University of Toronto（多伦多大学）

The Right Measure for Physics-Constrained Generation: A Co-Area Correction for Posterior-Consistent PDE Inverse Problems

物理约束生成的正确度量：后验一致PDE逆问题的共面积修正

Jian Xu, Yanning Wu, Delu Zeng, John Paisley, Qibin Zhao

机构 * University of Cambridge（剑桥大学） ； University of Toronto（多伦多大学） 纠错

AI总结 针对扩散模型和流匹配在硬约束PDE逆问题中采样后验分布错误的问题，提出共面积修正因子和CoCoS采样器，实现正确的后验采样。

Crazyflow: An Accurate, GPU-Accelerated, Differentiable Drone Simulator in JAX

Crazyflow: 基于JAX的精确、GPU加速、可微分的无人机模拟器

Martin Schuck, Marcel P. Rath, Yufei Hua, Abhishek Goudar, SiQi Zhou, Angela P. Schoellig

机构 * Technical University of Munich（慕尼黑技术大学） ； University of Toronto（多伦多大学） ； Simon Fraser University（西蒙弗雷泽大学） 纠错

AI总结 提出Crazyflow模拟器，通过GPU加速和可微分设计，实现单机超高速仿真、数千架无人机集群模拟，并支持基于解析梯度的策略学习与采样避障，甚至能在0.38秒内从零训练飞行恢复策略。

Comments Fix minor metadata mistakes

Goal-Oriented Reasoning for RAG-based Memory in Conversational Agentic LLM Systems

面向目标的推理用于基于RAG的记忆在对话型代理LLM系统中

Jiazhou Liang, Armin Toroghi, Yifan Simon Liu, Faeze Moradi Kalarde, Liam Gallagher, Scott Sanner

机构 * University of Toronto（多伦多大学） ； Vector Institute for Artificial Intelligence（向量人工智能研究所） 纠错

AI总结 本文提出Goal-Mem框架，通过目标导向的推理提升RAG记忆在复杂任务中的表现，尤其在多跳推理和隐含推理中效果显著。

When Do Diffusion Models learn to Generate Multiple Objects?

扩散模型何时学会生成多个物体？

Yujin Jeong, Arnas Uselis, Iro Laina, Seong Joon Oh, Anna Rohrbach

机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Cambridge（剑桥大学） ； University of Washington（华盛顿大学） ； University of Toronto（多伦多大学） 纠错

AI总结 研究探讨了扩散模型在多物体生成中的局限性，发现场景复杂度比概念不平衡更关键，且低数据条件下计数任务更难学习。

Comments ICML2026

Supracompetitive Pricing Under AI Monoculture

人工智能单一群体下的超竞争定价

Shengyu Cao, Ming Hu

机构 * Rotman School of Management, University of Toronto（多伦多大学罗特曼管理学院） 纠错

AI总结 本文研究了在共享AI模型下，竞争卖家委托定价时可能产生的超竞争定价问题，通过双寡头模型分析发现，AI模型的鲁棒性和可重复性配置可能导致超竞争定价现象，且市场结果取决于初始定价倾向。

Comments 46 pages

Operationalising the Superficial Alignment Hypothesis via Task Complexity

通过任务复杂度操作化浅层对齐假设

Tomás Vergara-Browne, Darshan Patil, Ivan Titov, Siva Reddy, Tiago Pimentel, Marius Mosbach

机构 * University of Maryland（马里兰大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学） ； University of Toronto（多伦多大学） ； University of Edinburgh（爱丁堡大学） 纠错

AI总结 提出任务复杂度指标（达到目标性能的最短程序长度）来量化浅层对齐假设，实验表明预训练大幅降低任务复杂度，而微调可将复杂度降低数个数量级。

Comments ICML 2026

GimmBO: Interactive Generative Image Model Merging via Bayesian Optimization

GimmBO: 基于贝叶斯优化的交互式生成图像模型合并

Chenxi Liu, Selena Ling, Alec Jacobson

机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） 纠错

AI总结 针对扩散模型适配器合并中权重选择困难的问题，提出GimmBO框架，利用偏好贝叶斯优化实现交互式探索，通过两阶段BO后端提升高维空间采样效率与收敛性。

Comments Accepted at SIGGRAPH NA 2026

Formalizing Learning from Language Feedback with Provable Guarantees

从语言反馈中学习的形式化与可证明保证

Wanqiao Xu, Allen Nie, Ruijie Zheng, Aditya Modi, Adith Swaminathan, Ching-An Cheng

机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学） ； University of Toronto（多伦多大学） 纠错

AI总结 本文形式化语言反馈学习问题，提出转移埃尔泽维度刻画学习难度，并开发无遗憾算法HELiX，证明其性能保证，展示丰富语言反馈可指数级加速学习。

Comments ICML 2026

A generalizable 3D framework and model for self-supervised learning in medical imaging

一种通用的3D框架和模型用于医学影像中的自监督学习

Tony Xu, Sepehr Hosseini, Chris Anderson, Anthony Rinaldi, Rahul G. Krishnan, Anne L. Martel, Maged Goubran

机构 * Department of Medical Biophysics, University of Toronto（多伦多大学医学生物物理学系） ； Department of Computer Science, University of Toronto（多伦多大学计算机科学系） ； Institute for Aerospace Studies, University of Toronto（多伦多大学航空航天研究所） ； Physical Sciences Platform, Sunnybrook Research Institute（圣母医院研究学院物理科学平台） ； Vector Institute, Toronto（多伦多向量研究所） ； Department of Laboratory Medicine and Pathobiology, University of Toronto（多伦多大学实验室医学与病理学系） ； Hurvitz Brain Sciences, Sunnybrook Health Sciences Centre（圣母医院健康科学中心Hurvitz脑科学） ； Harquail Centre for Neuromodulation, Sunnybrook Health Sciences Centre（圣母医院健康科学中心Harquail神经调制中心） 纠错

AI总结 本文提出3DINO方法，基于大规模多模态数据集预训练出通用医学影像模型3DINO-ViT，验证其在多种医学影像分割和分类任务中的泛化能力，优于现有方法。

Comments Published in npj Digital Medicine