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

WorldKV: Efficient World Memory with World Retrieval and Compression

WorldKV: 通过世界检索和压缩实现高效的world内存

Jung Yi, Minjae Kim, Paul Hyunbin Cho, Wooseok Jang, Sangdoo Yun, Seungryong Kim

机构 * KAIST AI（韩国科学技术院人工智能实验室） ； Naver AI Lab（Naver人工智能实验室） 纠错

AI总结 本文提出WorldKV，一种无需训练的框架，通过世界检索和压缩技术，在保持一致性的同时提高效率，实现在Matrix-Game-2.0和LingBot-World-Fast数据集上达到或超越全KV内存保真的性能。

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

What are the Right Symmetries for Formal Theorem Proving?

正式定理推理中应有的对称性是什么？

Krzysztof Olejniczak, Radoslav Dimitrov, Xingyue Huang, Bernardo Cuenca Grau, Jinwoo Kim, İsmail İlkan Ceylan

机构 * University of Oxford（牛津大学） ； KAIST（韩国科学技术院） ； TU Wien（维也纳技术大学） ； AITHYRA 纠错

AI总结 本文探讨了正式定理推理中应尊重的对称性，提出了基于范畴论的重写范畴框架，用于形式化证明等价性和成功不变性，并通过测试时方法改进了LLM基定理证明器的鲁棒性和性能。

IdleSpec: Exploiting Idle Time via Speculative Planning for LLM Agents

IdleSpec: 通过投机规划利用空闲时间用于LLM代理

Daewon Choi, Kyunghyun Park, Woomin Song, Saket Dingliwal, Sai Muralidhar Jayanthi, Jinwoo Shin, Aram Galstyan

机构 * KAIST（韩国科学技术院） ； Amazon AGI（亚马逊人工智慧实验室） ； Together AI 纠错

AI总结 本文提出IdleSpec，一种利用空闲时间提升LLM代理性能的方法，通过在空闲期间生成计划候选并减少延迟开销，从而在多种代理场景中显著提高性能。

ExComm: Exploration-Stage Communication for Error-Resilient Agentic Test-Time Scaling

ExComm：探索阶段通信用于容错的代理测试时间扩展

Woomin Song, Beomjun Kim, Daewon Choi, Sai Muralidhar Jayanthi, Saket Dingliwal, Jinwoo Shin, Aram Galstyan

机构 * KAIST（韩国科学技术院） ； Amazon AGI（亚马逊人工智能实验室） ； Together AI 纠错

AI总结 本文提出ExComm，一种用于探索阶段的代理测试时间扩展通信协议，通过定期审计代理信念状态以检测跨代理事实冲突，并通过专用工具验证循环解决冲突，从而提升测试时间扩展的容错能力。

Rethinking Forward Processes for Score-Based Nonlinear Data Assimilation in High Dimensions

重新思考高维数据同化中的分数基非线性数据同化前向过程

Eunbi Yoon, Won Chang, Donghan Kim, Dae Wook Kim

机构 * KAIST（韩国科学技术院） 纠错

AI总结 本文提出了一种针对数据同化问题的改进前向过程，用于高维非线性系统的状态估计，通过改进的分数基滤波器在测量空间中转换系统状态，提高了同化性能。

Unifying Masked Diffusion Models with Various Generation Orders and Beyond

统一多种生成顺序及超越的掩码扩散模型

Chunsan Hong, Sanghyun Lee, Jong Chul Ye

机构 * Graduate School of AI, KAIST, South Korea（韩国延世大学人工智能研究生院） 纠错

AI总结 本文提出Order-Expressive Masked Diffusion Model (OeMDM)和Learnable-Order Masked Diffusion Model (LoMDM)，统一了不同生成顺序的扩散生成过程，并通过单目标学习生成顺序和扩散骨干，提升了文本生成性能。

Comments Accepted at ICML 2026

Demystifying Transition Matching: When and Why It Can Beat Flow Matching

解开转换匹配之谜：何时以及为何它能超越流匹配

Jaihoon Kim, Rajarshi Saha, Minhyuk Sung, Youngsuk Park

机构 * KAIST（韩国科学技术院） ； Amazon Web Services（亚马逊网络服务） 纠错

AI总结 本文研究了转换匹配（TM）在何时以及为何能超越流匹配（FM），通过证明在单峰高斯分布下TM具有更低的KL散度，并分析了在高斯混合分布中TM在局部单峰区域的优势，以及在目标方差非可忽略时TM的优越性。

Comments Code: https://github.com/amazon-science/TransitionFlowMatching (AISTATS 2026)

Accelerated Test-Time Scaling with Model-Free Speculative Sampling

加速测试时间缩放与模型无关的推测采样

Woomin Song, Saket Dingliwal, Sai Muralidhar Jayanthi, Bhavana Ganesh, Jinwoo Shin, Aram Galstyan, Sravan Babu Bodapati

机构 * KAIST（韩国科学技术院） ； Amazon AGI（亚马逊人工智能实验室） ； AirSignal 纠错

AI总结 本文提出STAND，一种无需模型的推测解码方法，通过利用推理轨迹中的冗余性，显著提升推理效率而不牺牲准确性，经多个模型和任务评估，STAND在保持准确性的同时将推理延迟降低了60-65%。

Comments EMNLP 2025 Oral

Do Vision Models Encode Object-Level Semantic Relatedness? A Cognitive Psychology-Inspired Benchmark

视觉模型是否编码物体层面的语义相关性？一种受认知心理学启发的基准

Hansang Lee, Haeil Lee, Junmo Kim

机构 * Department of Computer Science（计算机科学系） ； Seoul Women’s University（首尔女子大学） ； LG Energy Solution（LG能源解决方案） ； School of Electrical Engineering（电气工程学院） ； KAIST（韩国科学技术院） 纠错

AI总结 本文通过一种受认知心理学启发的基准，探讨了视觉模型是否能编码物体层面的语义相关性，研究了两种仅基于图像的测试集，并揭示了分类准确率之外的表征特性。

ORBIS: Output-Guided Token Reduction with Distribution-Aware Matching for Video Diffusion Acceleration

ORBIS: 通过分布感知匹配的输出引导标记减少以加速视频扩散

Hangyeol Lee, Joo-Young Kim

机构 * KAIST（韩国科学技术院） 纠错

AI总结 本文提出ORBIS，一种针对视频扩散Transformer的SW-HW协同设计加速器，通过利用前一时间步的输出激活获得更准确的token相似性，从而提高匹配质量并实现更高的标记减少比例，同时引入分布感知标记匹配算法和专用硬件设计，实现比现有方法更高的标记减少率、更快的速度和更低的能耗。

Rethinking Token Reduction for Diffusion Models via Output-Similarity-Awareness

重新思考扩散模型的token减少：通过输出相似性意识

Hangyeol Lee, Hyojeong Lee, Joo-Young Kim

机构 * KAIST（韩国科学技术院） 纠错

AI总结 本文提出DiTo，一种基于输出中心的token减少方法，通过利用相邻时间步的输出相似性来建立token对应关系，从而减少计算复杂度并提高生成质量。

Toward Understanding Adversarial Distillation: Why Robust Teachers Fail

迈向理解对抗蒸馏：为何鲁棒教师失败

Hongsin Lee, Hye Won Chung

机构 * School of Electrical Engineering, KAIST, Daejeon, Korea（韩国科学技术院电子工程学院） 纠错

AI总结 本文研究了对抗蒸馏中鲁棒教师与学生鲁棒性之间的关系，揭示了教师监督信心与学生表示限制之间的不匹配导致鲁棒过拟合现象，并提出了理论框架和实验验证。

Comments Accepted to ICML 2026. Code is available at https://github.com/HongsinLee/why-robust-teachers-fail

Diagnosis Is Not Prescription: Linguistic Co-Adaptation Explains Patching Hazards in LLM Pipelines

诊断并非处方：语言共适应解释了LLM流水线中的修补危害

Yoon Jeonghun, Kim Dongchan

机构 * KAIST (Korea Advanced Institute of Science and Technology)（韩国科学技术院） ； NAVER Corp.（NAVER公司） 纠错

AI总结 本文研究了多模块LLM代理失败时，诊断与修补之间的矛盾，发现路由模块虽为瓶颈，但注入修正示例反而降低性能，而修正查询重写模块则更有效，提出了语言合同假说解释这种现象。

Comments Preprint. Under review at EMNLP 2026 (ARR)

Reliable Wireless Indoor Localization via Cross-Validated Prediction-Powered Calibration

通过交叉验证的预测驱动校准实现可靠的无线室内定位

Seonghoon Yoo, Houssem Sifaou, Sangwoo Park, Joonhyuk Kang, Osvaldo Simeone

机构 * School of Electrical Engineering, Korea Advanced Institute of Science and Technology（韩国科学技术院电子工程学院） ； King’s Communications, Learning & Information Processing (KCLIP) Lab, Centre for Intelligent Information Processing Systems (CIIPS), Department of Engineering, King’s College London（伦敦国王学院信息与通信实验室，智能信息处理系统中心，工程系） ； Institute for Intelligent Networked Systems, Northeastern University London（伦敦东北大学智能网络系统研究所） 纠错

AI总结 本文提出一种利用有限校准数据同时优化预测器和估计合成标签偏差的方法，通过交叉验证预测驱动校准提高无线室内定位的可靠性。