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

Personalized Worked Example Generation from Student Code Submissions using Pattern-based Knowledge Components

基于学生代码提交的基于模式的知识组件个性化习题生成

Griffin Pitts, Muntasir Hoq, Peter Brusilovsky, Narges Norouzi, Arto Hellas, Juho Leinonen, Bita Akram

机构 * North Carolina State University（北卡罗来纳州立大学） ； University of Pittsburgh（匹兹堡大学） ； University of California, Berkeley（加州大学伯克利分校） ； Aalto University（阿尔托大学） 纠错

AI总结 本文提出利用基于模式的知识组件生成个性化习题，通过AST分析提取学生代码中的结构模式，引导生成模型提高内容的相关性和针对性。

Comments Accepted to the Thirteenth ACM Conference on Learning @ Scale (L@S 2026)

Green Shielding: A User-Centric Approach Towards Trustworthy AI

绿色防护：面向可信AI的用户导向方法

Aaron J. Li, Nicolas Sanchez, Hao Huang, Ruijiang Dong, Jaskaran Bains, Katrin Jaradeh, Zhen Xiang, Bo Li, Feng Liu, Aaron Kornblith, Bin Yu

机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Melbourne（墨尔本大学） ； University of California, San Francisco（加州大学旧金山分校） ； University of Georgia（佐治亚大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 本文提出Green Shielding方法，通过分析用户输入变化对模型行为的影响，为可信AI部署提供证据支持的指导。通过医疗诊断基准测试，展示了交互选择如何系统性地影响模型输出属性，支持高风险领域更安全的部署。

Physics-Informed Neural Networks for Device and Circuit Modeling: A Case Study of NeuroSPICE

用于器件和电路建模的物理信息神经网络：神经SPICE案例研究

Chien-Ting Tung, Chenming Hu

机构 * University of California at Berkeley（加州大学伯克利分校） ； Berkeley Device Modeling Center（伯克利器件建模中心） 纠错

AI总结 本文提出神经SPICE，一种基于物理信息神经网络的框架，用于器件和电路仿真，通过反向传播最小化残差来求解电路微分代数方程，提供替代模型用于设计优化和反问题求解。

Comments in IEEE Electron Device Letters (2026)

Transferable Human Mobility Network Reconstruction with neuroGravity

基于neuroGravity的人类移动网络重构

Jinming Yang, Shaoyu Huang, Zongyuan Huang, Yaohui Jin, Xiaokang Yang, Marta C. Gonzalez, Yanyan Xu

机构 * MoE Key Laboratory of Artificial Intelligence, AI Institute, Shanghai Jiao Tong University, Shanghai 200240, China（人工智能编译实验室，人工智能研究院，上海交通大学，上海 200240，中国） ； Data-Driven Management Decision Making Lab, Shanghai Jiao Tong University, Shanghai 200240, China（数据驱动管理决策实验室，上海交通大学，上海 200240，中国） ； Department of City and Regional Planning, University of California, Berkeley, CA 94720, USA（城市与区域规划系，加州大学伯克利分校，CA 94720，美国） ； Energy Technologies Area, Lawrence Berkeley National Laboratory, Berkeley, CA 94720, USA（能源技术领域，劳伦斯伯克利国家实验室，伯克利，CA 94720，美国） ； Department of Civil and Environmental Engineering, University of California, Berkeley, CA 94720, USA（土木与环境工程系，加州大学伯克利分校，CA 94720，美国） 纠错

AI总结 本文提出neuroGravity模型，通过城市设施和人口分布数据重构移动网络，揭示空间收入 segregation 对模型迁移的重要性，为资源有限地区提供低成本的移动流量代理。

SARM: Stage-Aware Reward Modeling for Long Horizon Robot Manipulation

SARM：面向长时间 horizon 的机器人操控阶段感知奖励建模

Qianzhong Chen, Justin Yu, Mac Schwager, Pieter Abbeel, Yide Shentu, Philipp Wu

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

AI总结 本文提出一种基于视频的阶段感知奖励建模框架，通过自然语言子任务标注实现一致标签，提升长horizon任务的鲁棒性和泛化能力，实验表明其在真实世界和人类验证中表现优异。

Cooperative Informative Sensing for Monitoring Dynamic Indoor Environments via Multi-Agent Reinforcement Learning

通过多智能体强化学习进行协作信息感知以监控动态室内环境

Kanghoon Lee, Matthew M. Sato, Jinnyeong Yang, Seungro Lee, Sujin Lee, Jiachen Li, Kuk-Jin Yoon, Jinkyoo Park, Kincho H. Law, Yoonjin Yoon

机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院） ； Stanford University（斯坦福大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of California, Riverside（加州大学河滨分校） 纠错

AI总结 本文提出利用多智能体强化学习进行协作信息感知，以提高动态室内环境监控的准确性，优于传统覆盖和学习无关的多机器人方法。

Comments 8 pages, 10 figures, 2 tables

UpstreamQA: A Modular Framework for Explicit Reasoning on Video Question Answering Tasks

UpstreamQA：一个用于视频问答任务显式推理的模块化框架

Jason Nguyen, Ameet Rao, Alexander Chang, Ishaan Kumar, Erin Tan

机构 * Lincoln North Star High School（林肯北星高中） ； The Charter School of Wilmington（威尔明顿 charter 学校） ； Greenwich High School（格林威治高中） ； Santa Susana High School（圣塔苏娜高中） ； UC Berkeley（伯克利大学） 纠错

AI总结 本文提出UpstreamQA框架，通过显式推理模块分离和评估视频推理核心组件，提升视频问答任务的性能和可解释性，但可能在基线性能高时导致性能下降。

From Optimization to Prediction: Transformer-Based Path-Flow Estimation to the Traffic Assignment Problem

从优化到预测：基于Transformer的路径-流量估计到交通分配问题

Mostafa Ameli, Sulthana Shams, Van Anh Le, Alexander Skabardonis

机构 * Institute of Transportation Studies, University of California, Berkeley, USA（加州大学伯克利分校交通研究学院） 纠错

AI总结 本文提出基于Transformer的深度学习方法，直接预测交通均衡路径流量，提升大规模网络计算效率和预测精度。

Residual Feature Integration is Sufficient to Prevent Negative Transfer

残差特征整合足以防止负迁移

Yichen Xu, Ryumei Nakada, Linjun Zhang, Lexin Li

机构 * University of California, Berkeley（加州大学伯克利分校） ； Harvard University（哈佛大学） ； Rutgers University（罗格斯大学） 纠错

AI总结 本文提出通过整合冻结的预训练源特征与可训练的目标编码器，有效防止负迁移，理论证明其收敛率不低于从头训练，并在多个数据集上验证了方法的鲁棒性与广泛适用性。

Journal ref The Fourteenth International Conference on Learning Representations (ICLR 2026)

NVILA: Efficient Frontier Visual Language Models

NVILA：高效的前沿视觉语言模型

Zhijian Liu, Ligeng Zhu, Baifeng Shi, Zhuoyang Zhang, Yuming Lou, Shang Yang, Haocheng Xi, Shiyi Cao, Yuxian Gu, Dacheng Li, Xiuyu Li, Yunhao Fang, Yukang Chen, Cheng-Yu Hsieh, De-An Huang, An-Chieh Cheng, Vishwesh Nath, Jinyi Hu, Sifei Liu, Ranjay Krishna, Daguang Xu, Xiaolong Wang, Pavlo Molchanov, Jan Kautz, Hongxu Yin, Song Han, Yao Lu

机构 * NVIDIA ； MIT（麻省理工学院） ； UC Berkeley（加州大学伯克利分校） ； UC San Diego（加州大学圣地亚哥分校） ； University of Washington（华盛顿大学） ； Tsinghua University（清华大学） 纠错

AI总结 NVILA通过'缩放后再压缩'方法提升效率与准确性，降低训练和推理成本，适用于高分辨率图像和长视频处理。

Comments CVPR 2025. Project page: https://z-lab.ai/projects/nvila/