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

VGB for Masked Diffusion Model: Efficient Test-time Scaling for Reward Satisfaction and Sample Editing

VGB用于掩码扩散模型：面向奖励满足和样本编辑的高效测试时扩展

Kijung Jeon, Thuy-Duong Vuong, Molei Tao

机构 * Georgia Tech（佐治亚理工学院） ； UCSD（加州大学圣地亚哥分校） 纠错

AI总结 提出MDM-VGB，一种结合奖励引导重掩码的离散扩散采样器，通过扩展回溯随机游走到掩码状态图，实现高效高奖励生成和低奖励样本修复，理论上具有二次复杂度且对过程验证器噪声鲁棒。

Comments 72 pages

The Shift Toward Open and Reproducible AI Research

拥抱开放科学：十年AI研究与56 800篇会议论文的分析

Kevin L Coakley, Thijs Snelleman, Holger Hoos, Odd Erik Gundersen

机构 * Norwegian University of Science and Technology（挪威科技大学） ； University of California San Diego（加州大学圣迭戈分校） ； RWTH Aachen University（亚琛工业大学） ； Leiden University（莱顿大学） 纠错

AI总结 分析2014-2024年五大AI会议56,800篇论文，发现文档实践改善，代码和数据共享率从11%升至64%，可重复性估计从28%升至64%，且改善早于可重复性检查清单的引入，反映开放科学运动。

Auto-Configuring Scientific Simulators with Lightweight Coding-Agent Adapters

SIGA: 用于科学模拟的自演化编码智能体适配器

Matthew Ho, Brian Liu, Jixuan Chen, Audrey Wang, Lianhui Qin

机构 * University of California, San Diego（加利福尼亚大学圣迭戈分校） 纠错

AI总结 提出SIGA适配器，通过检索、程序记忆、轨迹内验证和验证强制终止，将通用编码智能体转化为科学模拟软件操作员，在GEOS上实现36倍加速，并支持自演化提升性能。