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

Foundation Models for Discovery and Exploration in Chemical Space

化学空间发现与探索中的基础模型

Alexius Wadell, Anoushka Bhutani, Victor Azumah, Austin R. Ellis-Mohr, Andrew J. Stier, Kareem Hegazy, Alexander Brace, Hancheng Zhao, Celia Kelly, Anuj K. Nayak, Yuhan Chen, Dimitrios Simatos, Hongyi Lin, Murali Emani, Venkatram Vishwanath, Kevin Gering, Melisa Alkan, Tom Gibbs, Jack Wells, Wesley W. Qian, Richard C. Gerkin, Benjamin Amorelli, Alexander B. Wiltschko, Lav R. Varshney, Bharath Ramsundar, Karthik Duraisamy, Michael W. Mahoney, Arvind Ramanathan, Venkatasubramanian Viswanathan

机构 * Department of Mechanical Engineering, University of Michigan（密歇根大学机械工程系） ； Department of Chemical Engineering, University of Michigan（密歇根大学化学工程系） ； Department of Electrical and Computer Engineering, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校电子与计算机工程系） ； The Santa Fe Institute（圣菲研究所） ； International Computer Science Institute（国际计算机科学研究所） ； Department of Statistics, University of California, Berkeley（加州大学伯克利分校统计学系） ； Department of Computer Science, University of Chicago（芝加哥大学计算机科学系） ； Argonne National Laboratory（阿贡国家实验室） ； Idaho National Laboratory（爱达荷国家实验室） ； NVIDIA Corporation（英伟达公司） ； Osmo Labs, PBC ； AI Innovation Institute, Stony Brook University（石溪大学AI创新研究所） ； Brookhaven National Laboratory（布鲁赫斯研究所） ； Deep Forest Sciences, Palo Alto, CA（帕洛阿尔托的Deep Forest Sciences） ； Department of Aerospace Engineering, University of Michigan（密歇根大学航空航天工程系） ； Lawrence Berkeley National Laboratory（伯克利劳伦斯国家实验室） 纠错

AI总结 本文提出MIST模型，通过大规模无标签数据训练，实现对化学空间中多种分子性质的预测，展示了其在多目标电解质溶剂筛选和立体化学推理中的应用，以及在超参数感知贝叶斯神经缩放定律下的高效训练能力。

Comments Main manuscript: 30 pages (including references), 7 tables and 5 figures. Supplementary information: 158 pages (including references), 15 tables and 128 figures

Trident: Improving Malware Detection with LLMs and Behavioral Features

Trident：利用LLMs和行为特征提升恶意软件检测

Rebecca Saul, Jingzhi Jiang, Elliott Chia, David Wagner

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

AI总结 本文提出Trident系统，结合静态特征、行为规则和LLM分析，提升恶意软件检测性能，优于传统方法并具备更强的抗概念漂移能力。

Rethinking Network Topologies for Cost-Effective Mixture-of-Experts LLM Serving

重新思考面向低成本专家混合模型LLM服务的网络拓扑

Junsun Choi, Sam Son, Sunjin Choi, Hansung Kim, Yakun Sophia Shao, Scott Shenker, Sylvia Ratnasamy, Borivoje Nikolic

机构 * UC Berkeley（加州大学伯克利分校） 纠错

AI总结 本文研究了专家混合模型LLM服务的网络拓扑，通过系统分析发现低成本无交换机拓扑在多种场景下更有效，且未来GPU升级将进一步巩固其优势。

World Model for Robot Learning: A Comprehensive Survey

机器人学习的世界模型：全面综述

Bohan Hou, Gen Li, Jindou Jia, Tuo An, Xinying Guo, Sicong Leng, Haoran Geng, Yanjie Ze, Tatsuya Harada, Philip Torr, Oier Mees, Marc Pollefeys, Zhuang Liu, Jiajun Wu, Pieter Abbeel, Jitendra Malik, Yilun Du, Jianfei Yang

机构 * Nanyang Technological University（南洋理工大学） ； University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； The University of Tokyo（东京大学） ； University of Oxford（牛津大学） ； Microsoft（微软公司） ； ETH Zurich（苏黎世联邦理工学院） ； Princeton University（普林斯顿大学） ； Harvard University（哈佛大学） 纠错

AI总结 综述从机器人学习角度系统回顾世界模型的快速发展，探讨其与机器人策略的耦合、作为强化学习模拟器的作用以及机器人视频世界模型的发展，总结关键范式与挑战。

Comments 43 pages, 6 figures

It's Never Too Late: Noise Optimization for Collapse Recovery in Trained Diffusion Models

迟到也不晚：通过噪声优化在训练好的扩散模型中恢复崩溃

Anne Harrington, A. Sophia Koepke, Shyamgopal Karthik, Trevor Darrell, Alexei A. Efros

机构 * UC Berkeley（加州大学伯克利分校） ； University of Tübingen, Tübingen AI Center（图宾根大学，图宾根人工智能中心） ； TU Munich, MCML（慕尼黑工业大学，MCML） 纠错

AI总结 本文通过噪声优化提升扩散模型生成多样性，减少模式崩溃，同时保持基础模型的保真度。

Comments CVPR 2026. Project page at https://akoepke.github.io/divgen/index.html