Georgia Institute of Technology（佐治亚理工学院）

Inherited Goal Drift: Contextual Pressure Can Undermine Agentic Goals

继承性目标漂移：情境压力可能削弱代理目标

Achyutha Menon, Magnus Saebo, Tyler Crosse, Spencer Gibson, Eyon Jang, Diogo Cruz

机构 * UC San Diego（加州大学圣地亚哥分校） ； Columbia University（哥伦比亚大学） ； Georgia Tech（佐治亚理工学院） ； MATS ； SPAR 纠错

AI总结 本文研究了语言模型在面对情境压力时目标漂移的继承性问题，发现模型在不同环境下表现出不一致的鲁棒性，强调了对训练后技术改进的必要性。

Comments 22 pages, 7 figures. Accepted at ICLR 2026 Lifelong Agents Workshop

Reducing Belief Deviation in Reinforcement Learning for Active Reasoning

减少强化学习中的信念偏差以实现主动推理

Deyu Zou, Yongqiang Chen, Jianxiang Wang, Haochen Yang, Mufei Li, James Cheng, Pan Li, Yu Gong

机构 * The Chinese University of Hong Kong（香港中文大学） ； ByteDance（字节跳动） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 本文提出$\mathbf{T^3}$方法，通过跟踪信念偏差并截断训练轨迹，提升LLM在主动推理中的训练稳定性与性能表现。

Comments Published as a conference paper at ICLR 2026 (Oral)

Compositional Visual Planning via Inference-Time Diffusion Scaling

通过推理时扩散缩放进行组合式视觉规划

Yixin Zhang, Yunhao Luo, Utkarsh Aashu Mishra, Woo Chul Shin, Yongxin Chen, Danfei Xu

机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of Michigan（密歇根大学） 纠错

AI总结 本文提出通过推理时扩散缩放进行组合式视觉规划，利用Tweedie估计强制边界一致，实现长时间范围的稳定规划。

Subspace Geometry Governs Catastrophic Forgetting in Low-Rank Adaptation

子空间几何支配低秩适应中的灾难性遗忘

Brady Steele

机构 * Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 子空间几何揭示低秩适应中灾难性遗忘的规律，表明遗忘受任务子空间角度影响，秩对遗忘的影响取决于子空间相似性。

Comments 15 pages, 5 figures, 6 tables

Fine-Tuning Diffusion Models via Intermediate Distribution Shaping

通过中间分布塑形微调扩散模型

Gautham Govind Anil, Shaan Ul Haque, Nithish Kannen, Dheeraj Nagaraj, Sanjay Shakkottai, Karthikeyan Shanmugam

机构 * Google DeepMind（谷歌DeepMind） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 通过中间分布塑形提升扩散模型微调效果，改进文本到图像生成质量

Comments Accepted at ICLR 2026

Improving Classifier-Free Guidance in Masked Diffusion: Low-Dim Theoretical Insights with High-Dim Impact

改进屏蔽扩散中的分类器自由引导：低维理论见解与高维影响

Kevin Rojas, Ye He, Chieh-Hsin Lai, Yuhta Takida, Yuki Mitsufuji, Molei Tao

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Sony AI（索尼人工智能） 纠错

AI总结 本文提出了一种改进的分类器自由引导方法，通过理论分析和实验验证，解决了早期采样阶段引导过强导致的生成质量下降问题，并通过简单代码调整提升了样本质量。

The Gen AI Generation: Student Views of Awareness, Preparedness, and Concern

生成式人工智能：学生对意识、准备度与担忧的看法

Micaela Siraj, Jon Duke, Thomas Plötz

机构 * Georgia Institute of Technology Atlanta, United States of America（佐治亚理工学院亚特兰大分校，美国） 纠错

AI总结 本研究探讨学生对生成式人工智能的意识、准备度和担忧，发现接触GenAI的学生成绩更高，但多数学生对伦理和就业影响表示担忧。