University of California, Berkeley（加州大学伯克利分校）

Your Agent, Their Asset: A Real-World Safety Analysis of OpenClaw

你的代理，他们的资产：OpenClaw的现实世界安全性分析

Zijun Wang, Haoqin Tu, Letian Zhang, Hardy Chen, Juncheng Wu, Xiangyan Liu, Zhenlong Yuan, Tianyu Pang, Michael Qizhe Shieh, Fengze Liu, Zeyu Zheng, Huaxiu Yao, Yuyin Zhou, Cihang Xie

机构 * UC Santa Cruz（加州大学圣克鲁兹分校） ； NUS（新加坡国立大学） ； Tencent（腾讯） ； ByteDance（字节跳动） ； UC Berkeley（加州大学伯克利分校） ； UNC-Chapel Hill（北卡罗来纳大学教堂山分校） 纠错

AI总结 本文首次对OpenClaw进行现实世界安全性评估，引入CIK分类法分析代理的持久状态，发现攻击单个CIK维度可显著提高攻击成功率，强调需系统性保障个人AI代理的安全。

Combee: Scaling Prompt Learning for Self-Improving Language Model Agents

Combee：用于自我改进语言模型代理的提示学习扩展

Hanchen Li, Runyuan He, Qizheng Zhang, Changxiu Ji, Qiuyang Mang, Xiaokun Chen, Lakshya A Agrawal, Wei-Liang Liao, Eric Yang, Alvin Cheung, James Zou, Kunle Olukotun, Ion Stoica, Joseph E. Gonzalez

机构 * UC Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； Tensormesh ； Gradient Network 纠错

AI总结 Combee通过并行扫描和增强洗牌机制，提升提示学习效率，实现多代理并行训练，同时保持学习质量。

Vision-as-Inverse-Graphics Agent via Interleaved Multimodal Reasoning

通过交错多模态推理的视觉-反图形代理

Shaofeng Yin, Jiaxin Ge, Zora Zhiruo Wang, Chenyang Wang, Xiuyu Li, Michael J. Black, Trevor Darrell, Angjoo Kanazawa, Haiwen Feng

机构 * University of California, Berkeley（加州大学伯克利分校） ； Carnegie Mellon University（卡内基梅隆大学） ； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； Impossible, Inc.（Impossible公司） 纠错

AI总结 本文提出VIGA框架，通过符号逻辑与视觉感知的交叉验证，解决视觉语言模型在单次设置中重建图像的挑战，支持2D文档生成、3D重建等任务。

Comments Project page: https://fugtemypt123.github.io/VIGA-website/

Learning to Grasp Anything by Playing with Random Toys

通过随机玩具学习抓取任何物体

Dantong Niu, Yuvan Sharma, Baifeng Shi, Rachel Ding, Matteo Gioia, Haoru Xue, Henry Tsai, Konstantinos Kallidromitis, Anirudh Pai, Caitlin Regan, Shankar Sastry, Trevor Darrell, Jitendra Malik, Roei Herzig

机构 * University of California, Berkeley（加州大学伯克利分校） ； Sapienza University of Rome（罗马大学） ； ItalAI ； Panasonic（松下） 纠错

AI总结 本文通过随机组装的简单玩具训练机器人，使其具备泛化抓取能力，采用对象中心视觉表示实现零样本性能，实现在YCB数据集上的67%抓取成功率。

RAPTOR: A Foundation Policy for Quadrotor Control

RAPTOR：四旋翼控制的基石策略

Jonas Eschmann, Dario Albani, Giuseppe Loianno

机构 * EECS, UC Berkeley, USA（加州大学伯克利分校电子工程与计算机科学系） ； ARRC, Technology Innovation Institute, UAE（阿联酋技术创新研究所自主与机器人研究中心） 纠错

AI总结 RAPTOR通过元模仿学习训练出适应性强的四旋翼基础策略，能零样本适应多种四旋翼平台，包括不同重量、电机类型和飞行控制器的设备。

EventFlow: Forecasting Temporal Point Processes with Flow Matching

EventFlow：通过流匹配进行时间点过程的预测

Gavin Kerrigan, Kai Nelson, Padhraic Smyth

机构 * University of Oxford（牛津大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of California, Irvine（加州大学尔湾分校） 纠错

AI总结 EventFlow提出了一种非自回归生成模型，用于时间点过程的预测，通过流匹配框架直接学习事件时间的联合分布，降低预测误差，优于基线模型。

Comments AISTATS 2026 Best Paper Award, camera ready version

Mitigating Overconfidence in Nonlinear Kalman Filters via Covariance Recalibration

通过协方差重新校准缓解非线性卡尔曼滤波器的过度自信

Shida Jiang, Junzhe Shi, Scott Moura

机构 * Department of Civil and Environmental Engineering, University of California, Berkeley（加州大学伯克利分校土木与环境工程系） 纠错

AI总结 本文提出一种协方差重新校准框架，用于缓解非线性卡尔曼滤波器在非线性测量下的协方差低估问题，通过重新近似测量模型提升状态和协方差估计精度。

Comments This paper has been accepted by Automatica

SecPI: Secure Code Generation with Reasoning Models via Security Reasoning Internalization

SecPI: 通过安全推理内化实现安全代码生成

Hao Wang, Niels Mündler, Mark Vero, Jingxuan He, Dawn Song, Martin Vechev

机构 * University of California, Berkeley（加州大学伯克利分校） ； ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 SecPI通过内化结构化安全推理，使推理模型在无需安全指令的情况下生成安全代码，经验证在多个安全基准测试中显著提升代码功能正确性和安全性。

Investigating Data Interventions for Subgroup Fairness: An ICU Case Study

探讨数据干预以实现子群体公平性：ICU案例研究

Erin Tan, Judy Hanwen Shen, Irene Y. Chen

机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） 纠错

AI总结 本文通过ICU案例研究探讨数据干预对子群体公平性的影响，发现数据添加可能同时提升和损害模型公平性，结合数据与模型方法更有效。

SpectralSplat: Appearance-Disentangled Feed-Forward Gaussian Splatting for Driving Scenes

SpectralSplat：面向驾驶场景的外观-解耦前馈高斯点云法

Quentin Herau, Tianshuo Xu, Depu Meng, Jiezhi Yang, Chensheng Peng, Spencer Sherk, Yihan Hu, Wei Zhan

机构 * Applied Intuition ； The Hong Kong University of Science and Technology（香港科技大学） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 SpectralSplat通过前馈高斯点云法解耦场景几何与外观属性，提升驾驶场景的重建质量和可控外观迁移能力。

Comments Under review

NePPO: Near-Potential Policy Optimization for General-Sum Multi-Agent Reinforcement Learning

NePPO：近势策略优化用于一般和多智能体强化学习

Addison Kalanther, Sanika Bharvirkar, Shankar Sastry, Chinmay Maheshwari

机构 * UC Berkeley（加州大学伯克利分校） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 本文提出NePPO方法，通过学习玩家无关的势函数近似纳什均衡，解决多智能体强化学习中一般和合作-竞争环境下的收敛问题，实验证明其优于IPPO和MAPPO。

In-Context Watermarks for Large Language Models

上下文水印用于大型语言模型

Yepeng Liu, Xuandong Zhao, Christopher Kruegel, Dawn Song, Yuheng Bu

机构 * UC Santa Barbara（加州大学圣塔芭芭拉分校） ； UC Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出In-Context Watermarking方法，通过提示工程在生成文本中嵌入水印，无需访问解码过程，适用于检测AI生成内容，验证了其作为通用且实用的水印方法的可行性。

Comments ICLR2026