New York University（纽约大学）

3D CAVLA: Leveraging Depth and 3D Context to Generalize Vision Language Action Models for Unseen Tasks

3D CAVLA：利用深度和3D上下文来泛化视觉语言动作模型以应对未见任务

Vineet Bhat, Yu-Hsiang Lan, Prashanth Krishnamurthy, Ramesh Karri, Farshad Khorrami

机构 * New York University Tandon School of Engineering（纽约大学坦登工程学院） ； New York University Courant Institute of Mathematical Sciences（纽约大学库朗数学科学研究所） 纠错

AI总结 本文提出3D-CAVLA框架，通过引入链式推理、深度感知和任务导向的感兴趣区域检测，提升视觉语言动作模型在未见任务中的泛化能力，实验表明其在模拟和现实任务中均表现出色。

Comments Accepted at the 1st Workshop on 3D LLM/VLA, CVPR 2025. This work has been submitted to the IEEE for possible publication

Cost-Matching Model Predictive Control for Efficient Reinforcement Learning in Humanoid Locomotion

基于成本匹配的模型预测控制用于人形机器人高效强化学习

Wenqi Cai, Kyriakos G. Vamvoudakis, Sébastien Gros, Anthony Tzes

机构 * New York University Abu Dhabi (NYUAD)（纽约大学阿布扎比分校） ； Georgia Institute of Technology（佐治亚理工学院） ； Norwegian University of Science and Technology (NTNU)（挪威科技大学） 纠错

AI总结 本文提出一种基于模型预测控制的强化学习框架中的成本匹配方法，通过参数化MPC和中心动力学来近似高保真闭环数据获得的动作价值函数，提升人形机器人运动性能和鲁棒性。

Spectral Decomposition of Inverse Dynamics for Fast Exploration in Model-Based Manipulation

逆动力学的谱分解用于基于模型的操纵快速探索

Solvin Sigurdson, Benjamin Riviere, Joel Burdick

机构 * California Institute of Technology（加州理工学院） ； New York University（纽约大学） 纠错

AI总结 本文提出利用逆动力学方程的谱分解生成轨迹的方法，通过正交成分高效探索复杂接触动态，实现长时域规划，展示了在高复杂度领域中的实时能力。

Comments 8 pages, 8 figures, accepted to the 2026 IEEE International Conference on Robotics and Automation

Exploring the Agentic Frontier of Verilog Code Generation

探索Verilog代码生成的代理前沿

Patrick Yubeaton, Siddharth Garg, Chinmay Hegde

机构 * New York University Tandon School of Engineering（纽约大学坦登工程学院） 纠错

AI总结 本文系统评估了代理LLM在Verilog生成中的影响，通过CVDP基准测试，分析了结构化提示和工具设计对性能的影响，并比较了开源与闭源模型的性能差异。

Mind the Shape Gap: A Benchmark and Baseline for Deformation-Aware 6D Pose Estimation of Agricultural Produce

注意形状差距：一种用于农业产品的变形感知6D姿态估计的基准和基线

Nikolas Chatzis, Angeliki Tsinouka, Katerina Papadimitriou, Niki Efthymiou, Marios Glytsos, George Retsinas, Paris Oikonomou, Gerasimos Potamianos, Petros Maragos, Panagiotis Paraskevas Filntisis

机构 * Robotics Institute, Athena Research Center（雅典娜研究中心机器人研究所） ； HERON - Hellenic Robotics Center of Excellence（HERON - 希腊机器人卓越中心） ； School of Electrical & Computer Engineering, NTUA（国立雅典理工大学电气与计算机工程学院） ； Music Technology, New York University（纽约大学音乐技术系） ； Department of Electrical & Computer Engineering, UTH（色萨利大学电气与计算机工程系） 纠错

AI总结 本文提出PEAR基准和SEED框架，解决农业产品变形导致的6D姿态估计难题，展示现有方法性能下降，并证明显式形状建模对农业机器人可靠姿态估计的重要性。

GSR-GNN: Training Acceleration and Memory-Saving Framework of Deep GNNs on Circuit Graph

GSR-GNN：电路图上深度GNN的训练加速与内存节省框架

Yuebo Luo, Shiyang Li, Yifei Feng, Vishal Kancharla, Shaoyi Huang, Caiwen Ding

机构 * University of Minnesota, Twin Cities（明尼苏达大学双城分校） ； New York University（纽约大学） ； Stevens Institute of Technology（史蒂文斯理工学院） 纠错

AI总结 本文提出GSR-GNN框架，通过可逆残差模块和分组稀疏非线性操作，实现深度GNN在大规模电路图上的高效训练，达到87.2%的内存节省和30倍以上的加速，同时保持相关质量指标的稳定。

Comments 8 pages including references, already been accepted to DAC 2026

Self-Supervised Learning for Knee Osteoarthritis: Diagnostic Limitations and Prognostic Value of Hospital Data

自监督学习在膝骨关节炎中的应用：医院数据的诊断局限性与预后价值

Haresh Rengaraj Rajamohan, Yuxuan Chen, Kyunghyun Cho, Cem M. Deniz

机构 * Department of Physics, J.K. Institute of Science（物理系，J.K. 科学研究所） ； World Scientific University（世界科学大学） ； University of Intelligent Studies（智能研究大学） ； Center for Data Science, New York University（数据科学中心，纽约大学） ； Bernard and Irene Schwartz Center for Biomedical Imaging, New York University Langone Health（伯纳德和艾琳·施瓦茨生物医学成像中心，纽约大学朗格尼健康中心） ； Department of Radiology, New York University Langone Health（放射学系，纽约大学朗格尼健康中心） ； Perlmutter Cancer Center, New York University Langone Health（珀尔马特癌症中心，纽约大学朗格尼健康中心） 纠错

AI总结 本研究评估自监督学习是否能提升膝骨关节炎的诊断与预后建模，发现医院数据在诊断分级中表现有限，但对预后预测有显著优势。

Does Tone Change the Answer? Evaluating Prompt Politeness Effects on Modern LLMs: GPT, Gemini, and LLaMA

语调会改变答案吗？评估提示礼貌性对现代LLMs的影响：GPT、Gemini和LLaMA

Hanyu Cai, Binqi Shen, Lier Jin, Lan Hu, Xiaojing Fan

机构 * Northwestern University（西北大学） ； Duke University（杜克大学） ； Carnegie Mellon University（卡内基梅隆大学） ； New York University（纽约大学） 纠错

AI总结 本文通过MMMLU基准测试，评估了不同语调提示对GPT、Gemini和LLaMA模型在STEM和人文领域任务中的准确性影响，发现礼貌性提示在部分人文任务中显著提升性能，但整体上现代LLMs对语调变化具有鲁棒性。