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

2607.18770 2026-07-22 cs.CR cs.CV 新提交

GLID: Gated Local Intrinsic Dimension Repairs the Blind Spots of Face-Forgery Detectors

GLID：门控局部内在维度修复面部伪造检测器的盲点

Guang Yang, Fengchen Liu

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）

AI总结研究针对微调基础模型面部伪造检测器对训练外生成器家族有盲点的问题，提出GLID检测器，通过估计图像补丁令牌局部内在维度，经置信门进入微调检测器，在基准测试中表现出色，揭示相关经验法则并降低准确率跨种子传播。

Comments 21 pages, 16 figures

2604.26182 2026-07-22 cs.CV cs.AI cs.LG 版本更新

Lifting Embodied World Models for Planning and Control

提升具身世界模型用于规划与控制

Alex N. Wang, Trevor Darrell, Pavel Izmailov, Yutong Bai, Amir Bar

机构 * Computer Science, New York University（纽约大学计算机科学系）； BAIR, UC Berkeley（伯克利大学BAIR）

AI总结本文提出一种轻量级策略，将高层动作映射到低层关节动作序列，结合冻结的世界模型，实现预测未来观察的提升世界模型，有效降低规划复杂度。

Comments Accepted to ECCV2026. Edited policy masking

2507.21638 2026-07-22 cs.AI cs.LG cs.MA cs.RO 版本更新

Assistax: A Multi-Agent Hardware-Accelerated Reinforcement Learning Benchmark for Assistive Robotics

Assistax: 一个用于辅助机器人的多智能体硬件加速强化学习基准

Leonard Hinckeldey, Elliot Fosong, Rimvydas Rubavicius, Elle Miller, Trevor McInroe, Fan Zhang, Patricia Wollstadt, Stefano V. Albrecht, Subramanian Ramamoorthy

机构 * University of California, Berkeley（加州大学伯克利分校）； Stanford University（斯坦福大学）

AI总结提出Assistax基准，利用JAX硬件加速和基于多智能体强化学习的辅助机器人任务，实现高达370倍加速，并测试机器人的零样本协调能力。

Comments Accepted at the Reinforcement Learning Conference 2026