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

Squeeze Evolve: Unified Multi-Model Orchestration for Verifier-Free Evolution

Squeeze Evolve：无验证者演化的统一多模型协调

Monishwaran Maheswaran, Leon Lakhani, Zhongzhu Zhou, Shijia Yang, Junxiong Wang, Coleman Hooper, Yuezhou Hu, Rishabh Tiwari, Jue Wang, Harman Singh, Qingyang Wu, Yuqing Jian, Ce Zhang, Kurt Keutzer, Tri Dao, Xiaoxia Wu, Ben Athiwaratkun, James Zou, Chenfeng Xu

机构 * UC Berkeley（加州大学伯克利分校） ； UT Austin（德克萨斯大学奥斯汀分校） ； Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学） ； Together AI 纠错

AI总结 本文提出Squeeze Evolve框架，通过动态分配模型能力提升无验证者演化的多样性与效率，实验证明其在多个基准测试中显著降低成本并提升性能。

Comments 40 Pages, Project Page: https://squeeze-evolve.github.io/

LMGenDrive: Bridging Multimodal Understanding and Generative World Modeling for End-to-End Driving

LMGenDrive: 联合多模态理解与生成世界建模以实现端到端驾驶

Hao Shao, Letian Wang, Yang Zhou, Yuxuan Hu, Zhuofan Zong, Steven L. Waslander, Wei Zhan, Hongsheng Li

机构 * CUHK MMLab（香港中文大学多媒体实验室） ； University of Toronto（多伦多大学） ； UC Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出LMGenDrive框架，结合LLM多模态理解与生成世界模型，提升自动驾驶的闭环性能，通过视频预测和控制信号生成，增强时空场景建模和指令遵循能力。

GAN-Enhanced Deep Reinforcement Learning for Semantic-Aware Resource Allocation in 6G Network Slicing

基于GAN的深度强化学习用于6G网络切片中的语义感知资源分配

Daniel Benniah John

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

AI总结 本文提出GAN-DDPG框架，结合条件GAN生成交通数据、连续动作DDPG和语义感知奖励优化，提升6G网络切片中URLLC、eMBB和mMTC的频谱效率。

Comments 15 pages, 8 figures. Under review. Simulation-based evaluation for 6G network slicing

dnaHNet: A Scalable and Hierarchical Foundation Model for Genomic Sequence Learning

dnaHNet：一种可扩展且分层的基因组序列学习基础模型

Arnav Shah, Junzhe Li, Parsa Idehpour, Adibvafa Fallahpour, Brandon Wang, Sukjun Hwang, Bo Wang, Patrick D. Hsu, Hani Goodarzi, Albert Gu

机构 * University of Toronto（多伦多大学） ； University of California, San Francisco（加州大学旧金山分校） ； University of California, Berkeley（加州大学伯克利分校） ； University of Pennsylvania（宾夕法尼亚大学） ； Vector Institute（向量研究所） ； University Health Network（大学健康网络） ； Arc Institute（Arc研究所） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 dnaHNet提出一种无需分词的自回归模型，通过可微的动态分块机制压缩基因组序列，实现高效且可扩展的基因组学习，优于现有模型并在零样本任务中表现优异。

Interactive Program Synthesis for Modeling Collaborative Physical Activities from Narrated Demonstrations

基于叙述演示的协作物理活动建模交互式程序合成

Edward Kim, Daniel He, Jorge Chao, Wiktor Rajca, Mohammed Amin, Nishant Malpani, Ruta Desai, Antti Oulasvirta, Bjoern Hartmann, Sanjit Seshia

机构 * University of California, Berkeley（加州大学伯克利分校） ； Meta ； Aalto University（阿尔托大学） 纠错

AI总结 本文提出通过交互式程序合成解决协作物理活动建模问题，利用叙述演示统一教学、检查和纠正系统逻辑，实验表明用户能有效修正程序以匹配意图。