Korea Advanced Institute of Science and Technology（韩国科学技术院）

Safe-Support Q-Learning: Learning without Unsafe Exploration

安全支持Q学习：学习而不进行危险探索

Yeeun Lim, Narim Jeong, Donghwan Lee

机构 * Department of Electrical Engineering, KAIST, Daejeon, South Korea（韩国釜山科学技术院电子工程系） 纠错

AI总结 本文提出一种严格的安全要求，通过安全集支持的行为策略，确保训练过程中不访问危险状态，采用两阶段框架分别训练Q函数和策略，实现稳定学习和安全行为。

Comments 26 pages

From Scene to Object: Text-Guided Dual-Gaze Prediction

从场景到物体：文本引导的双目预测

Zehong Ke, Yanbo Jiang, Jinhao Li, Zhiyuan Liu, Yiqian Tu, Qingwen Meng, Heye Huang, Jianqiang Wang

机构 * School of Vehicle and Mobility, Tsinghua University（清华大学车辆与移动系统学院） ； Cho Chun Shik Graduate School of Mobility, Korea Advanced Institute of Science and Technology（Cho Chun Shik 移动研究生院，韩国科学技术院） 纠错

AI总结 本文提出双分支 gaze 预测框架，通过构建物体级数据集和改进模型架构，实现精准物体级注意力预测，提升语义推理能力。

C3G: Learning Compact 3D Representations with 2K Gaussians

C3G：通过2K高斯学习紧凑的3D表示

Honggyu An, Jaewoo Jung, Mungyeom Kim, Chaehyun Kim, Minkyeong Jeon, Jisang Han, Kazumi Fukuda, Takuya Narihira, Hyuna Ko, Junsu Kim, Sunghwan Hong, Yuki Mitsufuji, Seungryong Kim

机构 * KAIST AI（韩国成均馆大学人工智能研究所） ； ETH AI Center, ETH Zürich（苏黎世联邦理工学院人工智能中心） ； SONY AI（索尼人工智能） ； Sony Group Corporation（索尼集团） 纠错

AI总结 本文提出C3G框架，通过学习可训练标记聚合多视图特征，生成紧凑且几何意义明确的3D高斯表示，提升场景重建与理解的效率和精度。

Comments Project Page : https://cvlab-kaist.github.io/C3G/

When Thoughts Meet Facts: Reusable Reasoning for Long-Context LMs

当思维遇见事实：长上下文语言模型的可重用推理

Soyeong Jeong, Taehee Jung, Sung Ju Hwang, Joo-Kyung Kim, Dongyeop Kang

机构 * KAIST（韩国科学技术院） ； Amazon（亚马逊） ； University of Minnesota（明尼苏达大学） 纠错

AI总结 本文提出Thought Templates用于长上下文语言模型的可重用推理，通过迭代更新策略提升多跳推理能力，并展示其在多种基准测试中的优越表现。

Comments ACL Findings 2026