Princeton University（普林斯顿大学）

From Pixels to Predicates: Learning Symbolic World Models via Pretrained Vision-Language Models

从像素到谓词：通过预训练视觉-语言模型学习符号世界模型

Ashay Athalye, Nishanth Kumar, Tom Silver, Yichao Liang, Jiuguang Wang, Tomás Lozano-Pérez, Leslie Pack Kaelbling

机构 * MIT（麻省理工学院） ； Princeton University（普林斯顿大学） ； University of Cambridge（剑桥大学） ； RAI Institute（RAI研究院） 纠错

AI总结 通过预训练视觉-语言模型学习符号世界模型，以实现复杂机器人领域中长周期决策制定的零样本泛化。

Comments A version of this paper appears in the official proceedings of RA-L, Volume 11, Issue 4

Tracking Phenological Status and Ecological Interactions in a Hawaiian Cloud Forest Understory using Low-Cost Camera Traps and Visual Foundation Models

利用低成本相机陷阱和视觉基础模型追踪夏威夷云林 understory 的物候状态和生态互动

Luke Meyers, Anirudh Potlapally, Yuyan Chen, Mike Long, Tanya Berger-Wolf, Hari Subramoni, Remi Megret, Daniel Rubenstein

机构 * Computer Science, The Ohio State University, Columbus, Ohio, USA（俄亥俄州立大学计算机科学系） ； Computer Science, The University of Puerto Rico Rio Piedras, San Juan, Puerto Rico（波多黎各大学里奥皮埃拉斯分校计算机科学系） ； Computer Science, McGill University, Montreal, Quebec, Canada（麦吉尔大学计算机科学系） ； Battele Ecology, Neon Domain 20, Hilo, Hawaii（Battele生态研究所） ； Ecology, Princeton University, Princeton, New Jersey, USA（普林斯顿大学生态学系） 纠错

AI总结 本研究利用低成本相机陷阱和视觉基础模型，追踪夏威夷云林 understory 的植物物候变化及生态互动，揭示时间精细度高的物候趋势。

Breaking Training Bottlenecks: Effective and Stable Reinforcement Learning for Coding Models

突破训练瓶颈：为编码模型提供有效且稳定的强化学习

Zongqian Li, Shaohan Huang, Zewen Chi, Yixuan Su, Lexin Zhou, Li Dong, Nigel Collier, Furu Wei

机构 * Microsoft Research（微软研究院） ； University of Cambridge（剑桥大学） ； Princeton University（普林斯顿大学） 纠错

AI总结 本文提出MicroCoder-GRPO方法，通过改进的组相对策略优化解决编码模型训练瓶颈，实现性能提升并发布相关数据集和评估框架。

Representing local protein environments with machine learning force fields

用机器学习力场表示局部蛋白质环境

Meital Bojan, Sanketh Vedula, Advaith Maddipatla, Nadav Bojan Sellam, Anar Rzayev, Federico Napoli, Paul Schanda, Alex M. Bronstein

机构 * IST Austria（IST奥地利研究院） ； Technion, Israel（技术学院，以色列） ； University of Oxford, UK（牛津大学，英国） ； Princeton University（普林斯顿大学） ； Broad Institute of MIT and Harvard（哈佛大学与麻省理工学院Broad研究所） 纠错

AI总结 本文提出基于原子基础模型的局部蛋白质环境表示方法，有效捕捉结构和化学特征，实现了高精度的生物分子核磁共振化学移位预测。