Open Materials Generation with Inference-Time Reinforcement Learning
基于推理时间强化学习的开放材料生成
机构 * ETH Zurich（苏黎世联邦理工学院）
AI总结 提出OMatG-IRL框架，通过策略梯度强化学习直接作用于学习的速度场，无需显式计算得分，实现晶体结构预测中的能量目标强化，采样效率提升一个数量级。
Comments 25 pages, 12 figures, 6 tables
高校专区
ETH Zurich（苏黎世联邦理工学院）
Evaluation Cards: An Interpretive Layer for AI Evaluation Reporting
评估卡：AI评估报告的解释层
机构 * Hugging Face ； Stanford University（斯坦福大学） ； Queen Mary University of London（伦敦玛丽女王大学） ； University of Copenhagen（哥本哈根大学） ； Trustible ； EleutherAI ； TU Darmstadt（达姆施塔特工业大学） ； Weizenbaum Institute & Technical University of Munich（魏森鲍姆研究所与慕尼黑工业大学） ； Harvard University（哈佛大学） ； The Hebrew University of Jerusalem（耶路撒冷希伯来大学） ； Iowa State University（爱荷华州立大学） ； IBM Research（IBM研究院） ； University of Chicago（芝加哥大学） ； Independent（独立） ； Berkeley AI Safety Institute (BASIS)（伯克利人工智能安全研究所） ； Simula ； University of Edinburgh（爱丁堡大学） ； ETH Zurich & ETH AI Center（苏黎世联邦理工学院与ETH AI中心） ； Oxford Internet Institute（牛津互联网研究所） ； Amherst College（阿默斯特学院） ； University of Nebraska（内布拉斯加大学） ； Syntony Research ； McGill University（麦吉尔大学） ； Evals Consensus ； Israel Institute of Technology（以色列理工学院） ； IOL.Learn & Zuse Institute Berlin（IOL.Learn与柏林祖泽研究所） ； Georgia Institute of Technology（佐治亚理工学院） ； Quebec AI Institute, Université de Montréal（魁北克人工智能研究所，蒙特利尔大学） ； University of Notre Dame（圣母大学） ； Georgetown University（乔治城大学） ； DHBW Stuttgart（斯图加特双元制大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 针对AI评估报告不一致的问题，提出EvalCards作为统一记录层，通过结构化模式、四种解释信号和监控工具，覆盖5816个模型和635个基准，揭示报告实践中的系统性差距。
Revisiting Greedy Decoding for Visual Question Answering: A Calibration Perspective
重新审视视觉问答中的贪婪解码：一种校准视角
机构 * ETH Zurich（苏黎世联邦理工学院） ； University of Toronto（多伦多大学） ； MBZUAI（穆桑比克人工智能研究所）
AI总结 针对视觉问答任务，从校准角度理论证明贪婪解码优于随机采样，并提出适用于推理模型的贪婪解码方法，实验验证其有效性。
Informed Asymmetric Actor-Critic: Leveraging Privileged Signals Beyond Full-State Access
知情非对称Actor-Critic：利用超越全状态访问的特权信号
机构 * DeepMind（深度Mind） ； University of Cambridge（剑桥大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of Geneva（日内瓦大学）
AI总结 提出知情非对称Actor-Critic框架，允许评论家基于任意状态相关特权信号进行条件化，并证明其产生无偏策略梯度估计；设计两种信息性准则选择最优信号，实验表明精选信号可匹配或超越全状态基线。
Comments Accepted at ICML 2026
Lost in Serialization: Invariance and Generalization of LLM Graph Reasoners
迷失在序列化中：LLM图推理器的不变性与泛化能力
机构 * University of Cambridge（剑桥大学） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 研究LLM图推理器对图表示对称性的缺乏不变性，通过分解序列化因素并评估微调影响，发现大模型更鲁棒，微调降低节点重标敏感但增加结构和格式敏感，且不保证泛化。
Comments ICML 2026 Workshop on Graph Foundation Models
Position: The ML Community Must Build an AI-Augmented Peer-Review Ecosystem
立场：机器学习社区必须构建AI增强的同行评审生态系统
机构 * University of Amsterdam（阿姆斯特丹大学） ； University of Cambridge（剑桥大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 针对ML领域稿件激增导致同行评审危机，本文主张将AI辅助评审作为优先研究课题，提出利用大语言模型作为协作工具，增强事实核查、评审指导、作者改进和决策支持，并强调需要更细粒度的评审数据。
Comments 18 pages, 3 figures. Accepted (Oral) at the ICML 2026 Position Paper Track
LaRI: Layered Ray Intersections for Single-view 3D Geometric Reasoning
LaRI: 用于单视图3D几何推理的分层射线交点
机构 * ETH Zurich（苏黎世联邦理工学院） ； Adobe Research（Adobe研究）
AI总结 提出LaRI方法，通过分层点图预测射线与多个表面的交点，实现单次前馈的完整场景重建，支持物体级和场景级任务。
Comments Project page: https://ruili3.github.io/lari
Journal ref ICML 2026
RAPTOR: Rapid Aerial Pickup and Transport of Objects by Robots
RAPTOR: 机器人快速空中抓取与运输物体
机构 * Soft Robotics Lab, ETH Zurich, Switzerland（软机器人实验室，苏黎世联邦理工学院，瑞士）
AI总结 提出一种结合软材料Fin Ray夹爪和Fast DDS中间件的四旋翼平台RAPTOR，实现高速飞行中对不同几何形状物体的灵活抓取，平均抓取成功率83%，有效载荷达先前工作的四倍。
Comments 7 pages, 10 figures, accepted to IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) 2022. Video: https://youtu.be/KHkBlBABsC8 Project page: https://srl-ethz.github.io/RAPTOR
OpenGlass: Ultra-Low-Power On-Device AI Eyewear with Event-based Vision
OpenGlass：用于设备上基于事件的手势识别的开源智能眼镜
机构 * Department of Information Technology and Electrical Engineering, ETH Zürich（信息科技与电气工程系，瑞士联邦理工学院）
AI总结 提出开源智能眼镜平台OpenGlass，采用模块化设计、事件驱动电源管理和GAP9 RISC-V SoC，实现低功耗设备上ML，在LynX数据集上达到83.94%的跨主体手势识别准确率。
ThinkBooster: A Unified Framework for Seamless Test-Time Scaling of LLM Reasoning
ThinkBooster: 一种用于LLM推理无缝测试时扩展的统一框架
机构 * MBZUAI ； ETH Zürich（苏黎世联邦理工学院） ； Imperial College London（伦敦帝国理工学院） ； NUS（国立大学新加坡） ； Accenture（埃森哲） ； Innopolis University（因诺普里斯大学） ； Independent Researcher（独立研究者）
AI总结 提出ThinkBooster框架，通过模块化库、联合评估基准和可部署代理服务，实现LLM推理的测试时计算扩展，在数学和编码任务上验证了性能-计算权衡。
Can AI Weather Models Predict Beyond Two Weeks? A Quantitative Benchmark and Analysis of Long Rollouts
AI天气模型能否预测两周以上？长期推演的定量基准与分析
机构 * ETH AI Center（ETH人工智能中心） ； ETH Zurich（苏黎世联邦理工学院） ； Swiss Data Science Center（瑞士数据科学中心） ； Scalable Parallel Computing Lab（可扩展并行计算实验室） ； Dep. of Applied Mathematics and Theoretical Physics（应用数学与理论物理系） ； University of Cambridge（剑桥大学） ； Institute of Geodesy and Photogrammetry（大地测量与摄影测量研究所） ； Seminar for Applied Mathematics（应用数学研讨会）
AI总结 通过九种AI天气模型的一年推演，将长期不稳定性分类为爆发、漂移和季节性丧失三种模式，并发现稳定性取决于对小时空尺度的处理。
SwAIther-Precip: Lead-Time-Aware Bias Correction Enables Kilometer-Scale Downscaling of Global AI Precipitation Forecasts over Switzerland
SwAIther-Precip：考虑提前时间的偏倚校正实现瑞士全球AI降水预报的公里级降尺度
机构 * European Centre for Medium-Range Weather Forecasts（欧洲中期天气预报中心） ； University of Geneva（日内瓦大学） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 本文提出SwAIther-Precip框架，通过校正提前时间依赖性偏倚，提升全球AI降水预报的公里级概率降尺度能力，实验显示CRPS降低48%。
CodeTaste: Can LLMs Generate Human-Level Code Refactorings?
CodeTaste：LLM能否生成人类级别的代码重构？
机构 * University of California, Berkeley（加州大学伯克利分校） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 研究LLM代理在代码重构中的能力，通过CodeTaste基准测试发现，代理在详细指定重构时表现良好，但难以自主发现人类选择的重构，提出“先提议后实现”分解可改善对齐。
Foundation Inference Models for Ordinary Differential Equations
常微分方程的基础推理模型
机构 * University of Cambridge（剑桥大学） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 提出FIM-ODE，一种预训练的基础推理模型，通过单次前向传播从含噪轨迹直接预测向量场，实现零样本性能匹配并超越ODEFormer，微调后优于现代神经和GP基线。
Comments Published in ICML 2026
Journal ref Proceedings of the 43rd International Conference on Machine Learning (ICML 2026)
Self-Supervised Learning with a Multi-Task Latent Space Objective
基于多任务潜在空间目标的自监督学习
机构 * ESAT-PSI, KU Leuven, Belgium（KU莱顿大学ESAT-PSI实验室） ； VIB.AI, KU Leuven, Belgium（KU莱顿大学VIB.AI实验室） ； CVL, ETH Zürich, Switzerland（苏黎世联邦理工学院CVL实验室） ； INSAIT, Sofia University, Bulgaria（保加利亚索菲亚大学INSAIT研究所） ； TRACE vzw（TRACE非营利组织）
AI总结 提出自预测孪生SSL的多任务公式，通过为每种空间变换分配专用预测器解决多裁剪训练失败问题，提升线性评估3.8-4%，并引入非对称裁剪视图实现语义修复预训练。
MidSteer: Optimal Affine Framework for Steering Generative Models
MidSteer：用于引导生成模型的最优仿射框架
机构 * University of Basel（巴塞尔大学） ； University of California, Berkeley（加州大学伯克利分校） ； ETH Zurich（苏黎世联邦理工学院） ； University of Cambridge（剑桥大学） ； University of Washington（华盛顿大学）
AI总结 本文提出MidSteer，一种基于仿射变换的最优概念引导框架，通过最小干扰实现生成模型中的概念切换，并在视觉扩散模型和大型语言模型上验证其有效性。
SERNF: Sample-Efficient Real-World Dexterous Policy Fine-Tuning via Action-Chunked Critics and Normalizing Flows
SERNF: 通过动作块评论家和归一化流实现样本高效的真实世界灵巧策略微调
机构 * Soft Robotics Lab, D-MAVT（软机器人实验室，D-MAVT） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 提出SERNF框架，结合归一化流策略和动作块评论家，实现真实世界灵巧操作策略的样本高效微调，解决多模态动作分布和信用分配问题。
Comments https://srl-ethz.github.io/SERNF/
The Necessity of Setting Temperature in LLM-as-a-Judge
LLM作为评判者中设置温度的必要性
机构 * University of Luxembourg（卢森堡大学） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 系统研究温度对LLM评判行为的影响，发现高温降低一致性但暴露不确定性，低温适合稳定任务，高温适合复杂场景，建议温度作为任务相关的设计选择。
Comments 17 pages
LuMamba: Latent Unified Mamba for Electrode Topology-Invariant and Efficient EEG Modeling
LuMamba: 用于电极拓扑不变且高效的EEG建模的潜在统一Mamba
机构 * ETH Zürich, Institute of Information Systems（苏黎世联邦理工学院信息系统研究所）
AI总结 提出LuMamba框架，结合拓扑不变编码和线性复杂度状态空间模型，通过LUNA的查询交叉注意力机制统一通道，FEMBA的双向Mamba块高效时序建模，在5个下游任务上以4.6M参数达到SOTA性能。
Comments EUSIPCO 2026, 5 pages, 2 figures, 4 tables
Certified Robustness to Data Poisoning in Gradient-Based Training
基于梯度的训练中对数据投毒的认证鲁棒性
机构 * Department of Computing, Imperial College London, United Kingdom（帝国理工学院伦敦分校计算机系） ； Department of Computer Science, ETH Zurich, Switzerland（苏黎世联邦理工学院计算机科学系） ； LogicStar.ai, Switzerland（LogicStar.ai公司） ； The Alan Turing Institute, United Kingdom（艾伦·图灵研究所）
AI总结 提出首个框架，通过凸松弛过度近似参数更新集，为梯度下降训练的模型提供针对无目标、有目标投毒和后门攻击的可证明鲁棒性保证。
Comments 21 pages, 8 figures
Hermes: Accelerating Long-Latency Load Requests via Perceptron-Based Off-Chip Load Prediction
Hermes: 通过基于感知器的片外负载预测加速长延迟负载请求
机构 * ETH Zürich（苏黎世联邦理工学院） ； Intel Processor Architecture Research Lab（英特尔处理器架构研究实验室） ； LIRMM, Univ. Montpellier, CNRS（蒙彼利埃大学LIRMM实验室，CNRS）
AI总结 提出Hermes技术，利用感知器预测片外负载请求，投机性地直接从主存获取数据，同时并行访问缓存层次，从而消除片外负载关键路径上的片上缓存访问延迟，显著提升处理器性能。
Comments To appear in 55th IEEE/ACM International Symposium on Microarchitecture (MICRO), 2022
