The University of Hong Kong（香港大学）

PanoWorld: Towards Spatial Supersensing in 360$^\circ$ Panorama World

PanoWorld：迈向360度全景世界的空间超感知

Changpeng Wang, Xin Lin, Junhan Liu, Yuheng Liu, Zhen Wang, Donglian Qi, Yunfeng Yan, Xi Chen

机构 * Zhejiang University（浙江大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of California, Irvine（加州大学伊维特分校） ； The University of Hong Kong（香港大学） 纠错

AI总结 本文提出PanoWorld，通过构建全景原生理解能力，解决传统多模态大模型在空间感知上的不足，通过全景空间交叉注意力机制提升3D空间推理能力，并建立PanoSpace-Bench基准测试，验证了全景原生监督的有效性。

Comments Project page: https://wcpcp.github.io/PanoWorld

GSDrive: Reinforcing Driving Policies by Multi-mode Future Trajectory Probing with 3D Gaussian Splatting Environment

GSDrive: 通过多模式未来轨迹探查与3D高斯点散布环境强化驾驶策略

Ziang Guo, Chen Min, Xuefeng Zhang, Yixiao Zhou, Shuo Wang, Sifa Zheng, Dzmitry Tsetserukou, Zufeng Zhang

机构 * Intelligent Space Robotics Laboratory, Skolkovo Institute of Science and Technology（斯克尔科维科学与技术研究院智能空间机器人实验室） ； Research Center for Intelligent Computing Systems, SKLP, Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所智能计算系统研究中心，SKLP） ； Department of Electrical and Electronic Engineering, The University of Hong Kong, China（香港大学电子与电气工程系） ； SuZhou Automotive Research Institute, Tsinghua University（清华大学苏州汽车研究院） ； School of Vehicle and Mobility, Tsinghua University（清华大学车辆与移动系统学院） 纠错

AI总结 GSDrive通过多模式轨迹探查和3D高斯点散布环境，结合模仿学习与强化学习，提升端到端自动驾驶的训练效果与鲁棒性。

Comments 2nd version

VAGS: Velocity Adaptive Guidance Scale for Image Editing and Generation

VAGS：图像编辑与生成的速率自适应引导尺度

Yan Luo, Ahmadou Aidara, Jingyi Lu, Jeremy Moebel, Kai Han, Mengyu Wang

机构 * Harvard AI and Robotics Lab（哈佛人工智能与机器人实验室） ； Harvard University（哈佛大学） ； School of Computing and Data Science（计算与数据科学学院） ； The University of Hong Kong（香港大学） ； Kempner Institute for the Study of Natural and Artificial Intelligence（自然与人工智能研究学院） 纠错

AI总结 VAGS通过自适应引导尺度提升图像编辑和生成的结构保真度和生成质量，无需微调或额外计算。

ConsistNav: Closing the Action Consistency Gap in Zero-Shot Object Navigation with Semantic Executive Control

ConsistNav：通过语义执行控制关闭零样本物体导航中的动作一致性差距

Haosen Wang, Zhenyang Li, Yinqiang Zhang, Zongqi He, Lutao Jiang, Kai Li, Yizhou Zhao, Liaoyuan Fan, Wenjian Hou, Tingbang Liang, Yibin Wen, Defeng Gu

机构 * Sun Yat-sen University（中山大学） ； The University of Hong Kong（香港大学） ； Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； City University of Hong Kong（香港城市大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出ConsistNav框架，通过语义执行控制模块解决零样本物体导航中动作一致性问题，提升导航精度与鲁棒性。

Comments 13 pages, 5 figures

BPDQ: Bit-Plane Decomposition Quantization on a Variable Grid for Large Language Models

BPDQ：基于可变网格的位平面分解量化用于大语言模型

Junyu Chen, Jungang Li, Jing Xiong, Wenjie Wang, Qingyao Yang, He Xiao, Zhen Li, Taiqiang Wu, Mengzhao Chen, Zhen Peng, Chaofan Tao, Long Shi, Hongxia Yang, Ngai Wong

机构 * Southwestern University of Finance and Economics（西南财经大学） ； The University of Hong Kong（香港大学） ； Artificial Intelligence and Digital Finance Key Laboratory of Sichuan Province（四川省人工智能与数字金融重点实验室） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； The Hong Kong Polytechnic University（香港理工大学） ； Sun Yat-sen University（中山大学） 纠错

AI总结 本文提出BPDQ，通过位平面和标量系数构建可变量化网格，并利用二阶信息迭代优化，实现2位下大语言模型在单张RTX 3090上达到83.85%的GSM8K准确率。

Overfitting has a limitation: a model-independent generalization gap bound based on Rényi entropy

过拟合有其局限性：基于 Rényi 熵的模型无关泛化间隙界限

Atsushi Suzuki, Jing Wang

机构 * Department of Mathematics Faculty of Science The University of Hong Kong Hong Kong SAR（香港大学数学系） ； School of Computing and Mathematical Sciences Faculty of Engineering and Science. University of Greenwich London, United Kingdom（格林威治大学工程与科学学院） 纠错

AI总结 本文提出基于 Rényi 熵的模型无关泛化间隙上界，解释了大模型在数据量充足时仍能保持良好泛化性能的现象，同时指出数据分布的 Rényi 熵对学习成功至关重要。

Hallucinations are inevitable but can be made statistically negligible

幻觉是不可避免的，但可以被统计上忽略

Atsushi Suzuki, Yulan He, Feng Tian, Zhongyuan Wang

机构 * Department of Mathematics（数学系） ； The University of Hong Kong（香港大学） ； Department of Informatics（信息学院） ； King’s College London（伦敦国王学院） ； Division of Natural and Applied Sciences（自然科学与应用科学系） ； Duke Kunshan University（杜克大学昆山分校） ； School of Computer Science（计算机科学学院） 纠错

AI总结 本文探讨了语言模型幻觉的不可避免性与可忽略性，通过概率视角证明充分高质量训练数据可使幻觉概率降低，同时结合信息论指出概率理论结果更符合实际应用需求。

Shaping Sparse Rewards in Reinforcement Learning: A Semi-supervised Approach

在强化学习中塑造稀疏奖励：一种半监督方法

Wenyun Li, Wenjie Huang, Chen Sun

机构 * Department of Mathematics, The University of Hong Kong (HKU)（香港大学数学系） ； Department of Data and Systems Engineering, HKU（香港大学数据与系统工程系） ； Musketeers Foundation Institute of Data Science, HKU（穆斯克特基金会数据科学研究所） 纠错

AI总结 本文提出一种半监督方法，通过利用非零奖励转移和数据增强学习轨迹空间表示，提升稀疏奖励下的奖励塑造效果，在Atari和机器人操控任务中优于监督方法。