University of Michigan（密歇根大学安娜堡分校）

CFSR: Geometry-Conditioned Shadow Removal via Physical Disentanglement

CFSR：通过物理解耦实现几何条件下的阴影去除

Pan Wang, Yihao Hu, Xiujin Liu, Hang Wang

机构 * University of Science and Technology of China（科学技术大学） ； University of Michigan - Ann Arbor（密歇根大学安娜堡分校） ； Sun Yat-sen University（中山大学） 纠错

AI总结 本文提出CFSR框架，通过物理约束恢复过程解决传统阴影去除网络缺乏物理可解释性的问题，结合3D几何信息与大规模基础模型语义，有效弥合2D-3D领域差距。

Learning to Correct: Calibrated Reinforcement Learning for Multi-Attempt Chain-of-Thought

学习修正：校准强化学习用于多尝试链式推理

Muhammed Emrullah Ildiz, Halil Alperen Gozeten, Ege Onur Taga, Samet Oymak

机构 * University of Michigan, Ann Arbor（密歇根大学，安娜堡） ； Google Research（谷歌研究院） 纠错

AI总结 本文提出Calibrated Attempt-Level (CAL) GRPO方法，通过校准每尝试的权重来提升多尝试链式推理的校准效果，实验证明其在合成和真实数据中优于传统GRPO和简单加权方法。

Comments 24 pages

Evalet: Evaluating Large Language Models through Functional Fragmentation

Evalet：通过功能碎片化评估大型语言模型

Tae Soo Kim, Heechan Lee, Yoonjoo Lee, Joseph Seering, Juho Kim

机构 * School of Computing, KAIST（韩国庆北大学计算机学院） ； Computer Science and Engineering, University of Michigan（美国密歇根大学计算机科学与工程学院） 纠错

AI总结 本文提出通过功能碎片化方法，分析生成AI输出中的关键片段，揭示其在评估标准下的作用，帮助用户发现更多模型输出中的问题。

Comments The first two authors hold equal contribution. Presented at CHI 2026

Efficient Federated RLHF via Zeroth-Order Policy Optimization

高效联邦RLHF via零阶策略优化

Deyi Wang, Qining Zhang, Lei Ying

机构 * University of Michigan（密歇根大学） 纠错

AI总结 本文提出一种高效联邦RLHF算法Par-S$^2$ZPO，通过零阶优化和二进制扰动降低通信、计算和内存复杂度，理论分析证明其在样本复杂度上与集中式方法相当，但策略更新迭代更快，在MuJoCo任务中表现更优。

Real-Time Cellist Postural Evaluation With On-Device Computer Vision

实时小提琴演奏者姿势评估与设备计算机视觉

Paolo Wang, Michael Zhang, Shrinand Perumal, Ekaterina Tszyao, Luke Choi, Kexin Sha, Felix Lu, Paige Lorenz, Jackson P. Shields, Sivamurugan Velmurugan, Joshua Kamphuis, William P. Jiang, Gurtej Bagga, Trevor Ju, Raymond Otis Kwon, Kristen Yeon-Ji Yun, Yung-Hsiang Lu

机构 * Purdue University（普渡大学） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Michigan（密歇根大学） ； Seoul International School（首尔国际学校） 纠错

AI总结 本文提出Cello Evaluator，通过设备端计算机视觉实现小提琴演奏者实时姿势评估，使用户能获得持续反馈，减少练习中的姿势问题。

Countdown-Code: A Testbed for Studying The Emergence and Generalization of Reward Hacking in RLVR

Countdown-Code：研究RLVR中奖励黑客现象涌现与泛化的测试平台

Muhammad Khalifa, Zohaib Khan, Omer Tafveez, Hao Peng, Lu Wang

机构 * University of Michigan（密歇根大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 本文提出Countdown-Code测试环境，通过分离代理奖励与真实奖励，研究LLM在监督微调中无意学习奖励黑客行为及其在强化学习中的泛化问题。

Contact-Rich Robotic Assembly in Construction via Diffusion Policy Learning

通过扩散策略学习实现建筑中的接触密集机器人装配

Salma Mozaffari, Daniel Ruan, William van den Bogert, Nima Fazeli, Sigrid Adriaenssens, Arash Adel

机构 * Princeton University（普林斯顿大学） ； University of Michigan（密歇根大学） 纠错

AI总结 本文研究了在建筑施工中使用扩散策略学习提升机器人装配的鲁棒性和精度，通过紧密契合的木构接合作为案例，证明扩散策略能通过接触感知控制补偿对齐误差。

Logit Arithmetic Elicits Long Reasoning Capabilities Without Training

逻辑运算激发长推理能力而不需训练

Yunxiang Zhang, Muhammad Khalifa, Lechen Zhang, Xin Liu, Ayoung Lee, Xinliang Frederick Zhang, Farima Fatahi Bayat, Lu Wang

机构 * University of Michigan（密歇根大学） 纠错

AI总结 本文提出ThinkLogit方法，通过逻辑运算将小型推理引导器的能力转移至大模型，无需训练即可提升推理性能，实验显示在六个基准测试中实现21.5%-24.2%的提升。

Comments Accepted to ACL Findings 2026

Sparse Feature Coactivation Reveals Causal Semantic Modules in Large Language Models

稀疏特征共激活揭示大语言模型中的因果语义模块

Ruixuan Deng, Xiaoyang Hu, Miles Gilberti, Shane Storks, Aman Taxali, Mike Angstadt, Chandra Sripada, Joyce Chai

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Brown University（布朗大学） ； University of Michigan（密歇根大学） 纠错

AI总结 通过稀疏自编码器特征的共激活，研究发现大语言模型中存在语义连贯且上下文一致的网络组件，揭示了模型的模块化结构及高效操控方法。

Comments ACL 2026

In-Context Learning Under Regime Change

情境学习中的制度转变

Carson Dudley, Yutong Bi, Xiaofeng Liu, Samet Oymak

机构 * Department of Mathematics, University of Michigan（数学系，密歇根大学） ； Department of Electrical Engineering and Computer Science, University of Michigan（电气工程与计算机科学系，密歇根大学） ； Michigan Institute for AI and Data in Society, University of Michigan（密歇根人工智能与社会数据研究院，密歇根大学） 纠错

AI总结 本文研究了在非平稳环境中，基于Transformer的模型如何通过情境学习检测和适应制度转变，通过实验验证了模型复杂性与制度转变信息的关系，并展示了在实际应用中的有效性。

When Earth Foundation Models Meet Diffusion: An Application to Land Surface Temperature Super-Resolution

当地球基础模型遇见扩散：一种用于地表温度超分辨率的应用

Yiheng Chen, Zihui Ma, Peishi Jiang, Yilong Dai, Qikai Hu, Xinyue Ye, Lingyao Li, Rita Sousa, Runlong Yu

机构 * University of Alabama（阿拉巴马大学） ； Emory University（埃默里大学） ； University of Michigan（密歇根大学） ； University of South Florida（佛罗里达州立大学） ； New York University（纽约大学） 纠错

AI总结 本文提出EFDiff框架，利用地球基础模型指导扩散模型进行极端空间退化下的超分辨率重建，通过交叉注意力机制提升细尺度重建效果，优于基线方法。

Autonomous Vehicle Collision Avoidance With Racing Parameterized Deep Reinforcement Learning

自动驾驶碰撞避让与赛车参数化深度强化学习

Shathushan Sivashangaran, Vihaan Dutta, Apoorva Khairnar, Sepideh Gohari, Azim Eskandarian

机构 * Virginia Commonwealth University（弗吉尼亚 Commonwealth 大学） ； University of Michigan（密歇根大学） 纠错

AI总结 本文提出基于赛车超车的参数化深度强化学习策略，通过物理感知奖励函数在模拟中实现非线性车辆动力学的高效率碰撞避让，优于MPC-APF基线，在三个交叉口场景中表现优异。

KAIROS: Stateful, Context-Aware Power-Efficient Agentic Inference Serving

KAIROS：具有状态的、基于上下文的节能代理推理服务

Yichao Yuan, Mosharaf Chowdhury, Nishil Talati

机构 * University of Illinois, Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Michigan（密歇根大学） 纠错

AI总结 本文提出KAIROS，一种基于上下文的节能代理AI服务系统，通过管理GPU频率、实例并发性和请求分配，实现27%的平均能耗降低，同时保持性能。

Interdisciplinary Workshop on Mechanical Intelligence: Summary Report

机械智能跨学科研讨会：总结报告

Victoria A. Webster-Wood, Nicholas Gravish, Amir Alavi, Andres F Arrieta, Sarah Bergbreiter, Anthony Bloch, Laura Blumenschein, C. Chase Cao, Aja Mia Carter, Paolo Celli, Tony Chen, Margaret Coad, Mark Cutkosky, Michael Dickey, Brian Do, Robert Full, Mahdi Haghshenas-Jaryani, Kaushik Jayaram, Aaron Johnson, Eva Kanso, Emma Lejeune, Chen Li, Suyi Li, Jeffrey Lipton, Rob MacCurdy, Matt McHenry, Jean-Michel Mongeau, Todd Murphey, Mark Plecnik, Jordan Raney, Ryan D. Sochol, Hannah Stuart, Zeynep Temel, Michael Tolley, Barry Trimmer, T. J. Wallin, Kon-Well Wang, Wenzhong Yan, Mark Yim, Wenlong Zhang

机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Pittsburgh（匹兹堡大学） ； Purdue University（Purdue 大学） ； University of Michigan（密歇根大学） ； Tufts University（塔夫茨大学） ； Oregon State University（俄勒冈州立大学） ； Case Western Reserve University（凯斯西储大学） ； John’s Hopkins University（约翰·霍普金斯大学） ； Boston University（波士顿大学） ； University of Southern California（南加州大学） ； University of California at Berkeley（加州大学伯克利分校） ； Penn State University（宾夕法尼亚州立大学） ； Northeastern University（东北大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Colorado Boulder（科罗拉多大学 Boulder 分校） ； New Mexico State University（新墨西哥州立大学） ； University of Notre Dame（诺丁汉大学） ； Stanford University（斯坦福大学） 纠错

AI总结 本报告总结了2024年机械智能跨学科研讨会的成果，探讨了机械结构自身通过响应性、适应性、记忆和学习编码智能的现象，以及其与计算智能的区别。

Results-Actionability Gap: Understanding How Practitioners Evaluate LLM Products in the Wild

结果-可行动性差距：理解从业者如何在实际中评估大语言模型产品

Willem van der Maden, Malak Sadek, Ziang Xiao, Aske Mottelson, Q. Vera Liao, Jichen Zhu

机构 * HCI \& Design Section IT University of Copenhagen Copenhagen Denmark ； Centre for Human-Inspired Artificial Intelligence, Cambridge University Cambridge United Kingdom ； Computer Science Johns Hopkins University Baltimore Maryland United States ； Engineering University of Michigan Ann Arbor Michigan United States ； IT University of Copenhagen ； Centre for Human-Inspired Artificial Intelligence, Cambridge University ； Johns Hopkins University ； University of Michigan 纠错

AI总结 研究探讨从业者如何评估大语言模型产品，发现'结果-可行动性差距'问题，提出策略帮助从业者从非正式评估转向系统化评估。