Latent Reasoning with Normalizing Flows
基于归一化流的潜在推理
机构 * University of Pennsylvania（宾夕法尼亚大学） ； UC San Diego（圣地亚哥大学） ； Meta
AI总结 提出NF-CoT框架，通过归一化流在LLM内部建模连续潜在思维，保留自回归生成、概率采样、KV缓存解码和似然估计等优势，在代码生成任务中提升通过率并降低推理成本。
高校专区
University of California, San Diego（加州大学圣迭戈分校）
LatentWave: JEPA Pretraining for Wireless Foundation Models
LatentWave: 无线基础模型的JEPA预训练
机构 * University of California, San Diego（加州大学圣地亚哥分校）
AI总结 提出LatentWave，采用联合嵌入预测架构（JEPA）在潜空间预测掩码区域，学习可迁移的无线信号表示，并在四个下游任务中优于掩码建模基线。
Beyond Semantic Organization: Memory as Execution State Management for Long-Horizon Agents
超越语义组织：记忆作为长时程智能体的执行状态管理
机构 * University of Science and Technology of China（中国科学技术大学） ； Microsoft（微软） ； Nanjing University（南京大学） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 针对长时程任务中智能体依赖执行状态而非语义相似性的问题，提出MAGE（记忆作为智能体引导的探索），通过层次状态树管理交互，实现状态完整性和错误隔离，在MemoryArena上任务成功率提升7.8-20.4个百分点，token消耗降低55.1%。
Comments 16 pages
Towards World Models in Biomedical Research
迈向生物医学研究的世界模型
机构 * State Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications, Beijing, China（网络与交换技术国家重点实验室，北京邮电大学，北京，中国） ； Department of Engineering Science, University of Oxford, Oxford, United Kingdom（英国牛津大学工程科学系，牛津，英国） ； Institute of Medical Artificial Intelligence, South China Hospital, Medical School, Shenzhen University, Shenzhen, Guangdong, China（医学人工智能研究所，南方医院，医学学院，深圳大学，深圳，广东，中国） ； Zhongguancun Academy & Zhongguancun Institute of Artificial Intelligence, Beijing, China（中关村学院及中关村人工智能研究院，北京，中国） ； Beijing National Research Center for Information Science and Technology (BNRist), Tsinghua University, 100084, Beijing, China（北京信息科学与技术国家研究中心（BNRist），清华大学，100084，北京，中国） ； Department of Chemical and Nano Engineering, University of California, San Diego, La Jolla, CA, USA（美国加州大学圣地亚哥分校化学与纳米工程系，La Jolla，CA，美国） ； Nanyang Technological University, Singapore（新加坡南洋理工大学） ； Monash Biomedicine Discovery Institute and Department of Biochemistry and Molecular Biology, Monash University, Melbourne, Victoria, Australia（莫纳什大学生物医学发现研究所和生物化学与分子生物学系，墨尔本，维多利亚，澳大利亚） ； David R. Cheriton School of Computer Science, University of Waterloo, Waterloo, Ontario, Canada（加拿大滑铁卢大学戴维·R·切里顿计算机科学学校，滑铁卢，安大略，加拿大） ； Department of ICT and Center for AI Research, University of Agder (UiA), Jon Lilletuns vei 9, Grimstad, Norway（挪威阿格德大学（UiA）信息与通信技术系及人工智能研究中心，Jon Lilletuns vei 9，Grimstad，挪威） ； Department of Electronic Engineering, Tsinghua University, Beijing, China（清华大学电子工程系，北京，中国）
AI总结 提出生物医学世界模型作为AI驱动发现的新范式，通过学习分子、细胞、组织和临床状态的潜在表征及干预条件动态，实现未来轨迹模拟，并探讨其在虚拟细胞、类器官、虚拟患者和手术模拟等应用中的潜力。
Consistency Training Along the Transformer Stack
沿Transformer堆栈的一致性训练
机构 * Purdue University（普渡大学） ； Independent（独立） ； Columbia University（哥伦比亚大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Dartmouth College（达特茅斯学院） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校）
AI总结 本文通过引入MLP状态和注意力分布的一致性目标，将一致性训练扩展到多种安全威胁，并发现跨威胁泛化及共享机制，证明其作为灵活对齐框架的有效性。
Comments Submitted to EMNLP 2026
DexFuture: Hierarchical Future-State Visuomotor Targeting for Bimanual Dexterous Tool Use
DexFuture: 用于双手灵巧工具使用的分层未来状态视觉运动目标
机构 * UC San Diego（圣迭戈大学）
AI总结 提出DexFuture分层系统，通过高层未来状态视觉运动目标预测器和低层目标条件结构化灵巧策略，实现双手灵巧工具使用，达到90%的特权oracle性能，运行速度60Hz，比DexWM式CEM规划快约250倍。
Less is MoE: Trimming Experts in Domain-Specialist Language Models
少即是MoE：修剪领域专家语言模型中的专家
机构 * Carnegie Mellon University（卡内基梅隆大学） ； UCSD（加州大学圣地亚哥分校） ； MIT（麻省理工学院）
AI总结 针对MoE模型部署时参数过多的问题，提出基于Fisher重要性的中间维度修剪方法Fisher-MoE，在50%压缩比下保持模型能力，减少约45%权重内存并提升21%推理吞吐量。
A New Quaternion-Joint Cable-Driven Redundant Manipulator Configuration and its Control Through FABRIK and Residual Reinforcement Learning
一种新型四元数关节缆驱动冗余机械臂配置及其通过FABRIK和残差强化学习的控制
机构 * University of California, San Diego（加州大学圣地亚哥分校）
AI总结 提出一种4段8关节四元数关节缆驱动冗余机械臂配置，并利用残差强化学习实现比FABRIK算法高三个数量级的位置和方向精度控制。
Reward-Decomposed Reinforcement Learning for Immersive Video Role-Playing
面向沉浸式视频角色扮演的奖励分解强化学习
机构 * Nanjing University（南京大学） ； Shanghai Jiao Tong University（上海交通大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院） ； School of Information Engineering, Beijing Institute of Graphic Communication（北京印刷学院信息工程学院） ； Ant International, Ant Group（蚂蚁集团国际部） ； Independent Researcher（独立研究者）
AI总结 提出EBM-RL框架，通过奖励分解的强化学习优化视频角色扮演中的视觉感知、推理与生成过程，提升场景一致性与角色真实性。
JI-ADF: Joint-Individual Learning with Adaptive Decision Fusion for Multimodal Skin Lesion Classification
JI-ADF：联合-个体学习与自适应决策融合用于多模态皮肤病变分类
机构 * University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本文提出JI-ADF框架，通过整合皮肤镜图像、临床照片和结构化患者数据，实现基于临床的皮肤病变分类，采用多模态表示学习和自适应决策融合机制，提升跨模态推理能力，并在MILK10k数据集上验证了其在实际临床场景中的可靠性。
Minimax optimal differentially private synthetic data for smooth queries
最小最大最优差分隐私合成数据用于平滑查询
机构 * Department of Mathematics, University of Southern California（南加州大学数学系） ； Department of Mathematics, University of California San Diego（加州圣地亚哥大学数学系）
AI总结 本文研究了如何生成具有(ε,δ)差分隐私的合成数据，以在保证个体隐私的同时，为有意义的下游分析提供强效用保证。提出了一种多项式时间算法，实现了最小最大误差率O_{k,d}(n^{-min{1, k/d}})，并建立了针对k-平滑查询的首个最小最大下界。
Comments COLT 2026 arXiv version. 34 pages
wa-hls4ml: A Benchmark and Surrogate Models for hls4ml Resource and Latency Estimation
wa-hls4ml: 一个用于hls4ml资源和延迟估计的基准及替代模型
机构 * Fermi National Accelerator Laboratory（费米国家加速器实验室） ； 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） ； University of Sherbrooke（Sherbrooke大学） ； Columbia University（哥伦比亚大学） ； Texas A&M University（德克萨斯A&M大学） ； European Organization for Nuclear Research (CERN)（欧洲核子研究中心（CERN））
AI总结 本文提出了一个用于评估ML加速器资源和延迟的基准wa-hls4ml，并介绍了基于图神经网络和Transformer的替代模型，用于预测ML加速器的延迟和资源使用情况。
Comments 30 pages, 18 figures
Journal ref Wa-hls4ml: A Benchmark and Surrogate Models for hls4ml Resource and Latency Estimation. ACM Trans. Reconfigurable Technol. Syst. 19, 2, Article 20 (June 2026), 29 pages
RoCA: Robust Cross-Domain End-to-End Autonomous Driving
RoCA: 面向鲁棒跨域端到端自动驾驶的框架
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of California, Davis（加州大学戴维斯分校）
AI总结 本文提出RoCA框架，通过联合概率分布建模端到端自动驾驶管道中的 ego 和周围车辆信息，提升跨域自动驾驶的泛化能力和鲁棒性，无需额外推理计算。
Comments accepted for ICML 2026
