Princeton University（普林斯顿大学）

Learning What to Remember: Test-Time Training via Context Distillation

学习该记住什么：基于上下文蒸馏的测试时训练

Zixuan Wang, Xingyu Dang, Rui-Jie Zhu, Zixin Wen, Hengyu Fu, Wenhao Chai, Jason D. Lee

机构 * Princeton University（普林斯顿大学） ； UC Berkeley（加州大学伯克利分校） ； UC Santa Cruz（加州大学圣克鲁兹分校） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 该研究针对现有测试时训练未考虑保留信息未来效用的问题，提出TTCD框架及IP-TTCD变体，实验显示其在长上下文语言建模任务中性能优于多个基准方法，可助力架构持续学习。

Where did the ambiguity go? Examining how multimodal models interpret polysemous words

歧义去了哪里？探究多模态模型如何解释多义词

Jasin Cekinmez, Addison J. Wu, Raja Marjieh, Thomas L. Griffiths

机构 * Princeton University（普林斯顿大学） 纠错

AI总结 该研究对比17个文本到图像模型和15个文本生成模型，发现多模态模型生成图像的词义多样性低于文本，揭示了基础模型在不同模态间意义表达的迁移 gap。

Comments Oral Presentation, Sci-FM Workshop @ COLM 2026

Adaptive Human-Robot Collaboration for Masonry Construction Under Material and Assembly Uncertainty

面向材料和装配不确定性的自适应人机协作砌筑

Jutang Gao, Arash Adel

机构 * Princeton University（普林斯顿大学） 纠错

AI总结 本文提出了一种自适应的人机协作流程，用于应对砌筑施工中材料和装配不确定性带来的容忍度累积问题，通过投影指导和激光扫描反馈实现精准协作。

Comments Accepted for publication in Proceedings of the 43rd International Symposium on Automation and Robotics in Construction (ISARC 2026)

Local-Canonicalization Equivariant Graph Neural Networks for Sample-Efficient and Generalizable Swarm Robot Control

用于样本高效且可泛化的群体机器人控制的局部正则化等变图神经网络

Keqin Wang, Tao Zhong, David Chang, Christine Allen-Blanchette

机构 * Princeton University（普林斯顿大学） 纠错

AI总结 该研究针对群体控制MARL策略效率低、泛化差的问题，提出LEGO架构，结合正则化与角色感知图编码，搭配MAPPO算法，在多基准测试中提升性能，可跨团队规模迁移，Crazyflie实验中失效后仍可运行。

Comments Accepted at IROS 2026