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

Hedging on the Frontier: Learning New Tasks with Few Samples

前沿对冲：基于少量样本学习新任务

Tobias Wegel, Federico Di Gennaro, Geelon So, Fanny Yang

机构 * Department of Computer Science, ETH Zurich（苏黎世联邦理工学院计算机科学系） ； Department of Computer Science and Engineering, UC San Diego（南加州大学计算机科学与工程系） 纠错

AI总结 针对新任务样本少的问题，利用弱单调性假设，通过转移学习和模型选择聚合在模型前沿进行对冲，实现可证明的统计增益。

CoMem: Context Management with A Decoupled Long-Context Model

CoMem: 基于解耦长上下文模型的上下文管理

Yuwei Zhang, Chengyu Dong, Shuowei Jin, Changlong Yu, Hejie Cui, Hongye Jin, Xinyang Zhang, Hamed Bonab, Colin Lockard, Jianshu Chen, Zhenyu Shi, Jingbo Shang, Xian Li, Bing Yin

机构 * Halıcıoğlu Data Science Institute, University of California, San Diego（哈里卡卢斯数据科学研究所，加州大学圣地亚哥分校） ； Amazon（亚马逊） 纠错

AI总结 提出CoMem框架，通过将记忆管理与智能体工作流解耦并采用k步偏移异步流水线，利用奖励驱动训练策略，在SWE-Bench-Verified上实现1.4倍延迟改进且保持大部分性能。

Comments Work in progress

Beyond Agreement: Scoring Panel-Surfaced Biomedical Entity Candidates for Curator Triage

超越一致性：为策展人分类对面板筛选的生物医学实体候选进行评分

Shuheng Cao, Ruiqi Chen, Renjie Cao, Zhenhao Zhang, Siyu Zhang, Tingting Dan

机构 * University of California, San Diego（加州大学圣地亚哥分校） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校） ； The Hong Kong University of Science and Technology, Guangzhou（香港科学与技术大学（广州）） ； ShanghaiTech University（上海科技大学） ； University of North Carolina, Chapel Hill（北卡罗来纳大学教堂山分校） 纠错

AI总结 提出BioConCal评分器，利用无金标准的一致性、提及、表面可用性和文档特征，对多LLM面板筛选的候选实体进行评分，显著提高候选筛选的精确率和召回率。

Object-Informed Model Predictive Path Integral Control for Non-Prehensile Robot Manipulation

面向非抓取式机器人操作的对象感知模型预测路径积分控制

Nikola Raicevic, Bharath Raam Radhakrishnan, Chenbin Yu, Ki Myung Brian Lee, Nikolay Atanasov

机构 * Department of Electrical and Computer Engineering, University of California San Diego（加州大学圣地亚哥分校电气与计算机工程系） 纠错

AI总结 提出一种分层模型预测路径积分（MPPI）控制框架，通过对象级规划引导机器人级规划，实现非抓取式操作中的长时域高效规划。

Less is Enough: Synthesizing Diverse Data in LLM Feature Space with Sparse Autoencoders

少即是多：利用稀疏自编码器在LLM特征空间中合成多样化数据

Zhongzhi Li, Xuansheng Wu, Yijiang Li, Lijie Hu, Ninghao Liu

机构 * Department of Computing, University of Georgia, Georgia, United States（佐治亚大学计算机系） ； Computer Engineering, University of California San Diego, California, United States（加州大学圣地亚哥分校计算机工程系） ； Machine Learning Department, Mohamed bin Zayed University of Artificial Intelligence, Abu Dhabi, United Arab Emirates（Mohamed bin Zayed人工智能大学机器学习系） ； Department of Computing, Hong Kong Polytechnic University, Hong Kong, China（香港理工大学计算机系） 纠错

AI总结 提出基于稀疏自编码器的特征激活覆盖率（FAC）指标及数据合成框架FAC Synthesis，通过识别缺失特征并生成对应样本来提升数据多样性和下游任务性能。

World Action Verifier: Self-Improving World Models via Forward-Inverse Asymmetry

World Action Verifier: 通过前向-反向不对称性自我改进世界模型

Yuejiang Liu, Fan Feng, Lingjing Kong, Weifeng Lu, Jinzhou Tang, Kun Zhang, Kevin Murphy, Chelsea Finn, Yilun Du

机构 * Stanford University（斯坦福大学） ； UC San Diego（加州大学圣地亚哥分校） ； Carnegie Mellon University（卡内基梅隆大学） ； Google DeepMind（谷歌DeepMind） ； Harvard University（哈佛大学） 纠错

AI总结 提出World Action Verifier (WAV)框架，利用状态合理性和动作可达性的独立验证以及前向-反向不对称性，通过视频语料库的多样子目标生成器和稀疏逆模型实现循环一致性，从而在欠探索区域自我改进世界模型，在多个任务中样本效率提升2倍且下游策略性能提升22%以上。

Comments Project Website: https://world-action-verifier.github.io

Goldfish: Monolingual Language Models for 350 Languages

Goldfish: 面向350种语言的单语语言模型

Tyler A. Chang, Catherine Arnett, Zhuowen Tu, Benjamin K. Bergen

机构 * Department of Cognitive Science（认知科学系） ； Department of Linguistics（语言学系） ； Department of Computer Science（计算机科学系） ； University of California San Diego（加州大学圣地亚哥分校） 纠错

AI总结 针对低资源语言，发现大型多语言模型在基本语法生成上不如双元模型，而小规模单语模型在困惑度和语法性基准上表现更优，并发布了覆盖350种语言的1000多个单语模型套件Goldfish。

Comments LREC 2026

Learning General Causal Structures with Hidden Dynamic Process for Climate Analysis

学习具有隐藏动态过程的通用因果结构用于气候分析

Minghao Fu, Biwei Huang, Zijian Li, Yujia Zheng, Ignavier Ng, Guangyi Chen, Yingyao Hu, Kun Zhang

机构 * Mohamed bin Zayed University of Artificial Intelligence, Abu Dhabi, UAE（穆罕默德·本·扎耶德人工智能大学） ； Carnegie Mellon University, Pittsburgh, PA, USA（卡内基梅隆大学） ； University of California San Diego, La Jolla, CA, USA（加州大学圣地亚哥分校） ； Johns Hopkins University, Baltimore, MD, USA（约翰·霍普金斯大学） 纠错

AI总结 提出统一框架CaDRe，联合发现观测变量间的因果关系和隐藏动态过程，在非参数设置下可识别，并在气候数据上验证了有效性和可解释性。

Comments Accepted by ICML 2026

OLG++: A Semantic Extension of Obligation Logic Graph

OLG++：义务逻辑图的语义扩展

Subhasis Dasgupta, Jon Stephens, Amarnath Gupta

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

AI总结 提出OLG++，通过引入空间、时间、当事人组、可废止性和逻辑分组等节点与边类型，扩展义务逻辑图以建模市政和跨司法管辖区的法规规则，并通过食品商业法规示例展示其在法律问答中的应用。