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

DADiff: Diffusion-Driven Cross-Domain Policy Adaptation for Reinforcement Learning

DADiff：用于强化学习的扩散驱动跨域策略适应

Hanyang Chen, Anirudh Satheesh, Longchao Da, Hua Wei

机构 * Arizona State University（亚利桑那州立大学） ； University of Maryland, College Park（马里兰大学帕克分校） 纠错

AI总结 研究强化学习中跨域策略适应问题，提出基于扩散的DADiff框架，利用源域和目标域生成轨迹差异估计动态不匹配，开发奖励修改和数据选择变体，实验表明该方法性能优于现有方法，有效解决动态不匹配。

Comments Accepted by IROS 2026

Learning Pseudorandom Numbers with Transformers: Permuted Congruential Generators, Curricula, and Interpretability

利用Transformer学习伪随机数：排列同余生成器、课程学习与可解释性

Tao Tao, Maissam Barkeshli

机构 * Department of Physics, University of Maryland, College Park, USA（大学物理系，马里兰大学，College Park, USA） ； Meta FAIR Joint Quantum Institute, University of Maryland（Meta FAIR联合量子研究所，马里兰大学） 纠错

AI总结 本研究探讨了Transformer模型学习排列同余生成器生成的序列能力，揭示了课程学习在处理大模数时的重要性，并发现嵌入层中存在位旋转不变的聚类现象。

Comments 10+13 pages, 8+21 figures

Journal ref International Conference on Learning Representations (ICLR) 2026

Harness Handbook: Making Evolving Agent Harnesses Readable,Navigable, and Editable

Harness手册：使不断演进的智能体框架具有可读性、可导航性和可编辑性

Ruhan Wang, Yucheng Shi, Zongxia Li, Zhongzhi Li, Yue Yu, Junyao Yang, Kishan Panaganti, Haitao Mi, Dongruo Zhou, Leoweiliang

机构 * Tencent（腾讯） ； Indiana University（印第安纳大学） ； University of Maryland, College Park（马里兰大学帕克分校） ； University of Georgia（佐治亚大学） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 研究智能体框架演进中行为定位难的问题，提出通过Harness手册和行为引导的渐进式披露，以行为为中心自动合成框架表示并辅助规划，提高行为定位和编辑计划质量，助力复杂智能体系统发展。

Comments 29 pages, 6 figures. Project page: https://ruhan-wang.github.io/Harness-Handbook/

EM-GANSim: Real-time and Accurate EM Simulation Using Conditional GANs for 3D Indoor Scenes

EM-GANSim：使用条件生成对抗网络进行3D室内场景的实时准确电磁仿真

Ruichen Wang, Dinesh Manocha

机构 * University of Maryland, College Park（马里兰大学College Park分校） 纠错

AI总结 研究针对3D室内无线通信电磁仿真问题，提出EM-GANSim方法，用改进条件GAN结合电磁理论预测功率分布，经多场景评估具有高准确率和低计算时间，是首个此类实时算法，还将发布代码和数据集。

Comments 12 pages, 9 figures, 5 tables

Plug-and-Play Reweighting for Resilient Collaborative Decision-Making in Connected Autonomous Driving

用于联网自动驾驶中弹性协作决策的即插即用重加权方法

Jiewen Liu, Rui Liu, Matthew Lee, Ming C. Lin, Xiaorui Liu, Peng Gao

机构 * North Carolina State University（北卡罗来纳州立大学） ； University of Maryland, College Park（马里兰大学帕克分校） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） 纠错

AI总结 针对联网自动驾驶中协作决策受感知噪声和对抗攻击影响的问题，提出弹性协作决策（RCDM）框架，含基于注意力的编解码器，设计即插即用重加权模块，经高保真模拟评估，性能优于现有方法，实现最优弹性能。

Comments 8 pages, 4 figures, 2 tables. Accepted to the 2026 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026)

Long-Horizon-Terminal-Bench: Testing the Limits of Agents on Long-Horizon Terminal Tasks with Dense Reward-Based Grading

长视野终端基准测试：使用基于密集奖励的评分方式测试智能体在长视野终端任务中的极限

Zongxia Li, Zhongzhi Li, Yucheng Shi, Ruhan Wang, Junyao Yang, Zhichao Liu, Xiyang Wu, Anhao Li, Yue Yu, Ninghao Liu, Lichao Sun, Haotao Mi, Leowei Liang

机构 * Tencent（腾讯） ； University of Maryland, College Park（马里兰大学帕克分校） ； University of Georgia（佐治亚大学） ； University of Minnesota, Twin Cities（明尼苏达大学双城分校） ； Indiana University（印第安纳大学） ； Lehigh University（里海大学） ； National University of Singapore（新加坡国立大学） ； The Hong Kong Polytechnic University（香港理工大学） 纠错

AI总结 研究针对现有终端基准测试局限，引入长视野终端基准测试（Long-Horizon-Terminal-Bench），含46个长视野任务。通过分解为分级子任务提供密集中间奖励，评估15个前沿模型，揭示改进空间，分析失败模式，发布该基准测试助力长视野终端智能体发展。

Comments 17 pages

Rethinking LLM-as-a-Judge: Representation-as-a-Judge with Small Language Models via Semantic Capacity Asymmetry

重新思考大语言模型作为评判器：通过语义能力不对称利用小语言模型进行表示作为评判器

Zhuochun Li, Yong Zhang, Ming Li, Yuelyu Ji, Yiming Zeng, Ning Cheng, Yun Zhu, Yanmeng Wang, Shaojun Wang, Jing Xiao, Daqing He

机构 * Ping An Technology (Shenzhen) Co., Ltd.（平安科技（深圳）有限公司） ； University of Pittsburgh（匹兹堡大学） ； University of Maryland, College Park（马里兰大学学院公园分校） ； University of Connecticut（康涅狄格大学） 纠错

AI总结 研究探讨小语言模型能否作高效评估器，基于语义能力不对称假设提出“表示作为评判器”范式，通过INSPECTOR框架实例化，实验显示其在推理基准测试中性能出色，为可扩展评估提供了更优选择。

Journal ref ICLR 2026

Selective Timestep Weighting and Advantage-Based Replay for Sample-Efficient Diffusion RLHF

用于样本高效扩散强化学习从人类反馈中学习的选择性时间步加权和基于优势的重放

Eric Zhu, Abhinav Shrivastava, Soumik Mukhopadhyay

机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Maryland, College Park（马里兰大学帕克分校） 纠错

AI总结 研究如何提高扩散模型中强化学习从人类反馈的效率，提出选择性时间步加权和基于优势的重放两种互补策略，通过强调信息丰富的时间步和轨迹优化，提升反馈效率，样本效率比基线提高6倍。

Comments 19 pages, 18 figures, 4 tables. Submission under review. A shorter, non-archival 4-page abstract version of this work was accepted to CVPR 2026 Workshops (GCV, CVEU)

Mitigating Factual Hallucination in Large Reasoning Models via Mixed-Mode Advantage Regularization

通过混合模式优势正则化减轻大型推理模型中的事实幻觉

Kaishen Wang, Tong Zheng, Xuehao Cui, Ruibo Chen, Tianyi Xiong, Heng Huang

机构 * Department of Computer Science, University of Maryland, College Park（计算机科学系，马里兰大学，College Park） 纠错

AI总结 研究大型推理模型在面向事实问答中存在思维诱导幻觉的问题，提出MARGO框架，通过构建混合模式展开组评估思维价值，抑制幻觉思维，实验证明该方法在提升事实可靠性的同时保留了推理能力。

Comments 19 pages, 3 figures, 8 tables

DanceOPD: On-Policy Generative Field Distillation

DanceOPD：在策略生成场蒸馏

Wei Zhou, Xiongwei Zhu, Zelin Xu, Bo Dong, Lixue Gong, Yongyuan Liang, Meng Chu, Leigang Qu, Lingdong Kong, Wei Liu, Tat-Seng Chua

机构 * ByteDance Seed（字节跳动Seed） ； NUS（新加坡国立大学） ； UMD（马里兰大学） ； HKUST（香港科技大学） 纠错

AI总结 提出DanceOPD框架，通过将每个样本路由到能力场并查询低噪声学生诱导状态，用速度MSE损失训练流匹配模型，实现文本到图像、局部编辑和全局编辑的多能力组合，提升目标能力同时保持生成质量。

Comments Technical Report; 40 pages, 13 figures, 9 tables; Project Page at https://danceopd.github.io/ GitHub Repo at https://github.com/worldbench/DanceOPD

MLLM-LLaVA-FL: Multimodal Large Language Model Assisted Federated Learning

MLLM-LLaVA-FL：多模态大语言模型辅助联邦学习

Jianyi Zhang, Hao Frank Yang, Ang Li, Xin Guo, Pu Wang, Haiming Wang, Yiran Chen, Hai Li

机构 * Duke University（杜克大学） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Maryland College Park（马里兰大学学院市分校） ； Lenovo Research（联想研究院） 纠错

AI总结 针对联邦学习中数据异质性问题，提出MLLM-LLaVA-FL框架，利用多模态大语言模型，通过全球视觉文本预训练、客户端本地训练和服务器端全局对齐三个阶段，提升联邦学习性能。

Comments Accepted to WACV 2025

Journal ref IEEE/CVF Winter Conference on Applications of Computer Vision (WACV 2025)

Flash-BoN: Instant Drafts for Inference-Time Scaling in Diffusion Models

Flash-BoN：扩散模型推理时缩放的即时草稿

Ruchit Rawal, Reza Shirkavand, Sayak Paul, Yuxin Wen, Heng Huang, Yizheng Chen, Tom Goldstein, Gowthami Somepalli

机构 * University of Maryland, College Park（美国马里兰大学帕克分校） ； Hugging Face（拥抱脸） 纠错

AI总结 研究文本到图像生成推理时缩放，对比简单BoN与引导搜索方法，发现简单BoN在实际评估中表现良好。提出Flash-BoN，结合多种加速方法生成草稿候选，经多阶段验证选最有潜力的优化，在多基准和模型规模下优于基线。

TabQueryBench: A Query-Centric Benchmark for Synthetic Tabular Data

TabQueryBench：用于合成表格数据的以查询为中心的基准测试

Jialin Zhang, Fenghao Dong, Yajie Zhou, Vyas Sekar, Shinan Liu

机构 * University of Hong Kong（香港大学） ； Tongji University（同济大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Maryland, College Park（马里兰大学学院公园分校） 纠错

AI总结 提出TabQueryBench以查询为中心的基准测试，用SQL查询评估合成数据保真度，将查询分类为模板并生成可执行SQL查询，实验展示了当前表格生成模型在查询保真度等方面的五种模式。

OmniTacTune: Policy-Agnostic Real-World RL for Tactile Residual Adaptation of Visual Policies

OmniTacTune：用于视觉策略触觉残余适应的与策略无关的真实世界强化学习

Kelin Yu, Haode Zhang, Harish Ravichandar, Yunhai Han, Ruohan Gao

机构 * University of Maryland, College Park（马里兰大学帕克分校） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 研究针对视觉策略在接触丰富操作中不足的问题，提出OmniTacTune管道，通过残余校正让触觉反馈适应预训练视觉策略，经两阶段设计，实验证明其能跨任务等泛化，有效提升策略成功率。

Comments Project page: https://colinyu1.github.io/omnitactune-site/

Text Dictates, Music Decorates: Energy-based Attention for Editable Dance Motion Generation

文本主导，音乐装饰：基于能量的注意力机制用于可编辑舞蹈动作生成

Seong Jong Yoo, Siyuan Peng, Felix Gu, Stratis Aloimonos, Cornelia Fermüller

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

AI总结 提出STREAM模型，通过模态解耦的扩散变压器分离文本语义和音乐节奏控制，实现可编辑舞蹈动作生成，并引入新数据集Motorica++和评估指标EDS。

Comments Accepted to ECCV 2026

Cell as Point: One-Stage Framework for Efficient Cell Tracking

细胞即点：高效细胞追踪的单阶段框架

Yaxuan Song, Jianan Fan, Heng Huang, Mei Chen, Weidong Cai

机构 * School of Computer Science, The University of Sydney（悉尼大学计算机科学学院） ； Department of Computer Science, University of Maryland College Park（马里兰大学学院公园分校计算机科学系） ； Microsoft（微软公司） 纠错

AI总结 提出细胞追踪单阶段框架CAP，将细胞视为点，利用轨迹相关性联合追踪，消除检测或分割需求。创新采用自适应事件引导采样和滚动窗口推理策略，解决数据不平衡与长序列推理问题，性能优于现有方法。

Comments 34 pages, 8 figures, 8 tables. Accepted by Pattern Recognition. Code is available at https://github.com/YXSong000/CAP

Bringing Agentic Search to Earth Observation Data Discovery

将智能搜索引入地球观测数据发现

Minghan Yu, Youran Sun, Chugang Yi, Yixin Wen, Haizhao Yang

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

AI总结 提出一个基于智能搜索的系统，利用知识图谱和大型语言模型，从自然语言查询中返回匹配的地球科学数据集和工具，显著提升检索性能。

Comments 19 pages, 1 figure, 6 tables

GAIA: Geometry-Adaptive Operator Learning for Forward and Inverse Problems

GAIA: 面向正问题和反问题的几何自适应算子学习

Meenakshi Krishnan, Pranav Pulijala, Ke Chen, Haizhao Yang, Ramani Duraiswami

机构 * University of Maryland, College Park（马里兰大学学院公园分校） ； University of Delaware, Newark（特拉华大学新伯伦分校） 纠错

AI总结 提出几何自适应积分自编码器(GAIA)，通过几何令牌和交叉注意力机制，统一处理任意几何上的正问题和反问题，在七个基准上取得最优结果。

TacGen: Touch Is a Necessary Dimension of Physical-World Representation -- Addressing Tactile Data Scarcity with Scalable Vision-to-Touch Alignment and Generation

TacGen: 触觉是物理世界表征的必要维度——通过可扩展的视觉到触觉对齐与生成解决触觉数据稀缺问题

Wanghao Ye, Aarosh Das, Sihan Chen, Yiting Wang, Bowei Tian, Guoheng Sun, Shwai He, Zheyu Shen, Ziyao Wang, Yexiao He, Zhaoyi Liu, Meng Liu, Yuning Zhang, Meng Feng, Ziyi Wang, Yilong Dai, Yifei Dong, Siyuan Peng, Zhenle Duan, Joshua Liu, Lang Xiong, Ang Li

机构 * University of Maryland, College Park（马里兰大学帕克分校） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Alabama（阿拉巴马大学） ； University of Washington（华盛顿大学） ； Stanford University（斯坦福大学） 纠错

AI总结 针对触觉数据稀缺问题，提出TacGen方法，通过视觉-触觉对比对齐和潜在空间残差MLP生成器合成触觉潜在表示，在质量、密度、硬度等物理属性预测上显著优于纯视觉模型，并大幅提升触觉操作性能。

Comments 49 pages, 29 figures

Hybrid Unet-Transformer Model for Generating Stress and Strain Fields from Composite Geometrics

混合UNet-Transformer模型用于从复合材料几何生成应力应变场

Shrey Patel

机构 * University of Maryland-College Park（马里兰大学帕克分校） 纠错

AI总结 提出混合UNet-Transformer架构，直接从复合材料微观结构图像预测应力应变场，作为有限元法的替代，在多种周期性几何上达到高精度，并通过注意力分析验证了物理可解释性。

Comments International Conference on Emerging Digital Intelligence and Generative Engineering

Wireless Backdoor Attack and Defense for Semantic Communications over Multiple Access Channel

无线后门攻击与防御：面向多址接入信道的语义通信

Yalin E. Sagduyu, Tugba Erpek, Aylin Yener, Sennur Ulukus

机构 * Nexcepta ； The Ohio State University（俄亥俄州立大学） ； University of Maryland, College Park（马里兰大学学院公园分校） 纠错

AI总结 针对多址接入信道的语义通信系统，提出一种选择性无线后门攻击，通过低功率触发波形操纵单一发射机的语义推理，并开发触发感知防御机制以保持正确语义标签。

Experience Graphs: The Data Foundation for Self-Improving Agents

经验图：自我改进智能体的数据基础

Gang Liao, Yujia He, Abdullah Ozturk, Zhouyang Li, Ying Wang, Zhitong Guo, Hongsen Qin, Yaobin Qin, Tao Yang, Zewei Jiang, Dianshi Li, Jort Gemmeke, Jiangyuan Li, Liyuan Li, Nathan Yan, Masha Basmanova, Uladzimir Pashkevich, Matt Steiner, Pedro Pedreira, Rob Fergus, Anirudh Goyal, Carole-Jean Wu, Gaoxiang Liu, Andrew Witten, Daniel J. Abadi

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

AI总结 提出Trellis系统，将智能体探索过程产生的经验图作为一等数据库状态，通过查询、重用和物化视图支持跨会话复用和训练数据提取，在Meta的KernelEvolve中实现10倍加速和52%更低token成本。

A Good Talk Does not Look Like a Summary, It Teaches You! Measuring Takeaways from Paper-to-Video Talks

好的演讲不像摘要，它教你！衡量论文到视频演讲的收获

Ishani Mondal, Aparna Garimella, Ananya Sai, Pannaga Shivaswamy, Jordan Boyd-Graber

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

AI总结 提出EffectivePresentationScorer框架，通过评估解释清晰度、背景概念引入和细节与贡献的关联，衡量论文讲解视频的教学质量，发现现有视频生成系统缺乏解释性。

Comments Under Submission

Drop-Then-Recovery: How Redundant Are Vision-Language-Action Models?

丢弃-再恢复：视觉-语言-动作模型有多冗余？

Guoheng Sun, Kaixi Feng, Shwai He, Xiaochuan Gong, Yexiao He, Ziyao Wang, Zheyu Shen, Wanghao Ye, Ramana Rao Kompella, Gaowen Liu, Ang Li

机构 * University of Maryland, College Park（马里兰大学帕克分校） ； Cisco Research（思科研究院） 纠错

AI总结 通过提出Drop-Then-Recovery分析协议和GateProbe敏感性指标，发现VLA模型中语言骨干高度冗余，而视觉和动作路径对移除更敏感。

3D Spatial Pattern Matching

3D空间模式匹配

Nicole R. Schneider, Avik Das, Lukas Arzoumanidis, Abhijeet Ghodgaonkar, Hanan Samet, Youness Dehbi

机构 * University of Maryland College Park（马里兰大学学院公园分校） ； HafenCity University Hamburg（汉堡海法大学） 纠错

AI总结 将空间模式匹配扩展到三维，定义广义问题，提出子图匹配算法，并在合成和真实3D建筑数据集上验证。

Decentralized Best-Response-Based Learning in Two-Player Zero-Sum Stochastic Games: A Finite-Sample Analysis

两人零和随机博弈中基于最优响应的去中心化学习：有限样本分析

Zaiwei Chen, Kaiqing Zhang, Eric Mazumdar, Asuman Ozdaglar, Adam Wierman

机构 * Purdue University（普渡大学） ； University of Maryland, College Park（马里兰大学学院公园分校） ； Caltech（加州理工学院） ； MIT（麻省理工学院） 纠错

AI总结 本文对两人零和矩阵博弈和随机博弈中的去中心化学习进行有限样本分析，提出基于最优响应的学习算法，并证明其样本复杂度。

Comments A preliminary version [arXiv:2303.03100] of this paper, with a subset of the results that are presented here, was presented at NeurIPS 2023

Flexible Gravitational-Wave Parameter Estimation with Transformers

基于Transformer的灵活引力波参数估计

Annalena Kofler, Maximilian Dax, Stephen R. Green, Jonas Wildberger, Nihar Gupte, Jakob H. Macke, Jonathan Gair, Alessandra Buonanno, Bernhard Schölkopf

机构 * Max Planck Institute for Intelligent Systems, Max-Planck-Ring 4, 72076 T\"ubingen, Germany ； Max Planck Institute for Gravitational Physics (Albert Einstein Institute), Am M\"uhlenberg 1, 14476 Potsdam, Germany ； ELLIS Institute T\"ubingen, Maria-von-Linden-Straße 2, 72076 T\"ubingen, Germany ； T\"ubingen AI Center, Maria-von-Linden-Straße 1, 72076 T\"ubingen, Germany ； Nottingham Centre of Gravity \& School of Mathematical Sciences, University of Nottingham, University Park, Nottingham, NG7 2RD, United Kingdom ； Department of Physics, University of Maryland, College Park, MD 20742, USA ； Machine Learning in Science, University of T\"ubingen \& T\"ubingen AI Center, 72076 T\"ubingen, Germany 纠错

AI总结 提出灵活Transformer架构Dingo-T1，通过训练策略适应不同分析设置，实现引力波参数估计，支持多种配置和一致性测试，中位数采样效率从1.4%提升至4.2%。

Comments 5+15 pages, 3+8 figures

Journal ref Phys. Rev. Lett. 136, 251401, 2026

Measuring User's Mental Models of Speech Translation in Human-AI Collaboration

测量用户在人机协作中对语音翻译的心理模型

HyoJung Han, Nishant Balepur, Jordan Boyd-Graber, Marine Carpuat

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

AI总结 通过跨语言问答框架研究用户对语音翻译系统的心理模型，发现用户通过实践和源语言知识能更好地预测系统错误，且提供语音转录有助于改善心理模型。

Comments ACL2026

Agon: An Autonomous Large-Scale Omnidisciplinary Research System Built on Prompt Economy

Agon：基于提示经济学的自主大规模全学科研究系统

Youran Sun, Xingyu Ren, Chugang Yi, Jiaxuan Guo, Kejia Zhang, Jianda Du, Haizhao Yang

机构 * University of Maryland, College Park（马里兰大学 College Park 分校） ； The Chinese University of Hong Kong（香港中文大学） ； Stanford University（斯坦福大学） 纠错

AI总结 提出Agon研究编排系统，通过提示经济学循环实现大规模自主研究，将可验证任务自动化，不可验证判断留给人类，并分类了系统失败类型。

Bridging Self-Supervised Learning and Speech Enhancement: A Wav2Vec2-Conditioned Framework

桥接自监督学习与语音增强：一种基于Wav2Vec2的条件框架

Shuubham Ojha, Carol Espy-Wilson

机构 * Institute for Systems Research, University of Maryland, College Park（系统研究所，马里兰大学，College Park） 纠错

AI总结 提出一种以wav2vec 2.0特征为条件的扩散模型语音增强方法，通过FiLM调制U-Net瓶颈，利用指数平滑聚合系数，在VoiceBank-DEMAND和LibriMix上PESQ提升0.4。