ETH Zurich（苏黎世联邦理工学院）

Factorizable Normalizing Flows for parameter-dependent density morphing

可分解归一化流用于参数依赖的密度变形

Davide Valsecchi, Mauro Donegà, Rainer Wallny

机构 * Institute for Particle Physics and Astrophysics, D-PHYS, ETH Zurich（粒子物理与天体物理学研究所，D-PHYS，苏黎世联邦理工学院） 纠错

AI总结 提出可分解归一化流(FNFs)，通过参数多项式分解学习参数依赖密度变形，实现线性扩展和可解释性，适用于高能物理等领域的连续密度变形。

Comments 14 pages, 8 figures. Code: https://doi.org/10.5281/zenodo.21011625

NeuReasoner: Theory-grounded Mapping of Reasoning Elicitation Boundaries

NeuReasoner: 理论驱动的推理激发边界映射

Aydin Javadov, Shyngys Aitkazinov, Tobias Hoesli, Florian von Wangenheim, Bjoern Schuller, Joseph Ollier

机构 * ETH Zürich（苏黎世联邦理工学院） ； Imperial College London（伦敦帝国理工学院） ； Technical University of Munich（慕尼黑技术大学） 纠错

AI总结 提出理论驱动的NeuReasoner框架，通过神经透镜与认知透镜结合，在无需外部工具下激发大模型推理能力，在数学、编码及认知任务上匹配或超越后训练思维模式，并发现风险决策等边界。

MALOQ: Massively Accelerated Learning of Operators for Quantum Transport

MALOQ: 量子输运算子的大规模加速学习

Manasa Kaniselvan, Alexander Maeder, Denghui Lu, Alexandros Nikolaos Ziogas, Mathieu Luisier

机构 * D-ITET, ETH Zurich（D-ITET，苏黎世联邦理工学院） 纠错

AI总结 提出MALOQ框架，基于SO(2)-等变骨干架构和可扩展边分布，加速学习DFT哈密顿量/密度矩阵，支持多达10万原子体系，训练时间减少30%以上。

Comments 13 pages, 8 figures

Generating in the Limit with Infinitely Many Hallucinations

极限生成与无限幻觉

Irene Strauss, Alexandra Butoi, Ryan Cotterell

机构 * ETH Zürich（苏黎世联邦理工学院） 纠错

AI总结 研究语言生成中精确度与召回率的权衡，提出允许无限次错误但频率趋零的松弛条件，证明在对手隐藏大部分目标语言时可严格提升召回率。

Weighted universal approximation of differentiable maps on infinite-dimensional manifolds

无限维流形上可微映射的加权通用逼近

Philipp Schmocker, Josef Teichmann

机构 * Department of Mathematics, ETH Zurich, Switzerland（苏黎世联邦理工学院数学系） 纠错

AI总结 通过加权Nachbin定理，将函数输入神经网络的通用逼近定理推广到可微映射，包括导数逼近，并应用于非预期泛函和路径空间泛函的逼近。

Comments 77 pages, 3 figures

Motion planning for hundreds of floating robots

数百个浮动机器人的运动规划

Jan Kamm, Antonio Terpin, Raffaello D'Andrea, Aswin Ramachandran

机构 * Institute for Dynamic Systems and Control, ETH Zürich（苏黎世联邦理工学院动态系统与控制研究所） 纠错

AI总结 针对大型浮动机器人编队的无碰撞运动规划问题，提出一种可扩展的流水线方法，通过碰撞图分解为独立子问题并行求解，在500个机器人仿真和实际演示中验证了有效性。

Comments Accepted to the 2026 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026)

OpenFrontier: General Navigation with Visual-Language Grounded Frontiers

OpenFrontier: 基于视觉-语言基础的通用导航

Esteban Padilla-Cerdio, Boyang Sun, Marc Pollefeys, Hermann Blum

机构 * ETH Zurich（苏黎世联邦理工学院） ； Microsoft Spatial AI Lab（微软空间人工智能实验室） ； University of Bonn（波恩大学） 纠错

AI总结 本文提出OpenFrontier框架，通过稀疏子目标识别与到达问题实现高效导航，无需任务特定训练或微调，适用于多种视觉-语言先验模型，展示零样本性能和真实机器人部署效果。

LeAD-M3D: Leveraging Asymmetric Distillation for Real-Time Monocular 3D Detection

LeAD-M3D：利用不对称蒸馏实现实时单目3D检测

Johannes Meier, Jonathan Michel, Oussema Dhaouadi, Yung-Hsu Yang, Christoph Reich, Zuria Bauer, Stefan Roth, Marc Pollefeys, Jacques Kaiser, Daniel Cremers

机构 * DeepScenario ； ETH Zurich（苏黎世联邦理工学院） ； TU Munich（慕尼黑工业大学） ； MCML（慕尼黑机器学习中心） ； TU Darmstadt（达姆施塔特工业大学） ； ELIZA ； Microsoft（微软） 纠错

AI总结 本文提出LeAD-M3D，通过不对称蒸馏提升单目3D检测精度与效率，无需额外模态，在KITTI和Waymo数据集上达到SOTA性能，速度提升达3.6倍。

Comments ECCV 2026. Project page: https://deepscenario.github.io/LeAD-M3D/

When Does Sparsity Mitigate the Curse of Depth in LLMs

当稀疏性如何缓解大语言模型中的深度诅咒

Dilxat Muhtar, Xinyuan Song, Sebastian Pokutta, Max Zimmer, Nico Pelleriti, Thomas Hofmann, Shiwei Liu

机构 * Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； ELLIS Institute Tübingen（ELLIS图宾根研究所） ； ETH Zürich（苏黎世联邦理工学院） ； Tübingen AI Center（图宾根人工智能中心） ； Zuse Institute Berlin（柏林祖泽研究所） ； Technical University of Berlin（柏林工业大学） ； Emory University（埃默里大学） 纠错

AI总结 本文研究稀疏性机制如何缓解大语言模型深度诅咒，通过实验发现稀疏性可降低输出方差并提升层间区分度，提出训练深度有效LLM的实用规则，提升下游任务准确率4.6%。

Comments 32 pages, 29 figures