Tsinghua University（清华大学）

nuTruck: Benchmarking Autonomous Driving Planning for Distributed Electric-drive Trucks

nuTruck：分布式电动卡车自动驾驶规划的基准测试

Jinyu Miao, Pu Zhang, Yifei He, Chengyao Zhang, Kun Jiang, Ke Wang, Mengmeng Yang, Diange Yang

机构 * School of Vehicle and Mobility, Tsinghua University（清华大学车辆与运载学院） ； KargoBot.AI Inc.（卡戈博特人工智能公司） 纠错

AI总结 针对分布式电动卡车自动驾驶规划，提出nuTruck基准测试。纳入高精度动力学模型，采用多种规划器为基线，利用真实场景闭环评估，可定量评估侧翻风险等，有望成为评估此类规划器的新标准。

Comments 8 pages, 6 figures, 5 tables

Towards Spatial Supersensing in the Wild

迈向野外空间超感知

Tianjun Gu, Tianyu Xin, Kuan Zhang, Bowen Yang, Kok-Chung Chua, Peize Li, Xinran Zhang, Yupeng Chen, Qiyue Zhao, Qinlei Xie, Jianhang Liu, Yucheng Lu, Yinan Han, Marco Pavone, Yiming Li

机构 * Tsinghua University（清华大学） ； NVIDIA（英伟达） ； Stanford University（斯坦福大学） 纠错

AI总结 研究针对空间超感知中多模态模型基准测试局限于合成视频和家庭场景的问题，引入VSI-Super-Wild基准，受人类认知启发探究世界状态三元组，通过大量真实视频问答对测试发现模型不足及失败模式，为空间超感知发展指明方向。

Comments Accepted to ECCV 2026. Project page: https://vsi-super-wild.github.io/

The Hyperspherical Geometry of CLIP Latent Space: A Semantic Mixture Model

CLIP 潜在空间的超球面几何：一种语义混合模型

Zijie Yu, Gaowen Liu, Ramana Rao Kompella, Philip S. Yu, Yue Song

机构 * Tsinghua University（清华大学） ； Cisco Research（思科研究院） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） 纠错

AI总结 研究 CLIP 潜在空间，提出基于冯·米塞斯-费舍尔分布混合的密度模型，用期望最大化算法学习，实现准确可解释的密度估计，改善长尾和分布外检测，建立几何一致的概率框架。

Comments 23 pages, 8 figures

Nexus: Native Mesh Generation with Diffusion

Nexus：基于扩散的原生网格生成

Hanxiao Wang, Ying-Tian Liu, Yuan-Chen Guo, Qi-Yuan Feng, Zi-Xin Zou, Ding Liang, Biao Zhang, Yan-Pei Cao

机构 * MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所复杂系统管理与控制国家重点实验室） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； VAST（无（暂未找到合适中文名，VAST可音译为“瓦斯特”，但这并非一个正式的中文机构名，所以保留英文）） ； Tsinghua University（清华大学） ； Xi’an Jiaotong University（西安交通大学） 纠错

AI总结 研究针对高质量三角形网格生成问题，提出Nexus扩散方法，通过解耦顶点与拓扑生成实现整体网格生成，经实验验证其性能优于现有基线，有效克服顺序网格建模局限且获从业者青睐。

Discrete Diffusion Models: A Unified Framework from Tokenization to Generation

离散扩散模型：从词元化到生成的统一框架

Ye Yuan, Weien Li, Rui Song, Zeyu Li, Haochen Liu, Xiangyu Kong, Zixuan Dong, Linfeng Du, Zipeng Sun, Weixu Zhang, Jiaxin Huang, Changjiang Han, Yonghan Yang, Zichen Zhao, Xiuyuan Hu, Haolun Wu, Yankai Chen, Fengran Mo, Jikun Kang, Bowei He, Philip S. Yu, Xue Liu

机构 * McGill University（麦吉尔大学） ； Mila - Quebec AI Institute（米拉-魁北克人工智能研究所） ； University of Cambridge（剑桥大学） ； University of Toronto（多伦多大学） ； MBZUAI - Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Tsinghua University（清华大学） ； Rochester Institute of Technology（罗彻斯特理工学院） ； Salesforce（Salesforce公司） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） 纠错

AI总结 研究离散扩散模型，引入统一框架从离散状态空间构建审视该模型，让现有公式成为共同设计空间实例，揭示训练、推理等方面权衡，为未来研究提供方向。

TSSM: Triaxial State Space Model for Global Station Weather Forecasting with Temporal-Variable-Historical Modeling

TSSM：用于全球台站天气预报的具有时间可变历史建模的三轴状态空间模型

Songru Yang, Zili Liu, Tao Han, Ben Fei, Fenghua Ling, Lei Bai, Chang Liu, Xiangyang Ji, Zhenwei Shi, Zhengxia Zou

机构 * Beihang University（北京航空航天大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； The Chinese University of Hong Kong（香港中文大学） ； Tsinghua University（清华大学） 纠错

AI总结 研究针对全球台站天气预报中现有方法的局限，提出三轴状态空间模型TSSM，通过时间可变历史范式纳入历史数据，设计扫描捕捉多种特性，在多数据集上性能优异，尤其在长期和迭代预测及应对缺失观测方面优势明显。

Learned Pairwise Deep Dual-Optimal Inequalities for Stabilizing Column Generation

用于稳定列生成的学习成对深度对偶最优不等式

Zhengzhong Ricky You, Bo Tang, Haoran Liu, Baichuan Mo

机构 * Department of Civil Engineering, Tsinghua University, Beijing 100084, China（清华大学土木工程系） ； MIT Sloan School of Management, Massachusetts Institute of Technology, 100 Main Street, Cambridge, MA 02142, USA（麻省理工学院斯隆管理学院） ； Department of Industrial and Systems Engineering, University of Florida, Gainesville, FL 32611, USA（佛罗里达大学工业与系统工程系） 纠错

AI总结 研究针对列生成中对偶解不稳定问题，提出学习成对深度对偶最优不等式框架，通过预测对偶变量排序、构建训练标签、后处理及恢复过程，在车辆路由问题测试集上大幅减少CG时间且保证边界无损失。

Comments 35 pages, 3 figures, and 12 tables; online appendix included