Anisotropic Modality Align
各向异性模态对齐
机构 * HKUST(GZ)（香港科技大学（广州）） ； NUS（国立新加坡大学） ； UCSD（加州大学圣地亚哥分校） ； Stanford（斯坦福大学） ； PKU（北京大学） ； THU（清华大学）
AI总结 本文研究了多模态模型中模态间转换的可行性，提出各向异性模态对齐方法，通过几何修正框架提升单模态数据的多模态训练效果。
高校专区
University of California, San Diego（加州大学圣迭戈分校）
On the Meta-Design of Allocation Problems
关于分配问题的元设计
机构 * LMU Munich（慕尼黑莱茵河大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； University of California San Diego（圣地亚哥大学） ； New York University（纽约大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文探讨了在资源分配问题中，如何通过元设计优化投资预测、容量限制和治疗质量，以提升整体福利。
The Position Curse: LLMs Struggle to Locate the Last Few Items in a List
位置诅咒：LLM在列表中定位最后几个项目时表现不佳
机构 * UC San Diego（加州大学圣地亚哥分校） ； Georgia Tech（佐治亚理工学院） ； New York University（纽约大学）
AI总结 LLM在定位长列表中单个相关项目时表现优异，但在短列表中最后几个项目定位上存在缺陷，即位置诅咒。通过构建PosBench数据集进行微调后，虽然提升了定位能力，但仍未达到理想水平。
Group of Skills: Group-Structured Skill Retrieval for Agent Skill Libraries
技能组：面向智能体技能库的分组结构技能检索
机构 * School of Science and Engineering, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）科学与工程学院） ； Sun Yat-sen University（孙中山大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； Taiyuan University of Technology（太原理工大学）
AI总结 本文提出GoSkills，一种分组结构技能检索方法，通过构建基于类型技能图的锚点中心技能组，提升智能体在有限技能预算下对可见需求的覆盖能力，改进了传统技能检索方法的性能。
Comments 30 pages, 4 figures, 24 tables
AGWM: Affordance-Grounded World Models for Environments with Compositional Prerequisites
AGWM：基于 affordance 的世界模型用于具有组合前提条件的环境
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； University of Hong Kong（香港大学） ； Columbia University（哥伦比亚大学） ； Amazon（亚马逊） ； City University of Hong Kong（香港城市大学）
AI总结 本文提出 AGWM 模型，通过学习抽象 affordance 结构来跟踪动作的动态可执行性，以解决传统世界模型在多步预测中的误差累积问题。
Comments 16 pages, 3 figures, 4 tables. Appendix on pages 11-16 (main text is self-contained)
TSRBench: A Comprehensive Multi-task Multi-modal Time Series Reasoning Benchmark for Generalist Models
TSRBench: 一个全面的多任务多模态时间序列推理基准，用于通用模型
机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； University of Illinois at Urbana–Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Maryland, College Park（马里兰大学学院公园分校） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 TSRBench通过4125个问题和15个任务评估通用模型的时间序列推理能力，揭示了感知和推理中的缩放定律失效以及多模态融合的不足。
Comments Accepted to ICML 2026
SWaRL: Safeguard Code Watermarking via Reinforcement Learning
通过强化学习保障代码水印：SWaRL
机构 * ECE Department UC San Diego（UC圣地亚哥大学电子与计算机工程系） ； Cisco Research（思科研究）
AI总结 SWaRL通过强化学习框架实现稳健且保真度高的代码水印，保护大语言模型的知识产权，通过在生成程序中嵌入唯一可验证签名，有效抵御移除攻击并保持功能正确性。
Comments Preprint
MaPPO: Maximum a Posteriori Preference Optimization with Prior Knowledge
MaPPO：结合先验知识的最大后验偏好优化
机构 * Purdue University（普渡大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； Amazon（亚马逊） ； Meta, FAIR ； Yonsei University（延世大学）
AI总结 MaPPO通过整合先验奖励知识优化偏好学习，提升对齐性能，无需额外超参数，适用于离线和在线设置，支持DPO变体插件，实验显示在多个基准上效果显著。
