 * EverEx ； University of Michigan（密歇根大学） ； KAIST（韩国科学技术院） ； ETH Zürich（苏黎世联邦理工学院） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； Yonsei University（延世大学）
AI总结 本文提出Video Parallel Scaling方法，通过并行处理不同帧子集提升VideoLLMs的时序推理能力，实验表明其在不同模型架构和规模上均显著提升性能，且比其他并行方法更高效。
Comments CVPR Findings 2026; code: https://github.com/hyungjin-chung/VPS
