Designing Datacenter Power Delivery Hierarchies for the AI Era
为AI时代设计数据中心电力交付层级
机构 * Stanford University（斯坦福大学） ； Microsoft Azure Research（微软Azure研究院）
AI总结 本文研究了AI时代数据中心电力交付层级设计的挑战，提出了一种评估框架，结合吞吐量、功率和成本指标，分析多资源短缺对部署容量、资本支出和性能的影响。
高校专区
Stanford University（斯坦福大学）
Ada-Diffuser: Latent-Aware Adaptive Diffusion for Decision-Making
Ada-Diffuser: 面向决策制定的潜在意识自适应扩散模型
机构 * University of California San Diego（加州大学圣地亚哥分校） ； Carnegie Mellon University（卡内基梅隆大学） ； MBZUAI ； Stanford University（斯坦福大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出Ada-Diffuser，通过显式建模潜在动态过程，提升决策制定的精度与适应性，实验验证其在模拟控制与机器人基准中的有效性。
Comments ICLR 2026
Do Less, Achieve More: Do We Need Every-Step Optimization for RL Fine-tuning of Diffusion Models?
少即是多：我们是否需要为扩散模型的强化学习微调进行每一步优化？
机构 * Peking University（北京大学） ； Tsinghua University（清华大学） ； Nanjing University（南京大学） ； Stanford University（斯坦福大学）
AI总结 本文研究了扩散模型强化学习微调中优化步骤的影响，提出AdaScope方法通过动态控制训练时机提升生成质量并降低计算成本。
Journal ref CVPR2026
CrystalBoltz: End-to-End Protein Structure Determination via Experiment-Guided Diffusion for X-Ray Crystallography
CrystalBoltz：通过实验引导扩散实现端到端蛋白质结构确定用于X射线晶体学
机构 * Stanford University（斯坦福大学） ； SLAC National Accelerator Laboratory（SLAC国家加速器实验室） ； UC Davis（加州大学戴维斯分校）
AI总结 CrystalBoltz通过实验引导扩散模型实现端到端蛋白质结构确定，利用贝叶斯推断优化原子结构，降低坐标RMSD和R因子，提升X射线晶体学结构确定效率。
Comments Project page: https://soniaminseokim.github.io/crystalboltz-website/
Vision-Based Safe Human-Robot Collaboration with Uncertainty Guarantees
基于视觉的具有不确定性保证的人机协作
机构 * Department of Aeronautics and Astronautics, Stanford University（斯坦福大学航空航天系） ； Chair of Imaging and Computer Vision, RWTH Aachen University（亚琛工业大学影像与计算机视觉教授职位） ； School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院） ； Department of Computer Engineering, Technical University of Munich（慕尼黑技术大学计算机工程系）
AI总结 本文提出一种基于视觉的人体姿态估计与运动预测框架，通过置信度保证实现安全的人机协作。结合aleatoric不确定性估计与OOD检测，提供高概率置信度的置信区间。
frax: Fast Robot Kinematics and Dynamics in JAX
frax：基于JAX的快速机器人运动学与动力学
机构 * Departments of Mechanical Engineering and Aeronautics & Astronautics, Stanford University（机械工程系和航空与航天系，斯坦福大学）
AI总结 frax提供高性能纯Python接口，支持CPU、GPU和TPU，实现高效的实时控制与并行计算，适用于机器人运动学和动力学的高性能计算需求。
Comments ICRA 2026 Workshop on Frontiers of Optimization for Robotics
A Unified View of Score-Based and Drifting Models
基于分数的和漂移模型的统一视角
机构 * Sony AI（索尼人工智能） ； Sony Group Corporation（索尼集团） ； Stanford University（斯坦福大学） ； Georgia Tech（佐治亚理工学院）
AI总结 本文揭示漂移模型与基于分数生成模型的紧密联系，证明漂移本质上是分数匹配目标，通过核估计非参数化实现，而扩散模型则参数化学习。
HoMMI: Learning Whole-Body Mobile Manipulation from Human Demonstrations
HoMMI：从人类示范中学习全身移动操作
机构 * Stanford University（斯坦福大学） ； Toyota Research Institute（丰田研究院）
AI总结 本文提出HoMMI框架，通过人类示范直接学习全身移动操作，结合眼动感知增强数据收集能力，解决人机体感知差距问题，实现长周期移动操作任务。
Asking the Right Questions: Improving Reasoning with Generated Stepping Stones
问对问题：通过生成的中间步骤提升推理能力
机构 * FAIR at Meta（Meta的FAIR） ； Stanford University（斯坦福大学） ； University of Oxford（牛津大学）
AI总结 本文研究了生成中间步骤对提升LLM推理能力的作用，提出ARQ框架通过生成问题增强推理过程，展示了生成问题的有效性和训练方法。
Regret and Sample Complexity of Online Q-Learning via Concentration of Stochastic Approximation with Time-Inhomogeneous Markov Chains
通过随机近似浓度分析的时间非齐次马尔可夫链的在线Q学习的后悔与样本复杂性
机构 * MBZUAI, UAE（MBZUAI, 阿拉伯联合酋长国） ； Stanford University, USA（斯坦福大学, 美国） ； EPITA, France（EPITA, 法国） ； Indian Institute of Technology Bombay, India（印度班加罗尔理工学院, 印度）
AI总结 本文首次为无限时间折扣马尔可夫决策过程中的经典在线Q学习提供了后悔界，不依赖乐观或奖励项。通过分析退火Q学习并结合平滑ε_n-贪心探索方案，证明了近似O(N^{9/10})的后悔界，并获得样本复杂性保证。
ART: Articulated Reconstruction Transformer
ART：关节重建转换器
机构 * Reality Labs Research, Meta（Meta现实实验室） ； Stanford University（斯坦福大学）
AI总结 ART通过部分基于预测的方法，从稀疏多状态RGB图像中重建完整3D关节物体，实现了高效的关节物体重建。
Comments Project Page: https://kyleleey.github.io/ART/
ViewBridge: Curriculum Knowledge Distillation for Activity View-Invariance Under Extreme Viewpoint Changes
ViewBridge：用于极端视角变化下的活动视角不变性的课程知识蒸馏
机构 * UT Austin（得克萨斯大学奥斯汀分校） ； Meta AI ； Stanford University（斯坦福大学） ； Northeastern University（东北大学）
AI总结 本文提出ViewBridge框架，通过课程学习和知识蒸馏方法，在严重视角遮挡下学习丰富的视频表示，提升了极端视角变化下的活动识别性能。
