Princeton University（普林斯顿大学）

HorizonMath: Measuring AI Progress Toward Mathematical Discovery with Automatic Verification

HorizonMath：通过自动验证衡量AI向数学发现的进步

Erik Y. Wang, Sumeet Motwani, James V. Roggeveen, Eliot Hodges, Dulhan Jayalath, Charles London, Kalyan Ramakrishnan, Flaviu Cipcigan, Philip Torr, Alessandro Abate

机构 * University of Oxford（牛津大学） ； Benchmark ； Harvard University（哈佛大学） ； Princeton University（普林斯顿大学） ； Ellison Institute of Technology（Ellison技术研究所） 纠错

AI总结 HorizonMath通过自动验证框架评估AI在数学发现中的进展，针对需要深入数学洞察但验证简单的难题，发现部分模型提出改进现有结果的解决方案。

Beyond Binary Success: Sample-Efficient and Statistically Rigorous Robot Policy Comparison

超越二元成功：样本高效且统计严谨的机器人策略比较

David Snyder, Apurva Badithela, Nikolai Matni, George Pappas, Anirudha Majumdar, Masha Itkina, Haruki Nishimura

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Toyota Research Institute (TRI)（丰田研究院） ； Princeton University（普林斯顿大学） 纠错

AI总结 本文提出一种样本高效且统计严谨的机器人策略比较框架，适用于多种评价指标，通过安全 anytime-valid 推断实现早期停止，减少评估负担并提升统计严谨性。

Comments 12 + 9 pages, 2 + 5 figures,

Taming Vision Priors for Data Efficient mmWave Channel Modeling

驯服视觉先验以实现数据高效的毫米波信道建模

Zhenlin An, Longfei Shangguan, John Kaewell, Philip Pietraski, Jelena Senic, Camillo Gentile, Nada Golmie, Kyle Jamieson

机构 * University of Georgia（佐治亚大学） ； University of Pittsburgh（匹兹堡大学） ； Interdigital（Interdigital公司） ； NIST（国家标准与技术研究院） ； Princeton University（普林斯顿大学） 纠错

AI总结 本文提出VisRFTwin框架，结合视觉获取的材料先验与可微射线追踪，通过少量稀疏信道测量快速校准参数，提升毫米波信道建模效率与精度。

Continual Fine-Tuning with Provably Accurate and Parameter-Free Task Retrieval

持续微调与可证明准确且无参数的任务检索

Hang Thi-Thuy Le, Long Minh Bui, Minh Hoang, Trong Nghia Hoang

机构 * Washington State University（华盛顿州立大学） ； Princeton University（普林斯顿大学） 纠错

AI总结 本文提出一种无参数任务检索的持续微调方法，结合输入和参数适应的优势，通过自适应模块组合策略和基于聚类的检索机制，提升任务检索和预测性能。

A Human-in-the-Loop Confidence-Aware Failure Recovery Framework for Modular Robot Policies

一个带有人类参与的置信度意识故障恢复框架用于模块化机器人策略

Rohan Banerjee, Krishna Palempalli, Bohan Yang, Jiaying Fang, Alif Abdullah, Tom Silver, Sarah Dean, Tapomayukh Bhattacharjee

机构 * Cornell University（康奈尔大学） ； Princeton University（普林斯顿大学） 纠错

AI总结 本文提出一个模块化机器人策略的人机协作故障恢复框架，通过整合模块级不确定性估计与人类干预成本模型，优化故障恢复效率与用户负荷。

Comments The second and third authors contributed equally. The last two authors advised equally