Tsinghua University（清华大学）

PACE-Bench: Benchmarking Physics Adaptation via Code Evolution in Dynamic Environments

PACE-Bench：动态环境中基于代码演化的物理适应基准测试

Yuhao Zhan, Bingxiang He, Zecong Tang, Chaojun Xiao

机构 * Tsinghua University（清华大学） ； Zhejiang University（浙江大学） 纠错

AI总结 PACE-Bench是涵盖六个物理领域144个适应对的模拟器支撑基准，用于测试智能体在环境物理条件变化时的代码演化适应能力，研究发现机制重新设计是核心瓶颈，现有方法性能仍有较大提升空间。

IRGNN: Efficient Invariant Radar Graph Neural Network for Radar Point Cloud Object Detection

IRGNN：用于雷达点云目标检测的高效不变雷达图神经网络

Xiao Guo, Wanke Xia, Lili Yang, Caicong Wu

机构 * China Agricultural University（中国农业大学） ； Tsinghua University（清华大学） 纠错

AI总结 针对雷达点云稀疏无序、信息不足难以适配现有激光雷达方法的问题，提出IRGNN，通过不变特征设计、改进MPNN及任务头实现目标检测，在RadarScenes数据集上性能更优且推理效率更高。

Comments Accepted at ICONIP 2026

MathForm: Scaling Mathematical Autoformalization with Knowledge Retrieval and Verification-Guided Refinement

MathForm：结合知识检索与验证引导的迭代优化实现数学自动形式化的规模化

Lushi Pu, Weiming Zhang, Xinheng Xie, Zixuan Fu, Bingxiang He, Hengyu Zhao, Hongya Lyu, Xin Li, Jie Zhou, Yudong Wang

机构 * ModelBest Inc.（ModelBest公司） ； Tsinghua University（清华大学） 纠错

AI总结 本研究提出MathForm框架，结合Mathlib知识检索与验证引导迭代优化构建Lean 4数据集，训练的MathForm-8B在多项基准测试中超越同类模型，实现了数学自动形式化的性能提升。

Comments 25 pages, 6 figures, 8 tables

AgilePE: Autonomous UAV Pursuit-Evasion via Self-Play Reinforcement Learning

AgilePE：基于自博弈强化学习的自主无人机追逃

Wenhao Tang, Tianyang Chen, Zhejun Cui, Boyuan An, Jiayu Chen, Ruize Zhang, Huidong Liu, Tianyue Wu, Qingmin Liao, Fei Gao, Yu Wang, Chao Yu

机构 * Zhejiang University（浙江大学） ； Tsinghua University（清华大学） ； Chongqing University（重庆大学） 纠错

AI总结 该研究提出AgilePE系统，通过自博弈强化学习实现自主无人机追逃，其策略可零样本迁移至真实四旋翼，展现出复杂追逃战术与交互式部署能力。

Comments 8 pages, 7 figures. Under review

Evolve Vision-Language-Action Model into an Agent with On-the-fly Tool-use

将视觉-语言-动作模型进化为具备即时工具使用能力的智能体

Yi Ding, Yanzhao Yu, Xili Dai, Xianbiao Qi, Peiwen Sun, Xueqian Wang, Xiangyu Yue, Jianan Wang

机构 * Astribot（星舟机器人） ； Tsinghua University（清华大学） ； Juxi Tech（矩芯科技） ； IntelliFusion Inc.（智融公司） ； The Chinese University of Hong Kong（香港中文大学） 纠错

AI总结 该研究提出带工具使用的智能体机器人（ART）框架，调优VLA模型以利用工具模块，在模拟及真实任务中成功率较基线高20%，为VLA系统实际部署奠定基础。

Comments 12 pages, 4 figures, Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern (CVPR) Findings