Johns Hopkins University（约翰斯·霍普金斯大学）

Personal Visual Memory from Explicit and Implicit Evidence

来自显式和隐式证据的个人视觉记忆

Viet Nguyen, Thao Nguyen, Vishal M. Patel, Yuheng Li

机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Adobe Research（Adobe研究） 纠错

AI总结 本文提出个人视觉记忆基准和VisualMem混合架构，通过显式与隐式视觉证据增强AI代理的长期记忆，显著提升个性化任务性能。

Comments Project Page: https://viettmab.github.io/visualmem-page/

SEMAGIC: Learning Semantically Consistent Deformable 3D Representations from In-the-Wild Images

SEMAGIC: 从野外图像中学习语义一致的可变形3D表示

Sky Cen, Wufei Ma, Guofeng Zhang, Alan Yuille, Adam Kortylewski

机构 * Johns Hopkins University（约翰霍普金斯大学） ； CISPA Helmholtz Center for Information Security（信息安全霍普金斯中心） 纠错

AI总结 针对现有可变形3D重建方法语义对应不稳定的问题，提出SEMAGIC框架，通过特征级一致性损失和顶点索引条件变形，在重建过程中强制语义一致性，从而提升类别级语义对应性能。

Escape the Language Prior: Mitigating Late-Stage Modality Collapse in Audio Reasoning via Modality-Aware Policy Optimization

逃离语言先验：通过模态感知策略优化缓解音频推理中的后期模态崩溃

Cihan Xiao, Yiwen Shao, Chenxing Li, Xiang He, Zhenwen Liang, Steve Yves, Sanjeev Khudanpur, Liefeng Bo

机构 * Johns Hopkins University（约翰霍普金斯大学） ； Tencent Hunyuan（腾讯文言） 纠错

AI总结 针对多模态大语言模型在强化学习后训练中因统一策略梯度忽略模态依赖性而导致的后期模态崩溃问题，提出模态感知策略优化（MAPO）框架，通过模态相关性掩码和辅助注意力损失分支动态聚焦梯度并维持跨模态推理，在复杂音频推理基准上取得新最优结果。

Learn from your own latents and not from tokens: A sample-complexity theory

从自身潜在表示而非token学习：样本复杂度理论

Daniel J. Korchinski, Alessandro Favero, Matthieu Wyart

机构 * Institute of Physics（物理研究所） ； University of Cambridge（剑桥大学） ； Johns Hopkins University（约翰霍普金斯大学） ； EPFL（苏黎世联邦理工学院） 纠错

AI总结 本文通过概率上下文无关语法数据，证明潜在预测方法在样本复杂度上相比token级SSL具有指数级优势，并分析了多尺度层次结构的必要性。

Comments 10 pages, 5 figures in main. 28 pages, 14 figures, 1 table in all

You Only Align Once: Propagating Cooperative Behaviors in Multi-Agent Systems through Seed Agents

你只需对齐一次：通过种子智能体在多智能体系统中传播合作行为

Nicole Hsing, Asuka Yuxi Zheng, Yi Zhao, Haoqin Tu, Jen-Tse Huang

机构 * Arcarae ； University of California, Santa Cruz（加州大学圣克鲁兹分校） ； Northwestern University（西北大学） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 本文提出对齐传播现象，通过种子智能体在自然语言交互中传播合作行为，在红黑游戏中将合作率从24.8%提升至62.2%，并零样本迁移至Sugarscape场景。

When prompt perturbations break your A/B test: A valid statistical test for generative surveying

当提示扰动破坏你的A/B测试：一种用于生成式调查的有效统计检验

Hayden Helm, Carey Priebe

机构 * Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 针对生成式调查中LLM对提示设计敏感的问题，提出一种置换检验方法，在包含扰动结构的统计模型下保持有效性，并给出预算分配建议。

PICACO: Pluralistic In-Context Value Alignment of LLMs via Total Correlation Optimization

PICACO: 通过总相关优化实现大语言模型的多元情境价值对齐

Han Jiang, Dongyao Zhu, Xiaoyuan Yi, Ziang Xiao, Zhihua Wei, Xing Xie

机构 * Johns Hopkins University, Baltimore, MD, USA（约翰霍普金斯大学） ； North Carolina State University, Raleigh, NC, USA（北卡罗来纳州立大学） ； Microsoft Research Asia, Beijing, China（微软亚洲研究院） ； Tongji University, Shanghai, China（同济大学） 纠错

AI总结 针对情境对齐中价值冲突导致的指令瓶颈问题，提出PICACO方法，通过优化元指令并最大化指定价值与模型响应的总相关，无需微调即可实现多元价值平衡对齐。

Comments ICML 2026

Rethinking Calibration for Early-Exit Neural Networks

重新思考早退神经网络的校准

Piotr Kubaty, Filip Szatkowski, Grzegorz Choczyński, Eric Nalisnick, Bartosz Wójcik

机构 * Jagiellonian University（雅盖隆大学） ； Warsaw University of Technology（华沙理工大学） ； IDEAS Research Institute（IDEAS研究院） ； Johns Hopkins University（约翰霍普金斯大学） ； Doctoral School of Exact and Natural Sciences（精确与自然科学博士学院） 纠错

AI总结 本文质疑校准对早退神经网络性能的充分性，提出早退失败预测（EEFP）以同时考虑预测正确性和计算成本，并设计轻量级改进方法，实现更优的成本-准确率权衡。