University of California, San Diego（加州大学圣迭戈分校）

SG-VLA: Learning Spatially-Grounded Vision-Language-Action Models for Mobile Manipulation

SG-VLA：学习空间接地的视觉-语言-动作模型用于移动操作

Ruisen Tu, Arth Shukla, Sohyun Yoo, Xuanlin Li, Junxi Li, Jianwen Xie, Hao Su, Zhuowen Tu

机构 * UC San Diego（南加洲大学） ； Lambda, Inc（Lambda公司） 纠错

AI总结 本文提出SG-VLA模型，通过辅助任务协同训练和多模态输入增强，提升移动操作中视觉-语言-动作模型的空间感知与表征能力，实现在家庭环境中更高效的物体抓取与操作。

GHOST: Ground-projected Hypotheses from Observed Structure-from-Motion Trajectories

GHOST：从观测到结构从运动轨迹中推导出的地面投影假设

Tomasz Frelek, Rohan Patil, Akshar Tumu, Henrik I. Christensen

机构 * Department of Computer Science and Engineering, UC San Diego, United States（计算机科学与工程系，加州大学圣地亚哥分校，美国） 纠错

AI总结 本文提出了一种可扩展的自监督方法，用于在复杂城市环境中从单目图像中分割可行的车辆轨迹。通过大规模监控摄像头视频，利用记录的车辆运动作为隐式监督，通过单目结构从运动恢复相机轨迹，并投影到地面平面以生成未手动标注的区域空间掩码。

Comments 8 pages, 27 figures, 1 table

Bringing Multi-Modal Multi-Task Federated Foundation Models to Education Domain: Prospects and Challenges

将多模态多任务联邦基础模型引入教育领域：前景与挑战

Kasra Borazjani, Naji Khosravan, Rajeev Sahay, Bita Akram, Seyyedali Hosseinalipour

机构 * University at Buffalo –SUNY, Department of Electrical Engineering（布法罗大学–纽约州立大学，电气工程系） ； Adobe Research（Adobe研究） ； University of California – San Diego, Department of Electrical and Computer Engineering（加州大学圣地亚哥分校，电气与计算机工程系） ； NC State University, Department of Computer Science（北卡罗来纳州立大学，计算机科学系） 纠错

AI总结 本文提出多模态多任务联邦基础模型（FedFMs）用于教育领域，旨在解决隐私保护、个性化和公平性问题，同时探讨未来研究方向和开放挑战。

Comments 12 pages, 2 figures

Journal ref Frontiers in Artificial Intelligence, 2025

HD-Bind: Encoding of Molecular Structure with Low Precision, Hyperdimensional Binary Representations

HD-Bind：利用低精度超维二进制表示编码分子结构

Derek Jones, Jonathan E. Allen, Xiaohua Zhang, Behnam Khaleghi, Jaeyoung Kang, Weihong Xu, Niema Moshiri, Tajana S. Rosing

机构 * University of California - San Diego, Department of Computer Science and Engineering（加州大学圣地亚哥分校计算机科学与工程系） ； Lawrence Livermore National Laboratory, Global Security Computing Applications Division（劳伦斯利弗莫尔国家实验室全球安全计算应用部门） ； Lawrence Livermore National Laboratory, Biosciences and Biotechnology Division（劳伦斯利弗莫尔国家实验室生物科学与生物技术部门） 纠错

AI总结 本文提出HD-Bind方法，利用超维计算技术高效编码分子结构，相比传统方法提升90倍效率，接近9个数量级的加速，用于分子性质预测和药物-蛋白质结合分类。

TIPS: Turn-Level Information-Potential Reward Shaping for Search-Augmented LLMs

TIPS: 用于搜索增强的大语言模型的回合级信息潜力奖励塑造

Yutao Xie, Nathaniel Thomas, Nicklas Hansen, Yang Fu, Li Erran Li, Xiaolong Wang

机构 * UC San Diego（加州大学圣地亚哥分校） ； AWS AI（亚马逊人工智能） 纠错

AI总结 本文提出TIPS方法，通过回合级信息潜力奖励塑造提升搜索增强LLM的训练稳定性与性能，优于GRPO/PPO基线，在多个问答基准上取得显著提升。

Comments Code: https://github.com/ucsd-wang-lab-lm/tips