SorryDB: Can AI Provers Complete Real-World Lean Theorems?
SorryDB: AI证明者能完成现实世界的Lean定理吗？
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出动态更新的基准SorryDB，包含78个GitHub上的现实形式化项目，评估AI证明者在复杂依赖下的能力，发现当前方法互补，基于Gemini Flash的智能体方法表现最佳。
高校专区
University of California, Berkeley（加州大学伯克利分校）
Discrete Optimal Transport and Voice Conversion
离散最优传输与语音转换
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出kDOT框架，利用预训练语音嵌入空间进行语音转换，通过离散最优传输计划的质心投影改进分布对齐，提升WER、MOS和FAD性能。
Comments 5 pages, 1 figure, 7 tables. 11th International Conference on Machine Learning Technologies (ICMLT), Berlin, Germany, May 2026
Detecting Hate and Inflammatory Content in Bengali Memes: A New Multimodal Dataset and Co-Attention Framework
检测孟加拉语模因中的仇恨和煽动性内容：一个新的多模态数据集和共注意力框架
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学）
AI总结 针对孟加拉语模因中仇恨和煽动性内容检测的研究空白，构建了首个区分煽动性内容与直接仇恨言论的数据集Bn-HIB，并提出多模态共注意力融合模型MCFM，通过联合分析视觉和文本特征实现更准确分类。
Comments Added public link to dataset and fixed typo in abstract
ToaSt: Token Channel Selection and Structured Pruning for Efficient ViT
ToaSt: 面向高效ViT的令牌通道选择与结构化剪枝
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出ToaSt框架，对多头自注意力模块进行耦合头结构化剪枝，对前馈网络采用训练无关的令牌通道选择方法，在多种ViT模型上实现精度与效率的优越平衡。
Comments Accepted at ICML 2026
Green-NAS: A Global-Scale Multi-Objective Neural Architecture Search for Robust and Efficient Edge-Native Weather Forecasting
Green-NAS：一种全球尺度多目标神经架构搜索用于鲁棒且高效的边缘原生天气预测
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学） ； University of Arizona（亚利桑那大学）
AI总结 Green-NAS通过多目标优化寻找轻量高精度模型，减少计算能耗与碳足迹，提升边缘天气预测的鲁棒性与效率。
Comments Accepted at the 2026 IEEE 2nd International Conference on Quantum Photonics, Artificial Intelligence & Networking
Journal ref 2026 IEEE 2nd International Conference on Quantum Photonics, Artificial Intelligence & Networking (QPAIN)
Bimanual High-Density EMG Control for In-Home Mobile Manipulation by Users with Quadriplegia
用于四肢瘫痪用户居家移动操作的双侧高密度肌电控制
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学）
AI总结 针对颈椎脊髓损伤用户，提出双侧高密度肌电（HDEMG）前臂袖套，结合共享自主框架实现实时手势控制移动操作器，经12天居家研究验证日常任务有效性。
Comments 17 pages, 20 figures
A Unified Definition of Hallucination: It's The World Model, Stupid!
幻觉的统一定义：是世界模型的问题，笨蛋！
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出幻觉的统一定义，即用户可观察到的错误内部世界建模，并连接至HalluWorld基准测试，以区分真实幻觉与规划或奖励错误。
Comments ICML 2026. HalluWorld benchmark at https://github.com/DegenAI-Labs/HalluWorld
A Fully First-Order Layer for Differentiable Optimization
用于可微优化的全一阶层
机构 * University of California, Berkeley（加州大学伯克利分校） ； DeepMind（深度思维）
AI总结 提出一种仅使用一阶信息计算梯度的算法，通过将可微优化重写为双层优化并引入活动集拉格朗日超梯度方法，避免Hessian计算，实现高效近似。
Comments ICML 2026
INFER : Learning Implicit Neural Frequency Response Fields for Confined Car Cabin
INFER：学习受限汽车座舱的隐式神经频率响应场
机构 * Harvard University（哈佛大学） ； University of Cambridge（剑桥大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 提出INFER框架，通过频域神经隐式模型联合学习源和接收器位置、方向下的复值频率响应场，引入端到端前向模型、感知谱监督和Kramers-Kronig约束，在汽车座舱数据上显著降低幅度和相位重建误差。
Semantic Editing with Coupled Stochastic Differential Equations
耦合随机微分方程的语义编辑
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出耦合随机微分方程（coupled SDEs）引导预训练生成模型的采样过程，无需重新训练即可实现高提示保真度和近像素级一致性的语义编辑。
DAL: A Practical Prior-Free Black-Box Framework for Piecewise Stationary Bandits
DAL：一种面向分段平稳赌博机的实用无先验黑盒框架
机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 提出检测增强学习（DAL）框架，无需非平稳性先验知识，将任意最优静态赌博机算法与变化检测器结合，在多种非平稳场景下超越现有方法。
Comments 28 pages, 12 figures
On the Energy Distribution of the Galactic Center Excess' Sources
银河系中心过量辐射源的能谱分布
机构 * Department of Astrophysics, University of Vienna（维也纳大学天体物理系） ； Theory Group, Lawrence Berkeley National Laboratory（伯克利劳伦斯国家实验室理论组） ； Berkeley Center for Theoretical Physics, University of California（加州大学伯克利分校理论物理中心） ； University of California, Berkeley（加州大学伯克利分校） ； Lawrence Berkeley National Laboratory（伯克利劳伦斯国家实验室）
AI总结 利用基于神经网络模拟的推理方法联合分析空间和能谱数据，发现银河系中心过量辐射若由点源贡献，所需源数量比之前估计高两个数量级，支持其可能为暗物质湮灭产生的弥散辐射。
Comments 7+22 pages, 2+22 figures; v2: journal version
CLoVE: Personalized Federated Learning through Clustering of Loss Vector Embeddings
CLoVE: 通过损失向量嵌入聚类的个性化联邦学习
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出CLoVE算法，利用客户端损失向量嵌入进行聚类，实现个性化联邦学习，具有简单、适用监督和无监督任务、无需最优模型初始化等优点，理论证明可高概率准确恢复聚类并指数收敛。
Comments Accepted at the 43rd International Conference on Machine Learning (ICML 2026); 35 pages, 7 figures
Intelligent Sailing Model for Open Sea Navigation
公海航行智能航行模型
机构 * University of California, Berkeley（加州大学伯克利分校） ； Technical University of Munich（慕尼黑技术大学）
AI总结 提出首个智能航行模型（ISM），模拟遵守海上交通规则的船舶，结合模型预测控制实现航点跟踪，在交互仿真中达到约97%的目标到达率且无碰撞。
Beyond the Training Distribution: Evaluating Predictions Under Distribution Shift and Selection Bias
超越训练分布：评估分布偏移和选择偏差下的预测
机构 * Department of Statistics, University of California, Berkeley（加州大学伯克利分校统计学系）
AI总结 针对协变量偏移和选择性标签共存时的模型评估问题，提出双机器学习程序估计目标风险，并通过eICU数据验证其准确性优于单独处理任一种偏差的方法。
Adaptive Nucleus Truncation for Long-Form Reasoning
自适应核截断用于长形式推理
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出自适应核截断采样（ANTS），通过熵条件控制器动态调整截断宽度，在长文本生成中提升推理性能，在33B参数稀疏MoE模型上平均提升1.9-5.2分。
PLAIground: SLO-Driven Runtime Model Selection for Compound AI Systems in the Edge-Cloud-Space Continuum
PLAIground: 边缘-云-空间连续体中复合AI系统的SLO驱动运行时模型选择
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出PLAIground框架，通过CAIM抽象和Pixie算法实现复合AI系统的运行时模型选择，在满足准确率、延迟和成本SLO的同时，动态切换模型，实验显示准确率达91.3%且SLO合规。
Journal ref Proceedings of the 2026 IEEE International Conference on Smart Computing (SMARTCOMP), pp. 261-266, 2026
Thinking Outside the [Chat]Box: Bridging Computer Science and Industrial Design for Cognitive-Inclusive Generative AI
跳出聊天框：融合计算机科学与工业设计的认知包容性生成式人工智能
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 针对当前GenAI界面认知门槛高、对智力障碍者不友好等问题，通过跨学科设计挑战，提出融合计算机科学的结构化支架与工业设计的体验式支架的双层框架，以扩展认知包容性交互设计空间。
Formalizing Numerical Analysis: An Agent Pipeline and Quality Audit Beyond Kernel Acceptance
数值分析的形式化：超越内核接受的智能体流水线与质量审计
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出一种编码智能体流水线，将数值分析教材形式化为Lean 4代码，并引入三维质量评估框架（语义正确性、Mathlib复用、跨文件复用），发现编译通过掩盖了不忠实的形式化模式。
Hidden in Plain Sight: Benchmarking Agent Safety Against Decomposition Attacks with DECOMPBENCH
隐于无形：使用DECOMPBENCH基准测试代理安全对抗分解攻击
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Simons Institute, UC Berkeley（Simons研究所，伯克利大学）
AI总结 提出DeCompBench基准，通过分解攻击将有害任务拆分为良性子任务，揭示现有代理安全机制在对抗分解攻击时的脆弱性。
Mask, Sample, Revise: A Revisable CTMC Inference Stack for Guided Discrete Flow Matching Text-to-Speech
掩码、采样、修正：面向引导离散流匹配文本转语音的可修正CTMC推理栈
机构 * Federal University of Goiás（戈亚斯联邦大学） ； Federal University of Uberlândia（乌贝兰迪亚联邦大学） ； University of São Paulo（圣保罗大学） ； University of Brasília（巴西利亚大学） ； University of California, Berkeley（加利福尼亚大学伯克利分校）
AI总结 提出Mask, Sample, Revise推理栈，结合无预测器引导、提示匹配条件耦合和调度约束重掩码机制，在低步数下提升离散流匹配TTS的鲁棒性和可懂度。
ADORE: Iterative Query Expansion with Retrieval-Grounded Relevance Feedback
ADORE: 基于检索反馈的迭代查询扩展
机构 * University of Waterloo（滑铁卢大学） ； Mila – Quebec AI Institute（魁北克人工智能研究所） ； University of Toronto（多伦多大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 提出ADORE框架，通过迭代生成伪段落、检索语料库并评估相关性，利用检索反馈指导查询扩展，显著提升检索性能。
Guided Diffusion with Distilled Vision-Language Reliability for Aerial Navigation
基于蒸馏视觉语言可靠性的引导扩散用于空中导航
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 提出一种可靠性感知的扩散规划器，通过蒸馏视觉语言模型生成场景级可靠性热图，引导去噪过程处理不可靠区域，显著降低无人机导航中的障碍物违反率并提高区域可靠性。
AnyGoal: Vision-Language Guided Multi-Agent Exploration for Training-Free Lifelong Navigation
AnyGoal: 视觉-语言引导的多智能体探索实现免训练终身导航
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出AnyGoal，一种免训练多机器人架构，利用视觉-语言模型（VLM）驱动前沿探索，通过共享2D高斯贝叶斯价值图（BVM）协调智能体，实现终身证据积累，在GOAT-Bench上达到52.4%子任务成功率，优于模块化方法27.7个百分点。
Comments 17 pages, 3 figures
Natively Unlearnable Large Language Models
原生不可学习的大语言模型
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出NULLs模型，通过共享骨干和稀疏激活的sinks分离数据源贡献，实现无需梯度更新的高效遗忘，在维基百科上验证了单篇文章遗忘的有效性和鲁棒性。
A Stationarity-and-Coupling Criterion for Training-Free Time-Lagged Spectral Embeddings of Multivariate Time Series
多变量时间序列无训练时滞谱嵌入的平稳性与耦合准则
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出基于时滞相关矩阵截断的固定长度描述符D(τ)，通过平稳高斯VAR(1)模型推导其适用条件：信号近似平稳且类别信息存在于跨通道时间耦合而非边际功率。
Comments 25 pages, 2 figures, 10 tables
Closed-loop discovery of out-of-distribution processing protocols by evolutionary search and uncertainty-aware learning
通过进化搜索和不确定性感知学习发现分布外处理协议的闭环方法
机构 * Department of Materials Science and Engineering, University of Tennessee, Knoxville（田纳西大学材料科学与工程系） ； Materials Science and Engineering Department, Materials Research Institute, the Pennsylvania State University（宾夕法尼亚州立大学材料研究学院材料科学与工程系） ； Department of Materials Science and NanoEngineering, Rice University（Rice大学材料科学与纳米工程系） ； Rice Advanced Materials Institute, Rice University（Rice大学先进材料研究所） ； Department of Materials Science and Engineering, University of California, Berkeley（加州大学伯克利分校材料科学与工程系） ； Departments of Chemistry and Physics and Astronomy, Rice University（Rice大学化学与天文物理系） ； Physical Sciences Division, Pacific Northwest National Laboratory（太平洋西北国家实验室物理科学部）
AI总结 提出一种闭环工作流，结合紧凑波形表示的进化搜索与不确定性感知深度核学习，自动发现提升铁电薄膜非线性响应的分布外处理协议，并通过实验验证其机制。
Improving Robotic Generalist Policies via Flow Reversal Steering
通过流反转引导改进机器人通用策略
机构 * Stanford University（斯坦福大学） ； UC Berkeley（加州大学伯克利分校）
AI总结 提出流反转引导（FRS）方法，通过逆向流策略找到次优动作的潜在噪声并映射到通用策略的动作模式，提升零样本控制、行为克隆和强化学习效果。
Bounding Boxes as Goals: Language-Conditioned Grasping via Neuro-Symbolic Planning
边界框作为目标：通过神经符号规划实现语言条件抓取
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出GRASP框架，利用预训练VLM将自然语言查询转化为神经符号目标状态，通过边界框检测实现零样本桌面操作，无需任务特定训练。
Comments Project website: https://allisonandreyev.github.io/grasp.github.io/
Traditional machine learning vs. deep learning from dynamic graph representations of proteins' 3D folds in the task of protein structure classification
传统机器学习 vs. 深度学习在蛋白质三维折叠动态图表示中的蛋白质结构分类任务
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本研究比较了传统机器学习与深度学习在基于动态蛋白质结构网络进行蛋白质结构分类时的准确性和效率，发现两者准确性相近但深度学习慢10倍以上。
Comments Main paper: 16 pages, 4 figures, and 1 table; Supplementary information: 13 pages, 9 figures
