FedRot-LoRA: Mitigating Rotational Misalignment in Federated LoRA
FedRot-LoRA: 缓解联邦LoRA中的旋转偏移
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出FedRot-LoRA框架，通过正交变换对齐客户端更新以减少子空间不匹配，提升联邦LoRA在异质数据下的性能。
Comments ICML 2026
高校专区
University of California, Berkeley（加州大学伯克利分校）
Where's the Plan? Locating Latent Planning in Language Models with Lightweight Mechanistic Interventions
计划在哪里？通过轻量级机制干预定位语言模型中的潜在规划
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 通过押韵对句补全任务，使用线性探针和激活修补方法，研究语言模型在生成过程中是否形成并因果依赖未来约束的潜在规划，发现仅Gemma-3-27B模型存在因果依赖，并定位到五个注意力头。
Comments 13 pages, 20 figures, 3 tables. Accepted to Workshop on Mechanistic Interpretability @ ICML 2026
Boundary-Centric Clip-Budgeted Active Learning for Temporal Action Segmentation
面向时间动作分割的边界中心剪辑预算主动学习
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出B-ACT框架，通过边界中心监督策略，在有限标注预算下优先标注动作边界帧，显著提升时间动作分割的标签效率，在多个数据集上超越现有方法。
NeST: Neuron Selective Tuning for LLM Safety
NeST: 面向LLM安全的神经元选择性调优
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NeST框架，通过激活探测识别安全相关前馈神经元并训练共享簇级更新，仅用普通恶意提示即可泛化防御多种越狱攻击，在14个模型上以极少参数实现接近全微调的鲁棒性。
Metabolic cost of information processing in Poisson variational autoencoders
泊松变分自编码器中信息处理的代谢成本
机构 * Redwood Center for Theoretical Neuroscience（理论神经科学红木中心） ； UC Berkeley（伯克利大学）
AI总结 通过泊松变分自编码器，发现KL散度项与先验发放率成正比，产生代谢成本项，从而在编码保真度和能量消耗之间实现权衡。
Comments Published in CCN 2026 Proceedings: https://doi.org/10.32470/6ff31r0
Rethinking the Trust Region in LLM Reinforcement Learning
重新思考LLM强化学习中的信任区域
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Toronto（多伦多大学）
AI总结 针对PPO在LLM微调中因词表大导致的训练不稳定问题，提出基于策略散度直接约束的DPPO算法，并引入高效近似方法。
Residual Context Diffusion Language Models
残差上下文扩散语言模型
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出残差上下文扩散（RCD）模块，通过回收丢弃令牌的上下文残差提高扩散语言模型的解码效率，在长/短CoT任务上以极少额外计算提升准确率4-11个百分点。
A Dual-Mode Faust-to-CLAP Compilation System
双模式 Faust 到 CLAP 编译系统
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出 faust2clap 框架，支持静态编译和动态解释两种模式，通过地址身份匹配算法和稳定槽位分配方案解决 DSP 参数身份保持问题，实现高效编译与热更新。
Comments 4 pages, 4 figures, 1 algorithm. Presented at the International Faust Conference (IFC-26), Lyon, France, June 2026
Mana: Dexterous Manipulation of Articulated Tools
Mana: 铰接工具的灵巧操作
机构 * UC Berkeley（加州大学伯克利分校） ； CMU（卡内基梅隆大学） ； Stanford University（斯坦福大学） ； Amazon FAR（亚马逊FAR）
AI总结 提出Mana框架，将灵巧操作重解释为动画问题，通过粗到细的流水线自动生成操作轨迹，实现铰接工具的零样本仿真到现实迁移。
Comments Project Page: https://zhaohengyin.github.io/mana
Understanding Truncated Positional Encodings for Graph Neural Networks
理解图神经网络的截断位置编码
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 研究截断位置编码（如前k个特征空间或邻接矩阵幂）对图神经网络表达能力的影响，理论证明截断后多种位置编码的表达能力存在本质差异，且截断谱位置编码不再强于1-WL测试，实验表明混合截断编码优于单一类型。
Comments 28 pages, 4 figures, ICML 2026
Surflo: Consistent 3D Surface Flow Model with Global State
Surflo：具有全局状态的一致3D表面流模型
机构 * LIX, École polytechnique（LIX，巴黎综合理工学院） ； Kyoto University（京都大学） ； Kyutai ； UC Berkeley（加州大学伯克利分校）
AI总结 提出Surflo模型，通过将可变数量的无位姿RGB视图压缩为全局潜变量，并利用流匹配从噪声中独立传输3D表面点，实现任意分辨率的一致表面重建，推理时通过光度梯度引导消除局部不一致性。
Comments Project webpage: https://anttwo.github.io/surflo/
NetCause: Counterfactual Learning for Root Cause Analysis in Large-Scale Networks
NetCause：大规模网络中根因分析的反事实学习
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Max Planck Institute for Informatics（马克斯·普朗克信息研究所） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 提出NetCause框架，将网络事件建模为图时间过程，通过反事实模拟排序候选根因，在31个专家标注事件上准确率提升16.1%。
Comments 9 pages, 6 figures
Authority, Truth, and Citation Bias: A Large-Scale Multi-Domain Benchmark for Studying Epistemic Susceptibility in Large Language Models
权威、真实性与引文偏差：研究大语言模型认知易感性的大规模多领域基准
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出AuthorityBench基准，通过2x2因子设计隔离引文权威信号对LLM认知行为的影响，发现引文存在（无论真假）均提高幻觉率，真声明搭配假引文时幻觉率上升3-22个百分点。
Comments 10 pages, 5 figures. Accepted to AI4GOOD and EIML at ICML 2026
Smarter Saboteurs, Better Fixers: Scaling & Security in Linear Multi-Agent Workflows
更聪明的破坏者，更好的修复者：线性多智能体工作流中的规模与安全性
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 研究模型规模对线性多智能体工作流安全性的影响，发现大模型更易执行恶意指令，但轻量级修复阶段可恢复性能，表明线性结构在适当校正下具有鲁棒性。
Comments 16 pages (4 are main text), 2 figures, 6 tables. Accepted to the AIWILD Workshop at ICML 2026
Physics-Informed Neural Networks for Chemotherapy Pharmacokinetics: Benchmarking the Clinical Estimator and Exposing Parameter Identifiability
基于物理信息的神经网络用于化疗药代动力学：基准测试临床估计器并揭示参数可辨识性
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本研究将物理信息神经网络（PINN）应用于化疗药代动力学，在双室线性模型上匹配临床标准方法，在Michaelis-Menten扩展模型中揭示参数不可辨识性，并通过稀疏组织观测部分恢复可辨识性。
Physics-Aware Auxiliary Losses Improve Out-of-Distribution Generalization of a GNN Synthesizability Filter
物理感知辅助损失提升图神经网络可合成性滤波器的分布外泛化能力
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 通过在GNN上添加基于Bertz指数的拓扑复杂度回归和MMFF94力场应变能软惩罚作为辅助损失，在分布外数据上小幅但显著提升了可合成性滤波器的AUC（最高+0.0066）。
The Metric Picks the Winner: Evaluation Choice Flips Model Rankings for Drug-Response Prediction in Unseen Chemistry
度量选择胜者：评估选择翻转未见化学空间中药物反应预测的模型排名
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本研究通过VCPI竞赛数据，发现药物反应预测模型排名随评估指标反转：简单基线在代理指标下胜出，但真实指标下深度模型显著优于线性指纹基线，首次在真实药物化学数据上验证了度量校准效应。
An Explainable AI Assistant for Introductory Programming Education: Improving Feedback Reliability with Instructor-AI Collaboration
面向入门编程教育的可解释AI助手：通过教师-AI协作提高反馈可靠性
机构 * North Carolina State University（北卡罗来纳州立大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 提出一种可解释AI驱动的课堂助手，通过分析学生代码、映射逻辑错误到教师识别的误解并提供教师撰写的反馈，提高入门编程课程中反馈的可靠性和可解释性。
Comments Full paper accepted to the 27th International Conference on AI in Education (AIED 2026)
Majority-of-Three is Optimal
三中多数是最优的
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 本文通过简短证明，在可实现PAC学习框架下，三个独立一致分类器的多数投票是最优学习器，简化了投票学习器的算法结构和概率分析。
Comments 9 pages
GraspLLM: Towards Zero-Shot Generalization on Text-Attributed Graphs with LLMs
GraspLLM: 面向文本属性图与LLM的零样本泛化
机构 * Peking University（北京大学） ； National University of Singapore（新加坡国立大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 提出GraspLLM框架，通过融合图结构理解与LLM语义能力，利用基序感知对比学习和最优上下文子图对齐，实现跨数据集和跨任务的零样本泛化。
A Unifying Lens on Reward Uncertainty in RLHF
RLHF中奖励不确定性的统一视角
机构 * University of California, Berkeley（加州大学伯克利分校） ； DeepMind（深度Mind）
AI总结 本文提出使用分布奖励模型统一RLHF中的悲观主义方法，通过闭式有效奖励公式连接现有启发式方法，并揭示其隐含假设。
WOMBET: World Model-Based Experience Transfer for Robust and Sample-efficient Reinforcement Learning
WOMBET：基于世界模型的经验迁移实现鲁棒且样本高效的强化学习
机构 * Hybrid Robotics, UC Berkeley（混合机器人技术，伯克利大学）
AI总结 提出WOMBET框架，通过源任务中学习世界模型并生成不确定性惩罚的离线数据，再结合自适应采样进行在线微调，实现鲁棒且样本高效的强化学习迁移。
Comments 13 pages, 6 figures, 8th Annual Learning for Dynamics & Control Conference (L4DC)
GLIDE: A Coordinated Aerial-Ground Framework for Search and Rescue in Unknown Environments
GLIDE：未知环境下的空地协同搜索与救援框架
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GLIDE框架，通过两架无人机与一辆无人地面车协同，实现未知环境中的快速受害者定位和障碍物感知导航，利用角色分离和地形侦察提升救援效率。
CRAG: Can 3D Generative Models Help 3D Assembly?
CRAG: 3D生成模型能否辅助3D装配？
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出CRAG方法，将3D装配与形状生成联合优化，通过生成完整形状和预测部件姿态实现相互增强，在多种几何、部件数和缺失情况下达到最优性能。
Comments 15 pages, 8 figures
Unsafer in Many Turns: Benchmarking and Defending Multi-Turn Safety Risks in Tool-Using Agents
多轮交互中的安全隐患：工具使用智能体的多轮安全风险基准与防御
机构 * Stanford University（斯坦福大学） ； UC Berkeley（加州大学伯克利分校）
AI总结 提出多轮工具使用安全基准MT-AgentRisk，发现多轮设置下攻击成功率平均增加16%，并设计无训练、与工具无关的自探索防御方法ToolShield，平均降低30%攻击成功率。
Generalized Schrödinger Bridge on Graphs
图上的广义薛定谔桥
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出GSBoG框架，通过似然优化学习图上可控连续时间马尔可夫链策略，满足端点边际分布并优化中间状态成本，实现可扩展的拓扑感知运输。
Efficient Stochastic Optimisation via Sequential Monte Carlo
通过序贯蒙特卡洛实现高效随机优化
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 针对梯度难以计算的优化问题，提出用序贯蒙特卡洛（SMC）采样器替代昂贵的内采样循环，实现高效随机优化，并在能量模型奖励调优中验证有效性。
Comments Accepted to ICML 2026
Bulk-Calibrated Credal Ambiguity Sets: Fast, Tractable Decision Making under Out-of-Sample Contamination
批量校准的置信模糊集：样本外污染下的快速、可处理决策
机构 * University of Bristol（布里斯托大学） ； University of Cambridge（剑桥大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Oxford（牛津大学）
AI总结 提出批量校准置信模糊集，通过分离批量内污染和尾部贡献，得到闭式有限风险目标，转化为线性或二阶锥规划，实现高效鲁棒优化。
Comments Accepted for publication (spotlight) at ICML 2026
PLaID++: A Preference Aligned Language Model for Targeted Inorganic Materials Design
PLaID++: 一种用于定向无机材料设计的偏好对齐语言模型
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PLaID++，通过对称性感知的Wyckoff文本表示和温度缩放熵正则化，结合可验证奖励的强化学习，实现稳定、新颖且满足空间群属性的晶体生成，比先前方法效率提高约50%。
Comments Code available at https://github.com/andaero/PLaID, model weights at https://huggingface.co/HOPE-Lab-HMC/PLaID
GAE: Unleashing Physical Potential of VLM with Generalizable Action Expert
GAE: 利用可泛化动作专家释放VLM的物理潜力
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 提出通用动作专家（GAE），通过稀疏几何接口将VLM的高层意图转化为连续动作轨迹，采用动作预训练-点云微调（APPF）方案解耦动作动力学与几何基础，实现跨视觉域、视角和指令的强泛化。
