University of Maryland, College Park（马里兰大学帕克分校）

Benchmarked Yet Not Measured -- Generative AI Should be Evaluated Against Real-World Utility

经过基准测试却未被测量——生成式AI应基于现实世界效用进行评估

Ishani Mondal, Shweta Bhardwaj

机构 * University of Maryland, College Park（马里兰大学学院公园分校） 纠错

AI总结 本文指出生成式AI在标准基准上表现优异但缺乏现实效用，提出需从静态基准转向基于利益相关者、目标和情境的效用评估，提出SCU-GenEval框架及三项支持工具。

Comments 20 pages

Schoenfeld's Anatomy of Mathematical Reasoning by Language Models

语言模型的数学推理解剖：Schoenfeld的推理结构

Ming Li, Chenrui Fan, Yize Cheng, Soheil Feizi, Tianyi Zhou

机构 * University of Maryland, College Park（马里兰大学学院公园分校） 纠错

AI总结 本文通过Schoenfeld的事件理论，提出ThinkARM框架，解剖语言模型的推理过程，揭示推理与非推理模型在结构上的差异，并通过案例研究展示探索步骤与正确性及效率方法的影响。

Comments ACL2026, camera-ready

Capacity-Aware Inference: Mitigating the Straggler Effect in Mixture of Experts

容量感知推理：减轻混合专家中的滞后效应

Shwai He, Weilin Cai, Jiayi Huang, Ang Li

机构 * University of Maryland, College Park（马里兰大学学院公园分校） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） 纠错

AI总结 本文提出容量感知令牌丢弃和扩展丢弃方法，通过减少专家负载不平衡提升混合专家模型的推理效率和性能。

Comments ICLR 2026

DeltaRubric: Generative Multimodal Reward Modeling via Joint Planning and Verification

DeltaRubric: 通过联合规划和验证实现生成式多模态奖励建模

Rui Liu, Dian Yu, Zhenwen Liang, Yucheng Shi, Tong Zheng, Runpeng Dai, Haitao Mi, Pratap Tokekar, Leoweiliang

机构 * Tencent Hunyuan（腾讯文元） ； University of Maryland, College Park（马里兰大学 College Park 分校） ； University of North Carolina, Chapel Hill（北卡罗来纳大学 Chapel Hill 分校） 纠错

AI总结 DeltaRubric通过联合规划和验证流程，提升多模态奖励建模的可靠性与泛化能力，实验表明其在多模态任务中表现优异。

Reinforcing Multimodal Reasoning Against Visual Degradation

增强多模态推理以对抗视觉退化

Rui Liu, Dian Yu, Haolin Liu, Yucheng Shi, Tong Zheng, Runpeng Dai, Haitao Mi, Pratap Tokekar, Leoweiliang

机构 * Tencent Hunyuan（腾讯文言） ； University of Maryland, College Park（马里兰大学 College Park 分校） ； University of Virginia（弗吉尼亚大学） ； University of North Carolina, Chapel Hill（北卡罗来纳大学 Chapel Hill 分校） 纠错

AI总结 本文提出ROMA框架，通过优化动态增强多模态大语言模型对视觉退化的鲁棒性，提升在多种基准测试中的表现。

Stealthy Patch-Wise Backdoor Attack in 3D Point Cloud via Curvature Awareness

基于曲率感知的3D点云中隐蔽的逐块后门攻击

Yu Feng, Dingxin Zhang, Runkai Zhao, Yong Xia, Heng Huang, Weidong Cai

机构 * The University of Sydney（悉尼大学） ； Northwestern Polytechnical University（西北工业大学） ； University of Maryland College Park（马里兰大学学院公园分校） 纠错

AI总结 本文提出一种针对3D点云的隐蔽逐块后门攻击框架SPBA，通过曲率变化计算局部不可察觉得分，减少谱触发计算成本，提升攻击隐蔽性。

Comments 12 pages, 6 figures, 11 tables

FunnelNet: An End-to-End Deep Learning Framework to Monitor Digital Heart Murmur in Real-Time

FunnelNet：一种用于实时监测数字心脏杂音的端到端深度学习框架

Md Jobayer, Md. Mehedi Hasan Shawon, Md Zakir Hossain, Shreya Ghosh, Imre Rudas, Tom Gedeon, Md Rakibul Hasan

机构 * Department of Biomedical Engineering, Linköping University（林雪平大学生物医学工程系） ； Department of Electrical and Computer Engineering, University of Maryland College Park（马里兰大学学院公园分校电子与计算机工程系） ； School of Medicine and Psychology, The Australian National University（澳大利亚国立大学医学与心理学学院） ； School of Electrical Engineering, Computing and Mathematical Sciences, Curtin University（Curtin大学电子工程、计算与数学科学学院） ； School of Electrical Engineering and Computer Science, The University of Queensland（昆士兰大学电子工程与计算机科学学院） ； University of ÓBuda（布达佩斯大学） 纠错

AI总结 本文提出了一种基于传统和深度可分离卷积网络的端到端实时心脏杂音检测方法，通过滤波和小波变换提取特征，利用轻量级模型在资源受限设备上实现高准确率的实时诊断。

CalibFree: Self-Supervised View Feature Separation for Calibration-Free Multi-Camera Multi-Object Tracking

CalibFree：用于无标定多摄像机多目标跟踪的自监督视图特征分离

Ruiqi Xian, Deep Patel, Iain Melvin, Sanjoy Kundu, Martin Renqiang Min, Dinesh Manocha

机构 * University of Maryland, College Park, MD, USA（马里兰大学） ； NEC Laboratories America, Princeton, NJ, USA（NEC美国实验室） ； University of North Carolina, Greenboro, NC, USA（北卡罗来纳大学格林伯格分校） 纠错

AI总结 本文提出CalibFree，一种无需标定或手动标注的自监督表示学习框架，通过单视图蒸馏和跨视图重建实现视图无关与视图特定特征分离，提升多摄像机多目标跟踪的准确性和适应性。

How You Begin is How You Reason: Driving Exploration in RLVR via Prefix-Tuned Priors

如何开始就是如何推理：通过前缀微调先验驱动RLVR探索

Yifan Xu, Junren Chen, Yifan Chen

机构 * Hong Kong Baptist University（香港 Baptist 大学） ； University of Maryland, College Park（马里兰大学 College Park 分校） 纠错

AI总结 本文提出IMAX框架，通过训练软前缀来重塑基础模型的推理轨迹先验，以解决RLVR中探索不足的问题，提升推理性能。

A Single Neuron Is Sufficient to Bypass Safety Alignment in Large Language Models

单个神经元足以绕过大型语言模型的安全对齐

Hamid Kazemi, Atoosa Chegini, Maria Safi

机构 * Apple（苹果公司） ； University of Maryland, College Park（马里兰大学 College Park 分校） 纠错

AI总结 研究通过针对单个神经元展示安全对齐的两种失效方向，证明在不训练或提示工程的情况下，通过抑制或放大特定神经元可绕过安全对齐。

Probing the Critical Point (CritPt) of AI Reasoning: a Frontier Physics Research Benchmark

探测人工智能推理的临界点（CritPt）：一个前沿物理研究基准

Minhui Zhu, Minyang Tian, Xiaocheng Yang, Tianci Zhou, Lifan Yuan, Penghao Zhu, Eli Chertkov, Shengyan Liu, Yufeng Du, Ziming Ji, Indranil Das, Qingzhi Chen, Junyi Cao, Yufeng Du, Jiabin Yu, Peixue Wu, Jinchen He, Yifan Su, Yikun Jiang, Yujie Zhang, Chang Liu, Ze-Min Huang, Weizhen Jia, Yunkai Wang, Farshid Jafarpour, Yong Zhao, Xinan Chen, Jessie Shelton, Aaron W. Young, John Bartolotta, Wenchao Xu, Yue Sun, Anjun Chu, Victor Colussi, Chris Akers, Nathan Brooks, Wenbo Fu, Jinchao Zhao, Marvin Qi, Anqi Mu, Yubo Yang, Allen Zang, Yang Lyu, Peizhi Mai, Christopher Wilson, Xuefei Guo, Juntai Zhou, Daniel Inafuku, Chi Xue, Luyu Gao, Ze Yang, Yaïr Hein, Yonatan Kahn, Kevin Zhou, Di Luo, John Drew Wilson, Jarrod T. Reilly, Dmytro Bandak, Ofir Press, Liang Yang, Xueying Wang, Hao Tong, Nicolas Chia, Eliu Huerta, Hao Peng

机构 * Argonne National Laboratory（阿贡国家实验室） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Virginia Tech（弗吉尼亚理工大学） ； Ohio State University（俄亥俄州立大学） ； Independent（独立） ； Northeastern University（东北大学） ； Caltech（加州理工学院） ； University of Florida（佛罗里达大学） ； University of Waterloo（滑铁卢大学） ； University of Maryland, College Park（马里兰大学学院公园分校） ； Columbia University（哥伦比亚大学） ； Perimeter Institute for Theoretical Physics（理论物理研究所） ； University of Connecticut（康涅狄格大学） ； University of Cologne（科隆大学） ； The Chinese University of Hong Kong（香港中文大学） ； Utrecht University（乌得勒支大学） ； Harvard University（哈佛大学） ； ETH Zürich（苏黎世联邦理工学院） ； Paul Scherrer Institute（保罗·谢尔研究所） 纠错

AI总结 本文提出CritPt基准，用于测试LLM在未发表的科研级推理任务中的能力，涵盖现代物理多个领域，发现当前LLM在复杂科研挑战中表现有限，仅能实现5.7%的准确率。

Comments 40 pages, 6 figures, 6 tables