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

Characterizing the visual representation of objects from the child's view

从儿童视角表征物体的可视化分析

Jane Yang, Tarun Sepuri, Alvin Wei Ming Tan, Khai Loong Aw, Michael C. Frank, Bria Long

机构 * Department of Psychology, University of California San Diego（加州大学圣地亚哥分校心理学系） ； Department of Psychology, Stanford University（斯坦福大学心理学系） ； Department of Computer Science, Stanford University（斯坦福大学计算机科学系） 纠错

AI总结 研究分析了儿童日常经验中物体类别表征的视觉输入，发现常见物体如杯子、椅子占据主导地位，而多数类别出现频率低。尽管物体视角多样，但检测到的类别在上位类别中表现出更强的聚类特征。

Comments 19 pages, 6 figures

Physically consistent predictive reduced-order modeling by enhancing Operator Inference with state constraints

通过增强操作子推断法以实现物理一致的预测降阶建模

Hyeonghun Kim, Boris Kramer

机构 * Department of Mechanical and Aerospace Engineering, University of California San Diego, CA, United States（机械与航空航天工程系，加州大学圣地亚哥分校，加州，美国） 纠错

AI总结 本文提出一种通过嵌入状态约束增强操作子推断法的方法，以提高复杂多物理系统降阶模型的稳定性与准确性，适用于炭燃烧等应用。

Comments 33 pages, 13 figures

CreFlow: Corrective Reflow for Sparse-Reward Embodied Video Diffusion RL

CreFlow：稀疏奖励具身视频扩散强化学习的纠正回流

Zhenyang Ni, Yijiang Li, Ruochen Jiao, Simon Sinong Zhan, Sipeng Chen, Zhenfei Yin, Minshuo Chen, Philip Torr, Zhaoran Wang, Qi Zhu

机构 * Northwestern University（西北大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of Oxford（牛津大学） 纠错

AI总结 本文提出CreFlow框架，通过信用感知NFT损失和纠正回流损失提升高维视频生成性能，有效解决稀疏奖励下的具身任务执行问题。

MetaAgent-X : Breaking the Ceiling of Automatic Multi-Agent Systems via End-to-End Reinforcement Learning

MetaAgent-X：通过端到端强化学习打破自动多智能体系统的天花板

Yaolun Zhang, Yujie Zhao, Nan Wang, Yiran Wu, Jiayu Chang, Yizhao Chen, Qingyun Wu, Jishen Zhao, Huazheng Wang

机构 * Oregon State University（俄勒冈州立大学） ； UCSD（加州大学圣迭戈分校） ； Amazon AGI（亚马逊人工智能实验室） ； Pennsylvania State University（宾夕法尼亚州立大学） ； AG2AI, Inc.（AG2AI公司） 纠错

AI总结 本文提出MetaAgent-X，通过端到端强化学习框架联合优化自动多智能体系统的设计与执行，实现脚本化生成、执行回放收集及信用分配，提升训练稳定性与可扩展性，取得21.7%的性能提升。

Detecting overfitting in Neural Networks during long-horizon grokking using Random Matrix Theory

在长周期学习中利用随机矩阵理论检测神经网络中的过拟合

Hari K. Prakash, Charles H Martin

机构 * University of California San Diego（加州大学圣地亚哥分校） ； Data Science and Engineering（数据科学与工程） ； Calculation Consulting（计算咨询） 纠错

AI总结 本文提出一种基于随机矩阵理论的方法，用于检测深度学习模型在长周期学习中过拟合的起始阶段，通过分析权重矩阵的随机化经验谱分布来识别异常的相关陷阱，揭示了过拟合与学习过程的不同阶段。

Comments 24 pages, 24 figures

LLMs Know When They Know, but Do Not Act on It: A Metacognitive Harness for Test-time Scaling

Qi Cao, Yufan Wang, Peijia Qin, Shuhao Zhang, Pengtao Xie

机构 * University of California, San Diego（加州大学圣地亚哥分校） 纠错

AI总结 大型语言模型（LLMs）在解决问题前后能够产生自我监控信号，如对自身能否成功解决问题的预判以及对答案正确性的后验判断，但这些信号通常未被用于控制推理过程。本文提出一种元认知控制框架，基于认知心理学中的纳尔逊-纳雷恩斯理论，将监控与推理分离，使模型在推理过程中根据预判和后验判断动态决定是否信任当前结果、是否重试或汇总多轮结果。实验表明，该框架无需参数更新或特定任务微调，即可显著提升基础模型在文本、代码和多模态任务中的表现。

BOOKMARKS: Efficient Active Storyline Memory for Role-playing

BOOKMARKS: 为角色扮演高效主动故事线记忆

Letian Peng, Ziche Liu, Yiming Huang, Longfei Yun, Kun Zhou, Yupeng Hou, Jingbo Shang

机构 * University of California, San Diego（加州大学圣地亚哥分校） 纠错

AI总结 BOOKMARKS通过主动初始化和维护任务相关书签，提升角色扮演代理的长期一致性，有效避免信息丢失。

TeDiO: Temporal Diagonal Optimization for Training-Free Coherent Video Diffusion

TeDiO：基于时间对角优化的训练自由一致视频扩散

Nurislam Tursynbek, Zhiqiang Lao, Heather Yu, Gedas Bertasius, Marc Niethammer

机构 * UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； Futurewei Technologies Inc（未来科技有限公司） ； UCSD（加州大学圣迭戈分校） 纠错

AI总结 TeDiO通过优化内部注意力模式提升视频生成的时序一致性，无需训练或外部监督，实现更流畅的动态表现。

Comments CVPR'26 Workshop on Agentic AI for Visual Media

Bellman Value Decomposition for Task Logic in Safe Optimal Control

贝尔曼值分解用于安全最优控制中的任务逻辑

William Sharpless, Oswin So, Dylan Hirsch, Sylvia Herbert, Chuchu Fan

机构 * UCSD（加州大学圣地亚哥分校） ； MIT（麻省理工学院） 纠错

AI总结 本文提出通过贝尔曼值的结构分解来优化高维任务中的安全性和性能，引入新的贝尔曼方程并提出VDPPO算法，通过神经网络实现隐含依赖的 bootstrap，验证了在复杂任务中的有效性。

Functional-level Uncertainty Quantification for Calibrated Fine-tuning on LLMs

功能层面的不确定性量化用于校准微调的大型语言模型

Ruijia Niu, Dongxia Wu, Rose Yu, Yi-An Ma

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

AI总结 本文提出UQ4CT方法，通过混合专家微调框架校准LLM微调中的功能空间不确定性，减少ECE并提升可靠性与泛化能力。