Peking University（北京大学）

Jetson-PI: Towards Onboard Real-Time Robot Control via Foresight-Aligned Asynchronous Inference

Jetson-PI：通过前瞻对齐异步推理实现机载实时机器人控制

Zebin Yang, Qi Wang, Yunhe Wang, Xiurui Guo, Bo Yu, Shaoshan Liu, Jiafeng Xu, Hao Dong, Meng Li

机构 * Peking University（北京大学） ； AIRS（无合适中文名，保留英文） ； PrimeBot Research Institute（PrimeBot 研究院） 纠错

AI总结 研究针对低功耗机载设备部署VLA模型的挑战，提出Jetson-PI方法。通过训练轻量级未来校正模块解决感知-执行未对齐，引入基于置信度的调度优化减少反应时间，辅以系统级加速，实验显示其显著提升控制频率和成功率。

Comments 16 pages, 10 figures

ECHO: Prune To Act, Trace To Learn With Selective Turn Memory In Agentic RL

ECHO: 在智能体强化学习中通过选择性回合记忆进行剪枝行动与追踪学习

Zijun Xie, Binbin Zheng, Enlei Gong, Jihua Liu, Yuyang You, Lingfeng Liu, Jiayao Tang, Guanqun Zhao, Aoqi Hu, Zeyu Chen

机构 * School of Mathematical Sciences, Peking University（北京大学数学科学学院） ； Baidu Inc.（百度公司） ； University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 提出ECHO框架，通过选择性回合记忆和源索引重建解决长程智能体强化学习中的历史崩溃与可追踪学习问题，在BrowseComp-Plus上达到43.4%准确率，优于GRPO和SUPO。

BioInsight: Multi-Agent Orchestration for Interactive Biomedical Knowledge Discovery

BioInsight: 面向交互式生物医学知识发现的多智能体编排

Jieyi Wang, Bingxuan Li, Nanyi Jiang, Desong Meng, Zirui Fan, Yuxin Guo, Jiayu Liu, Kunlun Zhu, Eddie Yang, Xiusi Chen, Pan Lu, Bingxin Zhao

机构 * Peking University（北京大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Pennsylvania（宾夕法尼亚大学） ； Purdue University（普渡大学） ； Stanford University（斯坦福大学） 纠错

AI总结 提出多智能体系统BioInsight，通过交互式界面生成替代静态报告，实现疾病证据的组织、推理与可视化，在多项生物医学任务中取得最优性能。

Comments Update some experiments and contents

VFEAgent: A Multimodal Agent Framework for End-to-End Automated Finite Element Analysis

VFEAgent: 面向端到端自动化有限元分析的多模态智能体框架

Jiachen Zhang, Junyi Lao, Chenghao Liu, Siyuan Liu, Shixin Wu, Linsen Zhang, Boyu Wang, Songfang Huang

机构 * Peking University（北京大学） ； China Agricultural University（中国农业大学） 纠错

AI总结 提出VFEAgent多智能体系统，通过多模态视觉-语言流水线和验证优先的代码合成框架，实现从输入图像和问题描述到有限元建模与仿真的端到端自动化。

Comments 9 pages, 3 figures, 2 tables. Equal contribution: Jiachen Zhang and Junyi Lao. Corresponding author: Songfang Huang. Preprint

Characterizing Readability Issue Patterns and the Role of Prompt Design in LLM-Generated Code

可读性光谱：LLM生成代码中的模式、问题和提示影响

Hengzhi Ye, Fengyuan Ran, Weiwei Xu, Minghui Zhou

机构 * Peking university（北京大学） ； Wuhan University（武汉大学） 纠错

AI总结 本文研究了LLM生成代码的可读性，发现其与人工编写代码相当，但存在特定问题模式，提示设计对可读性影响有限。

4DVGGT-D: 4D Visual Geometry Transformer with Improved Dynamic Depth Estimation

4DVGGT-D: 具有改进动态深度估计的4D视觉几何变换器

Ying Zang, Xuanyi Liu, Yidong Han, Deyi Ji, Chaotao Ding, Yuanqi Hu, Qi Zhu, Xuanfu Li, Jin Ma, Lingyun Sun, Tianrun Chen, Lanyun Zhu

机构 * Peking University（北京大学） ； Zhejiang University（浙江大学） ； Huzhou University（湖州大学） ； Huawei（华为） ； Tongji University（同济大学） 纠错

AI总结 本文提出一种无需训练的渐进解耦框架，通过稳定相机姿态和几何细化，解决动态与静态的分离问题，提升4D场景重建性能。

Do Prompt-Elicited Trajectories Reflect Training-Time Reward Hacking? A Systematic Study on Monitoring Training-Time Reward Hacking in Code Generation

合成轨迹反映真实的奖励黑客行为吗？对监控真实世界代码生成中黑客行为的系统研究

Lichen Li, Hengguang Zhou, Yijun Liang, Tianyi Zhou, Cho-Jui Hsieh

机构 * Peking University（北京大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Arena ； University of Maryland（马里兰大学） ； Mohamed bin Zayed University of Artificial Intelligence（莫莫迪 bin Zayed 人工智能大学） 纠错

AI总结 本文研究合成轨迹与真实世界中代码生成奖励黑客行为的差异，通过对比监控器在合成与真实数据上的表现，发现合成数据训练的监控器无法泛化到真实黑客行为，而真实数据训练的监控器对未见过的黑客类型更具泛化能力。

Comments Corrected a typo in the title; no other changes

GaiaFlow: Semantic-Guided Diffusion Tuning for Carbon-Frugal Search

GaiaFlow：基于语义的扩散调优用于碳节约搜索

Rong Fu, Jia Yee Tan, Chunlei Meng, Shuo Yin, Xiaowen Ma, Wangyu Wu, Simon Fong

机构 * University of Macau（澳门大学） ； Renmin University of China（中国人民大学） ； Fudan University（复旦大学） ； Tsinghua University（清华大学） ； Zhejiang University（浙江大学） ； University of Liverpool（利物浦大学） ； Peking University（北京大学） ； Northeast Normal University（东北师范大学） ； Minzu University of China（民族大学） 纠错

AI总结 GaiaFlow通过结合语义引导的扩散调优与硬件无关的性能建模策略，在保证检索精度的同时降低环境影响，实现了高效且可持续的神经搜索系统。

Comments 19 pages, 7 figures

TempoNet: Slack-Quantized Transformer-Guided Reinforcement Scheduler for Adaptive Deadline-Centric Real-Time Dispatchs

TempoNet：基于Transformer的强化学习调度器用于自适应截止时间导向的实时调度

Rong Fu, Yibo Meng, Zeyu Zhang, Ziming Guo, Jia Yee Tan, Xiaojing Du, Simon James Fong

机构 * University of Macau（澳门大学） ； Tsinghua University（清华大学） ； Northeast Normal University（东北师范大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； The Australian National University（澳大利亚国立大学） ； Peking University（北京大学） ； Harbin University of Science and Technology（哈尔滨理工大学） ； Renmin University of China（中国人民大学） ； Adelaide University（阿德莱德大学） 纠错

AI总结 TempoNet结合Transformer与深度Q近似，通过时间松弛量化和稀疏注意力机制提升实时调度性能，实现高吞吐量下的截止时间保障。

Comments 43 pages, 12 figures

Tail-Aware Information-Theoretic Bounds for LLM Alignment under Heavy-Tailed Rewards

尾感知信息论泛化用于RLHF和SGLD

Huiming Zhang, Binghan Li, Wan Tian, Qiang Sun

机构 * Institute of Artificial Intelligence, Beihang University（北京航空航天大学人工智能研究院） ； Beijing Advanced Innovation Center for Future Blockchain and Privacy Computing（北京未来区块链与隐私计算高精尖创新中心） ； Advanced Institute of Information Technology, Peking University（北京大学信息技术高等研究院） ； Wangxuan Institute of Computer Technology, Peking University（北京大学王选计算机技术研究所） ； Computer and Mathematical Sciences, Computer Science, and Statistics, University of Toronto（多伦多大学计算机与数学科学、计算机科学和统计学系） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学） 纠错

AI总结 本文提出一种尾依赖信息论框架，用于处理亚韦尔bull数据，通过移位对数f_θ-分歧来界定制换测度期望，从而在重尾数据下获得更精确的泛化界限。

Comments 47 pages, 6 figures

Panning for Gold: Expanding Domain-Specific Knowledge Graphs with General Knowledge

寻找黄金：利用通用知识图谱扩展领域特定知识图谱

Runhao Zhao, Weixin Zeng, Wentao Zhang, Chong Chen, Zhengpin Li, Xiang Zhao, Lei Chen

机构 * National Key Laboratory of Big Data and Decision（大数据与决策国家重点实验室） ； National University of Defense Technology（国防科技大学） ； The Center for machine learning research（机器学习研究中心） ； Peking University（北京大学） ； Tsinghua University（清华大学） ； The Hong Kong University of Science and Technology（香港科学与技术大学） 纠错

AI总结 本文提出领域特定知识图谱融合任务，通过神经符号框架ExeFuse，利用通用知识图谱提升领域知识图谱的完整性和实用性。

Comments 13 pages, 5 figures

Orchestrating Dual-Boundaries: An Arithmetic Intensity Inspired Acceleration Framework for Diffusion Language Models

协调双边界：一种受算术强度启发的加速框架用于扩散语言模型

Linye Wei, Wenjue Chen, Pingzhi Tang, Xiaotian Guo, Le Ye, Runsheng Wang, Meng Li

机构 * Peking University（北京大学） 纠错

AI总结 ODB-dLLM通过协调双边界，利用算术强度差异优化扩散语言模型的推理速度，显著提升效率并减少准确性损失。

Comments Accepted by DAC 2026

Partial Excitation in Parameter Learning

参数学习中的部分激励

Ganghui Cao, Shimin Wang, Martin Guay, Jinzhi Wang, Zhisheng Duan, Marios M. Polycarpou

机构 * State Key Laboratory for Turbulence and Complex Systems, Department of Mechanics and Engineering Science, College of Engineering, Peking University（湍流与复杂系统国家重点实验室，力学与工程科学系，工程学院，北京大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Queen’s University（皇后大学） ； KIOS Research and Innovation Center of Excellence and the Department of Electrical and Computer Engineering, University of Cyprus（科斯卓越研究中心与创新中心，塞浦路斯大学电气与计算机工程系） 纠错

AI总结 本文针对部分持续激励（PPE）条件下的参数学习问题，提出在线算法与协同学习协议，实现分布式最优参数估计，通过系统辨识实例验证了理论结果的有效性。

Comments 16 pages,9 figures