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

Adaptive Serverless Resource Management via Slot-Survival Prediction and Event-Driven Lifecycle Control

基于槽生存预测和事件驱动生命周期控制的自适应无服务器资源管理

Zeyu Wang, Cuiqianhe Du, Renyue Zhang, Kejian Tong, Qi He, Qiyuan Tian

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； University of California, Berkeley（加州大学伯克利分校） ； New York University（纽约大学） ； Independent Researcher, Mukilteo（独立研究员，穆基尔托） ； Fordham University（福特汉姆大学） ； Independent Researcher, Washington（独立研究员，华盛顿） 纠错

AI总结 本文提出一种自适应框架，通过事件驱动架构和概率建模优化无服务器性能，采用双策略动态调整空闲时间并基于槽生存预测实现智能请求等待策略，实验表明在多云环境中冷启动减少51.2%且成本效率提升近2倍。

Indoor Asset Detection in Large Scale 360° Drone-Captured Imagery via 3D Gaussian Splatting

通过3D高斯散射实现大规模360°无人机拍摄影像中的室内资产检测

Monica Tang, Avideh Zakhor

机构 * UC Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出一种基于3D高斯散射的室内资产检测方法，通过结合掩码语义和空间信息，提升多视角掩码关联和检测精度，实验显示在两个大型室内场景中，F1分数提升65%，mAP提升11%。

Comments Accepted to CVPR 2026 3DMV Workshop

Robust Learning of Heterogeneous Dynamic Systems

鲁棒学习异质动态系统

Shuoxun Xu, Zijian Guo, Brooke R. Staveland, Robert T. Knight, Lexin Li

机构 * University of California at Berkeley（加州大学伯克利分校） ； Zhejiang University（浙江大学） ； University of California at San Francisco（加州大学旧金山分校） 纠错

AI总结 本文提出一种鲁棒学习方法，用于建模异质动态系统，通过最大化最坏情况奖励来构造鲁棒动态系统，并建立理论保证以提高泛化性能。

This Treatment Works, Right? Evaluating LLM Sensitivity to Patient Question Framing in Medical QA

这种治疗有效吗？评估LLM在医疗问答中对患者问题表述的敏感性

Hye Sun Yun, Geetika Kapoor, Michael Mackert, Ramez Kouzy, Wei Xu, Junyi Jessy Li, Byron C. Wallace

机构 * Northeastern University（东北大学） ； UC Berkeley（加州大学伯克利分校） ； UT Austin（德克萨斯大学奥斯汀分校） ； UT MD Anderson Cancer Center（德克萨斯大学MD安德森癌症中心） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 研究评估了LLM在医疗问答中对问题表述方式的敏感性，发现不同表述方式会导致不一致结论，尤其在多轮对话中更为明显，强调了在高风险场景中需重视表述鲁棒性。

Comments 31 pages, 4 tables, 19 figures

MINERVA-Cultural: A Benchmark for Cultural and Multilingual Long Video Reasoning

MINERVA-Cultural: 一个用于文化和多语言长视频推理的基准

Darshan Singh, Arsha Nagrani, Kawshik Manikantan, Harman Singh, Dinesh Tewari, Tobias Weyand, Cordelia Schmid, Anelia Angelova, Shachi Dave

机构 * Google DeepMind（谷歌DeepMind） ； UC Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出MINERVA-Cultural基准，旨在解决现有视频评估中文化偏见问题，通过多语言多文化视频数据和原生语言问题，推动视频推理模型的发展。

Comments Accepted to CVPR 2026

DeepSearch: Overcome the Bottleneck of Reinforcement Learning with Verifiable Rewards via Monte Carlo Tree Search

DeepSearch: 通过蒙特卡洛树搜索克服强化学习中的瓶颈问题

Fang Wu, Weihao Xuan, Heli Qi, Ximing Lu, Aaron Tu, Li Erran Li, Yejin Choi

机构 * Stanford University（斯坦福大学） ； University of Tokyo（东京大学） ； RIKEN AIP（日本理化学研究所革新智能研究中心） ； UC Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学） ； Amazon AWS（亚马逊云科技） 纠错

AI总结 DeepSearch通过将蒙特卡洛树搜索整合到强化学习中，解决探索不足的问题，提升数学推理能力，实验显示其在推理任务中达到62.95%的准确率，且效率显著高于传统方法。

The DeepSpeak Dataset

DeepSpeak 数据集

Sarah Barrington, Maty Bohacek, Hany Farid

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 本文提出DeepSpeak数据集，包含超过100小时的真实和深度伪造音频视频内容，旨在解决复杂的说话人头像场景。通过提供高质量的真实数据和生成的深度伪造数据，以及基于嵌入的身份匹配方法，提升深度伪造检测的鲁棒性。

Comments https://github.com/hfaridlab/deepspeak

Journal ref Published in CVPR 2026 Findings