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

Proxy3D: Efficient 3D Representations for Vision-Language Models via Semantic Clustering and Alignment

Proxy3D: 通过语义聚类和对齐实现视觉-语言模型的高效3D表示

Jerry Jiang, Haowen Sun, Denis Gudovskiy, Yohei Nakata, Tomoyuki Okuno, Kurt Keutzer, Wenzhao Zheng

机构 * Tsinghua University（清华大学） ； Panasonic AI Lab（松下人工智能实验室） ； Panasonic DX-CPS（松下DX-CPS） ； UC Berkeley（伯克利大学） 纠错

AI总结 本文提出Proxy3D方法，通过语义和几何编码器提取场景特征并进行语义感知聚类，生成紧凑且全面的3D代理表示，提升视觉-语言模型在3D视觉问答、视觉定位和空间智能任务中的性能。

Comments Accepted by CVPR 2026. Project page: https://wzzheng.net/Proxy3D

Measuring and Mitigating the Distributional Gap Between Real and Simulated User Behaviors

测量和缓解真实与模拟用户行为之间的分布差距

Shuhaib Mehri, Philippe Laban, Sumuk Shashidhar, Marwa Abdulhai, Sergey Levine, Michel Galley, Dilek Hakkani-Tür

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Microsoft Research（微软研究院） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出了一种方法，系统评估24个基于LLM的用户模拟器在编程和写作任务中的表现，揭示了真实用户行为与模拟行为之间的显著分布差异，并通过组合互补的模拟器来缩小这一差距。

LLM hallucinations in the wild: Large-scale evidence from non-existent citations

在现实世界中大型语言模型的幻觉：来自不存在引用的大规模证据

Zhenyue Zhao, Yihe Wang, Toby Stuart, Mathijs De Vaan, Paul Ginsparg, Yian Yin

机构 * Department of Information Science, Cornell University（信息科学系，康奈尔大学） ； Department of Sociology, University of California Los Angeles（社会学系，加州大学洛杉矶分校） ； Department of Computer Science and Technology, Tsinghua University（计算机科学与技术系，清华大学） ； Haas School of Business, University of California Berkeley（哈斯商学院，加州大学伯克利分校） 纠错

AI总结 研究通过验证引用数据揭示LLM生成虚假引用的问题，发现2025年存在146932个虚假引用，且在AI应用快速发展的领域和语言特征显示AI辅助写作的论文中尤为严重，影响科学认可的公平性。

Response Time Enhances Alignment with Heterogeneous Preferences

响应时间增强异质偏好对齐

Federico Echenique, Alireza Fallah, Baihe Huang, Michael I. Jordan

机构 * Department of Economics, University of California, Berkeley（加州大学伯克利分校经济系） ； Department of Computer Science and Ken Kennedy Institute, Rice University（休斯敦大学计算机科学系和肯尼迪研究所） ； Departments of Electrical Engineering and Computer Sciences, University of California, Berkeley（加州大学伯克利分校电子工程与计算机科学系） ； Departments of Electrical Engineering and Computer Sciences and Statistics, University of California, Berkeley（加州大学伯克利分校电子工程与计算机科学系和统计学系；巴黎Inria） ； Inria Paris 纠错

AI总结 本文提出通过引入用户响应时间信号来纠正传统偏好数据中对异质偏好的估计偏差，证明该方法能准确识别群体平均偏好，提升大型语言模型对人类偏好的对齐效果。

In-Context Credit Assignment via the Core

通过核心进行上下文内信用分配

Keegan Harris, Siddharth Prasad, Asher Trockman

机构 * UC Berkeley（伯克利大学） ； Toyota Technological Institute at Chicago（芝加哥丰田技术研究所） ； Google Research（谷歌研究） 纠错

AI总结 本文提出了一种激励对齐的上下文内信用分配机制，基于合作博弈理论中的核心解概念，通过算法近似核心解来稳定分配价值，实验显示其在网页检索任务中效率显著高于其他方法。

Robustness of Refugee-Matching Gains to Off-Policy Evaluation Choices

难民匹配收益对离线评估选择的鲁棒性

Kirk Bansak, Elisabeth Paulson, Dominik Rothenhäusler, Jeremy Ferwerda, Jens Hainmueller, Michael Hotard

机构 * Immigration Policy Lab, Stanford University（斯坦福大学移民政策实验室） ； Department of Political Science, University of California, Berkeley（加州大学伯克利分校政治学系） ； Technology and Operations Management Unit, Harvard Business School（哈佛商学院技术与运营管理单位） ； Department of Statistics, Stanford University（斯坦福大学统计学系） ； Department of Government, Dartmouth College（达特茅斯学院政府系） ； Department of Political Science, Stanford University（斯坦福大学政治学系） 纠错

AI总结 本文研究难民匹配对难民结果的提升潜力，通过多种离线评估方法验证了因果影响评估结果的稳定性，发现估计值在多数情况下具有统计显著性且与Bansak等(2018)结果一致。

Comments 13 pages, 2 figures, 10 tables

CRAFT: Forgetting-Aware Intervention-Based Adaptation for Continual Learning

CRAFT：面向持续学习的遗忘感知干预式适应

Md Anwar Hossen, Fatema Siddika, Juan Pablo Munoz, Tanya Roosta, Ali Jannesari

机构 * Iowa State University（爱荷华州立大学） ； Maro Systems（Maro系统） ； University of California, Berkeley（加州大学伯克利分校） ； AMD 纠错

AI总结 CRAFT通过在隐藏表示上学习低秩干预，避免更新模型权重，通过输出分布分歧路由任务、KL散度正则化和合并干预，减少遗忘并提升性能。

Comments 24 pages

SOCKET: SOft Collision Kernel EsTimator for Sparse Attention

SOCKET: 用于稀疏注意力的软碰撞核估计器

Sahil Joshi, Agniva Chowdhury, Wyatt Bellinger, Amar Kanakamedala, Ekam Singh, Hoang Anh Duy Le, Aditya Desai, Anshumali Shrivastava

机构 * Department of Computer Science, Rice University（里士大学计算机科学系） ； Department of Electrical Engineering and Computer Sciences, UC Berkeley（伯克利大学电气工程与计算机科学系） 纠错

AI总结 SOCKET通过引入软碰撞核估计器改进稀疏注意力，利用概率性相似性聚合替代传统二元碰撞信号，提升长上下文推理效率和内存利用率。

Comments 7 figures, 17 tables

Large Video Planner Enables Generalizable Robot Control

大视频规划器实现通用机器人控制

Boyuan Chen, Tianyuan Zhang, Haoran Geng, Caiyi Zhang, Peihao Li, Kiwhan Song, William T. Freeman, Jitendra Malik, Pieter Abbeel, Russ Tedrake, Vincent Sitzmann, Yilun Du

机构 * MIT（麻省理工学院） ； UC Berkeley（加州大学伯克利分校） ； Harvard（哈佛大学） 纠错

AI总结 本文提出利用大规模视频预训练构建通用机器人基础模型，通过生成视频计划实现跨任务和环境的泛化控制，并在真实机器人上验证了其可行性。

Comments 29 pages, 16 figures

Structure learning of Hamiltonians from real-time evolution

从实时演化中学习哈密顿量的结构

Ainesh Bakshi, Allen Liu, Ankur Moitra, Ewin Tang

机构 * MIT（麻省理工学院） ； UC Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出了一种新的哈密顿量学习方法，能够在不预先知道相互作用结构的情况下，以Heisenberg极限精度在O(log n/ε)时间内恢复哈密顿量，扩展到任意相互作用范围，并实现常数时间分辨率。

Comments 52 pages; v2 discussed more literature, qualified some claims; v3 minor correction discussing prior work; v4 strengthened main theorem

Active teacher selection for reward learning

奖励学习中的主动教师选择

Rachel Freedman, Justin Svegliato, Kyle Wray, Stuart Russell

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

AI总结 本文提出HUB框架，通过主动选择教师来提升奖励学习效果，应用于推荐系统和疫苗测试领域，展示了教师异质性建模的实用性。

Learning quantum Hamiltonians at any temperature in polynomial time

在多项式时间内学习任意温度下的量子哈密顿量

Ainesh Bakshi, Allen Liu, Ankur Moitra, Ewin Tang

机构 * MIT（麻省理工学院） ； UC Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出在多项式时间内学习任意常数温度下量子哈密顿量的算法，通过多项式逼近和多项式系统松弛方法解决哈密顿量学习问题。

Comments 66 pages; v2 minor edits, clarification on locality