Adaptive Decoding via Test-Time Policy Learning for Self-Improving Generation
通过测试时策略学习实现自适应解码
机构 * UC San Diego（加州大学圣地亚哥分校） ； Plastic Labs ； IBM Research（IBM研究院）
AI总结 本文提出基于强化学习的解码器采样器，通过在测试时调整采样参数提升生成质量，实验表明其在多个数据集上优于传统方法，且能稳定提升生成效果。
高校专区
University of California, San Diego（加州大学圣迭戈分校）
How LLMs Distort Our Written Language
大语言模型如何扭曲我们的书面语言
机构 * UC Berkeley（加州大学伯克利分校） ； UC San Diego（加州大学圣地亚哥分校） ； University of Washington（华盛顿大学） ； Zaytuna College（扎亚图纳学院） ； Google DeepMind（谷歌DeepMind）
AI总结 研究揭示大语言模型不仅改变写作语气，还持续改变写作本意，通过用户研究和数据集分析发现，即使在专家反馈下，LLM仍会显著改变文本语义，影响科学机构和文化。
Physically Accurate Differentiable Inverse Rendering for Radio Frequency Digital Twin
物理准确的可微逆渲染用于射频数字孪生
机构 * University of California, San Diego（加州大学圣迭戈分校） ； University of Colorado Denver（科罗拉多大学丹佛分校） ； University College London（伦敦大学学院）
AI总结 本文提出RFDT框架，通过物理基础的可微射频仿真解决传统射频模拟非可微问题，实现虚拟与现实世界的梯度交互，提升数字孪生重建精度及下游应用能力。
Improved Convex Decomposition with Ensembling and Negative Primitives
改进的凸分解与集成及负原语
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Leibniz Universität Hannover（汉诺威莱本大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出一种结合负原语和集成的方法，提升凸分解的精度与鲁棒性，在NYUv2数据集上验证了其在深度表示和分割上的显著改进。
Comments 3DV 2026 25 pages, 15 figures, 9 tables
