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

A Multi-Agent System for Motor Design Optimization via an FEA-AI Hybrid Approach

基于FEA-AI混合方法的IPMSM设计优化多智能体系统

Jinseong Han, Sunwoong Yang, Namwoo Kang

机构 * Cho Chun Shik Graduate School of Mobility, KAIST（KAIST Cho Chun Shik 移动研究生院） ； Department of Mechanical Engineering, Hanyang University（汉阳大学机械工程系） ； Narnia Labs 纠错

AI总结 提出一种端到端自动化IPMSM设计优化框架，通过RAG结构化问题定义与不确定性感知的FEA-AI混合优化流水线，平衡计算成本与预测可靠性，在同等FEA预算下优于纯FEA或纯AI方法。

Comments 37 pages, 31 figures

PAIR: Prefix-Aware Internal Reward Model for Multi-Turn Agent Optimization

PAIR：面向多轮代理优化的前缀感知内部奖励模型

Wonjoong Kim, Yeonjun In, Sangwu Park, Dongha Lee, Chanyoung Park

机构 * KAIST（韩国科学技术院） ； Yonsei University（延世大学） 纠错

AI总结 本文提出PAIR模型，通过结合冻结的隐藏状态探针和轻量级注意力头部，解决多轮任务中内部正确性探针的可靠性问题，从而在不依赖外部模型调用或地面真实依赖的情况下，为GRPO训练提供密集的步骤级奖励信号。

Comments Under Review

Detecting AI-Generated Videos with Spiking Neural Networks

利用脉冲神经网络检测生成视频

Minsuk Jang, Yujin Yang, Hee-Seon Kim, Minseok Son, Younghun Kim, Changick Kim

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

AI总结 本文提出MAST检测器，通过脉冲神经网络处理多通道时间残差，利用语义编码器实现跨生成器泛化，实现93.14%的准确率，展示脉冲神经网络在生成视频检测中的实用性。

Adaptive Policy Backbone via Shared Network

基于共享网络的自适应策略骨干网络

Bumgeun Park, Donghwan Lee

机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院） 纠错

AI总结 该研究提出元迁移强化学习方法APB，通过在共享网络前后插入轻量级线性层实现参数高效微调，提升了强化学习的样本效率，且能适配现有元RL基线通常失效的分布外任务。

Journal ref Forty-third International Conference on Machine Learning (ICML), 2026