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

ArchAgent v2: A Case Study with the Data Prefetching Championship

ArchAgent v2：数据预取锦标赛的案例研究

Abraham Gonzalez, Raghav Gupta, Akanksha Jain, Hanna Alam, Alexander Novikov, Po-Sen Huang, Matej Balog, Marvin Eisenberger, Sergey Shirobokov, Ngân Vũ, Hank Levy, Borivoje Nikolić, Sagar Karandikar, Martin Dixon, Parthasarathy Ranganathan

机构 * Google（谷歌公司） ； University of California, Berkeley（加州大学伯克利分校） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 本研究提出ArchAgent v2框架，通过级联进化搜索和硬件可实现性反馈循环，在DPC4中自动设计出性能优于人工方案的三级预取器，为计算机架构师提供了自动化智能体发现的实用工具。

Unveiling the Secret of AdaLN-Zero in Diffusion Transformer

揭示扩散Transformer中AdaLN-Zero的秘密

Jie Zhu, Mingyu Ding, Boqiang Duan, Leye Wang, Jingdong Wang

机构 * Peking University（北京大学） ； UC Berkeley（加州大学伯克利分校） ； Baidu（百度） 纠错

AI总结 本研究探究扩散Transformer（DiT）中AdaLN-Zero性能优于AdaLN的原因，发现零初始化是关键要素，提出AdaLN-Gaussian初始化策略与SE-adaLN-Zero机制，经多数据集实验验证其有效性与泛化性。

Comments Accept by IEEE TPAMI 2026, camera-ready version

HOPPER: Learnable Hop Extraction for Linearized Graph Sequence Models

HOPPER：用于线性化图序列模型的可学习跳提取方法

Isuru Herath, Arin Gopakumar, Sharan Sahu

机构 * Carnegie Mellon University（卡内基梅隆大学） ； UC Berkeley（加州大学伯克利分校） ； Cornell University（康奈尔大学） 纠错

AI总结 HOPPER是LGSM的可学习扩展，可提取跳序列以实现自适应图传播，在ECHO-Synth基准表现最优或具竞争力，调整结构记忆窗口可优化LRIM基准准确率，为长距离图表示学习提供灵活方法。

Comments 24 pages, 1 figure, 4 tables

Improving Generalization Robustness of Multimodal RLVR

提升多模态RLVR的泛化鲁棒性

Pengfei Zhou, Zhiwei Tang, Xiaopeng Peng, Chenrui Zhou, Lama Moukheiber, Yixing Ma, Bin Xu, Jiajun Song, Zhenglin Wan, Wangbo Zhao, Jiasheng Tang, Bohan Zhuang, Fan Wang, Yang You

机构 * National University of Singapore（新加坡国立大学） ； DAMO Academy Alibaba Group（阿里巴巴达摩院） ； Hupan Lab（湖畔实验室） ； Zhejiang University（浙江大学） ； University of California Berkeley（加州大学伯克利分校） ； Rochester Institute of Technology（罗切斯特理工学院） ； Georgia Institute of Technology（佐治亚理工学院） ； Renmin University of China（中国人民大学） ； Hong Kong University of Science and Technology（香港科技大学） 纠错

AI总结 针对多模态RLVR泛化鲁棒性不足的问题，提出含动态三元奖励与一致性正则化器的PIRL方法，压力测试与动态评估中其性能下降幅度均小于GRPO。

Comments 32 pages, 5 figures

Adaptive KappaSharp: Condition-Number Shaping for Preferential Bayesian Optimization

自适应KappaSharp：用于偏好贝叶斯优化的条件数塑形

Ketong Shao, Jialu Wang, Xuekai Pei, Ali Mesbah

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

AI总结 针对偏好贝叶斯优化中海森矩阵秩亏的结构性缺陷，提出自适应KappaSharp方法，通过条件数塑形优化，在11个含等离子医学控制器调优的基准上优于标准PBO基线，性能提升最高10.9%

AdaDexGrasp: Adaptive Dexterous Grasping via 3D Visuo-Tactile Representation Fusion

AdaDexGrasp：基于3D视觉-触觉表示融合的自适应灵巧抓取

Xirui Liang, Jiaqi Liang, Jingkai Xu, Yuran Wang, Ruochong Li, Yuanpei Chen, Masayoshi Tomizuka, Wei Zhan, Ruihai Wu

机构 * Peking University（北京大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 针对机器人抓取难以复刻人类视觉-触觉融合自适应能力的问题，提出AdaDexGrasp视觉-触觉融合抓取框架，通过3D表示融合实现接触感知抓取生成与优化，实验验证其提升了抓取成功率与泛化性。

Comments Accepted at ECCV 2026

Learning Physical Interaction: A Survey of Tactile- and Force-aware Robot Learning

学习物理交互：触觉与力感知机器人学习综述

Shilin Shan, Chuhao Zhou, Ruize Wang, Xinyan Chen, Xiangyu Chen, Xinyu Zhou, Boyu Ma, Iris Yuxuan Hu, Jingliang Li, Celeste Yuxuan Hu, Geng Li, Guohao Chen, Tianrui Zhu, Zhe Li, Yanjie Ze, Haoran Geng, Zhiyang Dou, Jianxin Bi, Yuejiang Liu, Jianshu Zhou, Jiachen Li, Paul Liang, Tatsuya Harada, Robert Katzschmann, Harold Soh, Na Li, Edward Johns, Danica Kragic, Jan Peters, Wojciech Matusik, Masayoshi Tomizuka, Jitendra Malik, Jianfei Yang

机构 * Nanyang Technological University（南洋理工大学） ； Stanford University（斯坦福大学） ； University of California, Berkeley（加利福尼亚大学伯克利分校） ； Massachusetts Institute of Technology（麻省理工学院） ； National University of Singapore（新加坡国立大学） ； Georgia Institute of Technology（佐治亚理工学院） ； The University of Tokyo（东京大学） ； ETH Zurich（苏黎世联邦理工学院） ； Harvard University（哈佛大学） ； Imperial College London（伦敦帝国学院） ； KTH Royal Institute of Technology（瑞典皇家理工学院） ； Technical University of Darmstadt（达姆施塔特工业大学） 纠错

AI总结 本综述针对力与触觉感知机器人学习研究的空白，提出TF-ART分类法，整合多模态感知与多阶段系统设计视角，兼具算法与实践意义。

Comments 53 pages, 7 figures

The Moving Target: A Longitudinal Audit of Trust-Benchmark Score Drift Across Open-Source Chat LLM Release Lines

移动目标：对开源聊天语言模型十二个检查点的可信度漂移进行纵向审计

Zhichao Fan, Yanhang Li, Zexin Zhuang, Xian Sun, Yingshuo Wang

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Southern Methodist University（南方 Methodist 大学） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 通过对四个开源版本系列在多提示模板下的信任基准测试，发现相邻版本间存在显著漂移，结论是发布线的信任分数应重新测量，而非沿用，应作为检查点相关的日期化工件报告。

Comments 6 pages, 1 figure; accepted at IEEE ICMLA 2026; title, presentation, and formatting revised from v1; empirical results unchanged

Online Shift Detection and Conformal Adaptation for Deployed Safety Classifiers

已部署安全分类器的在线漂移检测与共形自适应

Jun Wen Leong

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

AI总结 提出在线监测系统，使用校准序列统计检测分布漂移，并通过共形弃权层自适应阈值恢复目标错误率，在800个实验单元中实现86.6%有效检测。

Comments 38 pages, 8 figures, 18 tables. Code and pre-registration at https://github.com/junwenleong/safety-classifier-shift-monitor

Towards Understanding Modality Interaction in Multimodal Language Models via Partial Information Decomposition

通过部分信息分解理解多模态语言模型中的模态交互

Wanlong Fang, Tianle Zhang, Wen Tao, Alvin Chan

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

AI总结 引入部分信息分解（PID）框架，分离感官和语言输入的独特、冗余和协同贡献，揭示多模态大模型中的模态使用模式，并扩展至三模态系统。

Comments Accepted by ICML 2026

The Safety-Aware Denoiser for Text Diffusion Models

文本扩散模型的安全感知去噪器

Amman Yusuf, Zhejun Jiang, Mijung Park

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

AI总结 提出安全感知去噪器（SAD），在文本扩散模型的迭代去噪过程中引导生成文本进入安全区域，无需重训练即可实现灵活的安全约束，有效降低不安全生成同时保持生成质量。

Comments 31 pages, 12 figures. Code available at: https://github.com/ParkLabML/SAD

SAKE: Structured Agentic Knowledge Extrapolation for Complex LLM Reasoning via Reinforcement Learning

SAKE：通过强化学习进行复杂LLM推理的结构代理知识外推

Jiashu He, Jinxuan Fan, Bowen Jiang, Ignacio Houine, Dan Roth, Alejandro Ribeiro

机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 SAKE通过强化学习训练LLM自主检索和外推结构化知识，提升生物医学和常识领域推理性能，同时减少90%以上token使用。

Universal One-third Time Scaling in Learning Peaked Distributions

学习尖峰分布中的普适三分之一时间缩放

Yizhou Liu, Ziming Liu, Cengiz Pehlevan, Jeff Gore

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

AI总结 本文通过理论分析和实验验证，揭示了使用softmax和交叉熵学习尖峰分布时，损失和梯度呈幂律衰减，导致损失时间缩放指数为1/3的普适瓶颈，为神经缩放现象提供了机理解释。

Comments Camera-ready version, ICML 2026

iLTM: Integrated Large Tabular Model

iLTM：集成式大规模表格模型

David Bonet, Marçal Comajoan Cara, Alvaro Calafell, Daniel Mas Montserrat, Alexander G. Ioannidis

机构 * Stanford University（斯坦福大学） ； University of California, Santa Cruz（加州大学圣克鲁兹分校） ； University of California, Berkeley（加州大学伯克利分校） ； École Polytechnique（巴黎高等理工学院） 纠错

AI总结 iLTM通过集成树派生嵌入、维度无关表示和超网络，提供了一个统一的表格学习框架，实现优于传统GBDT和深度表格模型的性能。

Comments Extended version of a paper accepted at KDD '26

Journal ref Proc. 32nd ACM SIGKDD Conf. on Knowledge Discovery and Data Mining, 2, 186-197 (2026)