Surprisal Theory is Tautological (without Rational Grounding)
惊奇理论是同义反复的（缺乏理性基础）
机构 * ETH Zürich（苏黎世联邦理工学院）
AI总结 研究惊奇理论，指出其在无额外约束时是同义反复，任何难度模式都与某语言模型一致，无法证伪。长期被隐含假设掩盖，近期实证削弱该假设。结论是打破同义反复需理性主义干预，相关语言模型应源自非经验驱动模型。
Comments Under "Review" at ARR
高校专区
ETH Zurich（苏黎世联邦理工学院）
ConfidenceBench: Evaluating Confidence Calibration in Large Language Models
ConfidenceBench：评估大语言模型中的置信度校准
机构 * ETH Zurich（苏黎世联邦理工学院） ； University of Pennsylvania（宾夕法尼亚大学） ； New York University（纽约大学）
AI总结 研究针对大语言模型在特定场景下仅靠准确性不足的问题，提出ConfidenceBench校准基准，用Brier分数评估15个前沿LLMs口头置信度，经实验发现模型准确性与校准差异大，证明口头置信度校准是LLM可靠性重要维度，补充了基于准确性的评估。
Marking the Wrong Symptoms: Evaluating LLM Watermarks in Medical Texts
标记错误症状：评估医学文本中的大语言模型水印
机构 * ETH Zurich（苏黎世联邦理工学院） ； Berlin Institute of Health at Charité – Universitätsmedizin Berlin（柏林夏里特医学院柏林健康研究所） ； Deutsches Herzzentrum der Charité – Medical Heart Center of Charité and German Heart Institute Berlin（柏林夏里特医学院德国心脏中心与柏林德国心脏研究所）
AI总结 研究LLM水印对医学性能的影响，在11个LLM和7个VLM上对5种水印方案进行多任务基准测试，引入人类专家验证管道补充评估，发现水印会致多种退化，特定领域评估是医学中水印模型安全部署的前提。
Making Open-Source Text LLM Watermarks Durable Against Merging
使开源文本语言模型水印在合并后仍具耐久性
机构 * ETH Zurich（苏黎世联邦理工学院）
AI总结 研究如何让开源文本语言模型水印在模型合并后仍具耐久性，提出合并对抗训练算法，该算法能将水印融入模型权重，在保留下游能力的同时优于所有基线，还评估了针对现实合并场景的水印，表明对抗训练可提高水印耐久性。
Building Fast, Evaluating Slow: Pipeline Choices Dominate Autointerpretability Score Variance
构建快速，评估缓慢：管道选择主导自动可解释性得分方差
机构 * ETH Zürich（苏黎世联邦理工学院）
AI总结 研究稀疏自动编码器可解释性得分的跨论文比较，通过多指标、多模型及方法变化轴的实验发现方法方差主导得分方差，排名不稳定，基于得分的比较可能反映管道差异，贡献评估方法以推动可解释性研究。
SkyEV: RGB-Event UAV detection and tracking dataset and baseline
SkyEV：RGB-事件无人机检测与跟踪数据集及基线
机构 * ETH Zurich（苏黎世联邦理工学院）
AI总结 针对无人机检测数据集存在的问题，引入开源数据集SkyEV，其含高度同步的未压缩RGB和基于事件的数据，能捕捉复杂现实条件。提供统一数据加载器，用多模态架构建立实验基线，证明该数据集对检测小尺度目标有效。
Planning as Emergent Behavior in Reinforcement Learning with Relational Hidden States
关系隐藏状态强化学习中作为涌现行为的规划
机构 * ETH Zurich（苏黎世联邦理工学院）
AI总结 研究无模型强化学习中规划作为涌现行为的现象，发现神经架构的隐藏状态结构是决定因素，关系隐藏状态网络能获规划机制，恢复环境转移结构并改进策略，解释了涌现规划现象并引发相关问题。
Enabling Multilingual Privacy Policy Audits: Large-Scale Analysis of Spanish Mobile Apps
实现多语言隐私政策审计：对西班牙移动应用的大规模分析
机构 * ETH Zurich（苏黎世联邦理工学院） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 研究多语言环境下隐私政策审计，利用大语言模型构建跨语言分类器，通过对西班牙谷歌应用商店应用的大规模审计，发现公共部门与商业应用语言使用差异及声明与实际做法的差异，揭示仅英语审计掩盖透明度差距的问题。
ReViV: Reconstructing the Viewer and the View in 4D from Monocular Egocentric Video
ReViV：从单目自我中心视频中重建4D中的观看者和视图
机构 * ETH Zurich（苏黎世联邦理工学院） ； Delft University of Technology（代尔夫特理工大学） ； Microsoft（微软）
AI总结 研究旨在从单目自我中心视频重建4D中的观看者和视图，提出ReViV框架，将任务建模为学习多模态信号联合概率分布，由掩码生成自我中心变压器驱动，在多基准测试中展现出高精度和效率，还保持了竞争力强的自我中心深度估计，且代码模型开源。
Comments Accepted to ECCV 2026. The first two authors contributed equally, and their author order is interchangeable
Quantizing Recursive Reasoning Models
量化递归推理模型
机构 * Integrated Systems Laboratory, ETH Zürich（集成系统实验室，瑞士苏黎世联邦理工学院）
AI总结 研究递归推理模型量化问题，发现其因激活缩放粒度致精度崩溃，提出用逐块缩放恢复转换，应用MXInt4格式，该格式在任务中与浮点格式有竞争力，克服架构量化敏感性弱点，还能转移到ARC - AGI基准测试。
Comments Preprint, 27 pages, 4 tables, 12 figures
International Agreements to Limit Frontier AI: Objectives and Exit
限制前沿人工智能的国际协议：目标与退出
机构 * ETH Zürich, Zurich, Switzerland（苏黎世联邦理工学院） ； Harvard University, Cambridge, United States（哈佛大学） ； MATS Research, Berkeley, United States（MATS研究）
AI总结 研究限制人工智能发展的国际协议，通过调查现有协议，明确适当条件属性并列出可能条件，建议设定固定时间段，由新组织规定发展条件，特殊情况可退出，以此说明相关协议的考虑因素。
A Methodology for Auditable Trustworthiness Levels in AI Lifecycle Governance
人工智能生命周期治理中可审计可信度水平的一种方法
机构 * Institute of Biomedical Ethics and History of Medicine, University of Zürich（生物医学伦理与医学史研究所，苏黎世大学） ； SUPSI, Dalle Molle Institute for Artificial Intelligence (IDSIA)（SUPSI人工智能研究所） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 研究人工智能治理中系统可信度判断问题，提出轻量级方法，含形式框架与治理程序两部分，用决策树建模，能产生可信度平台等，通过合成轨迹说明方法可支持合规文档编制和生命周期监测。
Comments 32 pages; 7 figures
EgoExoMoCap: Distributed Ego-Exo Human Motion Capture
EgoExoMoCap：分布式自我-外部人体运动捕捉
机构 * Meta Reality Labs（元现实实验室） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 针对头戴式设备人体运动捕捉，提出EgoExoMoCap分布式框架，联合自我与外部中心多模态信号，利用头部等跟踪信号及DINOv3特征，能在复杂场景中稳健重建运动，突破了两种范式孤立的局限。
Comments Accepted by ECCV 2026, Project page and code: https://siplab.org/projects/EgoExoMoCap
NeuralChaos: Optimal Adapted Approximation of Square Integrable Predictable Processes
神经混沌：平方可积可预测过程的最优适配逼近
机构 * Department of Mathematics, McMaster University（麦基尔大学数学系） ； Vector Institute（向量研究所） ； The London School of Economics（伦敦政治经济学院） ； ETH Zurich, Department of Mathematics（苏黎世联邦理工学院数学系）
AI总结 研究\(\mathbb{R}^{d}\)值可预测平方可积过程表示计算难题，提出神经混沌架构，仅用驱动布朗运动有限次评估生成\(\mathcal{H}^2_T(\mathbb{R}^{d})\)元素，证明其稠密性及逼近率，通过实验验证有效性，提升随机分析和数学金融建模效率与表现力。
EgoHTR: Egocentric 4D Demonstrations of Human Terrain Traversal
EgoHTR：以自我为中心的人类地形穿越的4D演示
机构 * ETH Zurich（苏黎世联邦理工学院） ； Stanford（斯坦福大学） ； UC Berkeley（加州大学伯克利分校） ； TU Munich（慕尼黑工业大学）
AI总结 研究针对非结构化地形部署人形机器人的问题，提出EgoHTR数据集，通过多传感器设置捕获人类运动序列，经评估有高准确性，还利用数据训练运动策略并实现硬件部署，助力构建上下文感知机器人。
Comments Project webpage: https://egohtr.github.io
OmniPMNet: Bridging discrete and gridded PM10 forecasts via omni-query neural processes
OmniPMNet：通过全查询神经过程弥合离散和网格化的PM10预测
机构 * ColorfulClouds Technology Co., Ltd.（彩云科技有限公司） ； School of Systems Science, Beijing Normal University（北京师范大学系统科学学院） ； D-ITET, ETH Zurich（苏黎世联邦理工学院动态信息与电气工程系）
AI总结 研究旨在弥合离散和网格化的PM10预测。核心方法是基于卷积条件神经过程的OmniPM-Net，融合化学传输模型与图神经网络预测。主要贡献是提升预测准确性，降低误差，在高浓度尾部和沙尘事件中有显著改进，还能提供网格化场。
Technical Report on the CVPR 2026@AdvML Workshop Challenge
关于CVPR 2026@AdvML研讨会挑战赛的技术报告
机构 * Beihang University（北京航空航天大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； Tongji University（同济大学） ； iFLYTEK Co., Ltd.（科大讯飞股份有限公司） ； Anhui Laboratory for Safe Artificial Intelligence in the Yangtze River Delta（长三角安全人工智能安徽实验室） ； Wenzhou Business College（温州商学院） ； Jiangnan University（江南大学） ； Guangzhou City University of Technology（广州理工学院） ； Inceptio Technology（智元机器） ； Institute of Dataspace（数据空间研究所） ； Zhongguancun Laboratory（中关村实验室） ； Tsinghua University（清华大学） ； ETH Zürich（苏黎世联邦理工学院） ； University of Oxford（牛津大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； BAAI（北京智源人工智能研究院） ； Meta ； Johns Hopkins University（约翰·霍普金斯大学） ； University of California, Berkeley（加州大学伯克利分校） ； Nanyang Technological University（南洋理工大学）
AI总结 介绍CVPR 2026@AdvML研讨会针对自动驾驶VLAs的对抗性多模态攻击挑战赛，基于多视图视觉问答，参赛者要生成对抗图像和文本扰动。阐述任务设计等，研究领先提交作品发现后缀惩罚等模式，为多模态自动驾驶系统相关工作提供参考。
PAKE: Learning Whole-Body Loco-Manipulation with Partial Kinematic Embeddings
PAKE：利用部分运动学嵌入学习全身移动操作
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Korea Advanced Institute of Science and Technology（韩国科学技术院） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 研究针对高自由度机器人全身移动操作面临的挑战，提出将其分解为部分参考运动生成和低级模仿控制的框架，用KNF模型生成参考运动，经高低级控制器实现精确控制，在模拟和硬件实验中均表现优异，为相关操作提供实用方案。
Diversify Diffusion with Temperature Sampling and Variance-Corrective Time Shifting
通过温度采样和方差校正时间偏移实现扩散多样化
机构 * ETH Zurich（苏黎世联邦理工学院） ； Google（谷歌）
AI总结 研究针对扩散模型难以达到罕见模式的问题，提出方差校正时间偏移方法，并结合温度采样，无需重新训练就能提升样本多样性，在多个模型中以低成本实现质量和保真度提升，还能实现从粗到细的控制。
Comments Webpage: https://peizhuoli.github.io/diversify-diffusion
Spectrally Deconfounded Gradient Boosting
频谱去混杂梯度提升
机构 * Seminar for Statistics, ETH Zürich（统计系，苏黎世联邦理工学院） ； IFZ, Lucerne University of Applied Sciences and Arts（IFZ，卢塞恩应用科学与艺术大学）
AI总结 研究针对机器学习中隐藏混杂问题，为梯度提升开发非线性频谱去混杂框架，用频谱损失取代平方误差损失，通过频谱收缩与正则化相互作用实现去混杂，扩展方法到一般似然和非线性混杂，实验证明其能改善目标函数估计且更具可扩展性。
ProofCouncil: An LLM Agent for Solving Open Mathematical Problems
ProofCouncil：用于解决开放性数学问题的语言模型智能体
机构 * ETH Zurich（苏黎世联邦理工学院） ； Aarhus University（奥胡斯大学） ； Leiden University（莱顿大学）
AI总结 研究旨在提升大型语言模型解决数学开放性问题的性能，介绍了ProofCouncil智能体，它采用作者-评论家架构，在FirstProof挑战及其他问题测试中表现出色，还介绍了其开发及相关构建库并开源。
Comments 25 pages, 7 figures. ProofCouncil appears as System A (IMProofBench ProofCouncil) in the official FirstProof second-batch report (arXiv:2606.18119). Code and agent-building library: https://github.com/eth-sri/proof-council
STEEL: Sparsity-Aware Fused Attention for Energy-Efficient Long-Sequence Inference on AMD's XDNA NPU
STEEL：用于在AMD的XDNA NPU上进行节能长序列推理的稀疏感知融合注意力
机构 * AMD Research and Advanced Development (RAD)（AMD研究与先进开发） ； Integrated Systems Laboratory (IIS)（集成系统实验室） ； ETH Zürich（苏黎世联邦理工学院） ； Department of Electrical, Electronic and Information Engineering (DEI)（电气电子信息工程系） ； University of Bologna（博洛尼亚大学）
AI总结 研究针对笔记本级SoC上节能推理，提出STEEL这一针对类似XDNA的NPU的FlashAttention开源实现，通过引入预填充注意力数据流公式化及稀疏感知流水线布局，降低能耗与延迟，相比CPU和GPU有显著性能提升。
Comments Accepted at IEEE COINS 2026
Adaptive Latent Trajectory Anchoring for Action Segmentation Dataset Condensation
用于动作分割数据集压缩的自适应潜在轨迹锚定
机构 * National University of Singapore（新加坡国立大学） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 该研究针对动作分割数据集压缩问题，提出利用去噪扩散隐式模型，将动作段表示为噪声流形中由稀疏潜在点锚定连续轨迹的方法，并引入自适应分配机制。实验表明，该框架显著优于现有方法，在保持低压缩率时实现与真实数据训练相当的性能。
Comments 16 pages, 5 figures, accepted to ECCV 2026
FlowDAgger: Human-in-the-Loop Adaptation of Generative Robot Policies in Latent Space
FlowDAgger：在潜在空间中对生成式机器人策略进行人工参与的自适应调整
机构 * Microsoft Research（微软研究院） ； University of Washington（华盛顿大学） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 研究针对预训练生成式机器人策略在实际部署中出现的问题，提出FlowDAgger方法，通过动作反转从人工干预获取监督，在模拟及现实操纵中评估，该方法优于基线且能保留预训练技能，为机器人基础模型自适应调整提供实用路径。
ARDY: Autoregressive Diffusion with Hybrid Representation for Interactive Human Motion Generation
ARDY：用于交互式人体运动生成的具有混合表示的自回归扩散
机构 * NVIDIA（英伟达） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 研究旨在解决交互式应用中人体运动生成问题，提出ARDY框架，采用混合表示和两阶段自回归变压器去噪器，能通过在线文本提示和运动学约束实现高保真运动生成，经评估验证了有效性和实用性。
Comments ACM Transactions on Graphics (SIGGRAPH 2026)
FPGN: Redefining Ultra-Fast Programmable Gate-based Neural Acceleration with Differentiable LUTs
FPGN：用可微查找表重新定义基于超快速可编程门的神经加速
机构 * HKUST（香港科技大学） ； ETH Zurich（苏黎世联邦理工学院） ； HKUST (GZ)（香港科技大学（广州））
AI总结 研究旨在实现DNN纳秒级推理延迟，针对传统FPGA加速器局限，提出FPGN框架。通过硬件对齐可微公式、结构化拓扑和延迟驱动编译器，弥合差距。实验表明其相比其他加速器延迟降低205倍，LUT效率高30倍，且推理精度有竞争力。
Linear Attention Architectures: Mechanisms, Trade-offs, and Cross-Layer Routing
线性注意力架构：机制、权衡与跨层路由
机构 * ETH Zurich（苏黎世联邦理工学院） ； ETH AI Center, ETH Zurich（苏黎世联邦理工学院ETH人工智能中心）
AI总结 研究对softmax注意力和四种循环线性注意力架构比较，用通用符号表达机制差异。通过训练350M参数模型实验，发现不同架构在损失、吞吐量等方面表现不同，还引入评估跨层路由机制，如CLVR可降低DeltaNet和门控DeltaNet的最终验证损失。
Comments 20 pages, 6 figures, 8 tables. Code available at https://github.com/tommasocerruti/linear-attention-architectures
GrowFields: Compositional 4D Neural Fields for Topology-Changing Plant Growth
GrowFields：用于拓扑变化植物生长的组合式4D神经场
机构 * ETH Zürich（苏黎世联邦理工学院） ； Swiss Data Science Center（瑞士数据科学中心） ； Martin-Luther-Universität Halle-Wittenberg（马丁-路德-哈雷-维滕贝格大学）
AI总结 针对从稀疏纵向3D观测量化植物生长动力学的难题，提出GrowFields，将植物分解为器官并对齐到规范坐标系，学习共享神经变形场，在植物器官跟踪中表现优于现有表示。
Comments ECCV 2026 paper (main conference). v2 corrects the vertical guide lines in supplementary Figures 5-7. Project page and code available at https://joaquin-gajardo.github.io/growfields/
ECGLight: Compute-Light Framework For Paper ECG Digitization and Myocardial Infarction Screening
ECGLight：用于纸质心电图数字化和心肌梗死筛查的轻计算框架
机构 * ETH Zürich（苏黎世联邦理工学院） ； Swiss Paraplegic Research（瑞士截瘫研究中心） ； University of Campania “Luigi Vanvitelli”（坎帕尼亚“路易吉·万维泰利”大学） ； University of Italian Switzerland, Cardiocentro Ticino Institute（意大利瑞士大学提契诺心脏中心研究所）
AI总结 针对偏远诊所因资源限制无法利用AI分析纸质心电图的问题，提出端到端轻量级设备端数字化到诊断管道，能将纸质心电图转换为校准信号并筛查病变，经数据集验证，准确率高且运行快，可普及纸质记录并提供决策支持。
Creativity from Friction: Human-AI Interaction for Exploratory Structural Design
摩擦产生创造力：用于探索性结构设计的人机交互
机构 * Block Research Group, Department of Architecture, ETH Zurich（建筑系，苏黎世联邦理工学院） ； IVIA Lab, Department of Computer Science, ETH Zurich（计算机科学系，苏黎世联邦理工学院）
AI总结 探讨当前生成式AI目标与结构设计师等创作者需求的偏差，提出允许受限人机共同创作的系统设计维度，通过试点设计界面和专家研究，展示其对设计空间探索的支持及设计师看法。
Comments Accepted at ICML 2026, Workshop on Human-AI Co-Creativity
