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

SILO: Simulation-in-the-Loop Sim-to-Real Transfer for Multi-Stage Cable Routing

SILO：用于多阶段电缆布线的回路内仿真的仿真到现实转移

Stone Tao, Jie Xu, Hesam Rabeti, Yashraj Narang, Yijie Guo, Iretiayo Akinola

机构 * NVIDIA Corporation（英伟达公司） ； University of California, San Diego（加利福尼亚大学圣地亚哥分校） 纠错

AI总结 针对电缆等物体复杂变形导致的线性可变形操纵难题，提出基于GPU并行仿真的强化学习框架及新部署策略，实现多阶段电缆布线的仿真到现实转移，提升成功率并减少周期时间。

Comments Website: https://silo-cable-routing.github.io/

Learning Task-Sufficient World Models by Synergizing Agentic Exploration and Structured Modeling

通过协同能动探索和结构化建模学习任务充分的世界模型

Fan Feng, Yujia Zheng, Minghao Fu, Yongqiang Chen, Guangyi Chen, Kevin Murphy, Biwei Huang, Kun Zhang

机构 * UCSD（加州大学圣地亚哥分校） ； MBZUAI（Mubarakzai Institute of Artificial Intelligence） ； CMU（卡内基梅隆大学） ； UBC（不列颠哥伦比亚大学） 纠错

AI总结 研究如何让智能体学习特定于任务、最小且足以决策的世界模型表示，通过智能体与世界模型闭环协同，智能体主动探索收集信息轨迹，世界模型学习结构化表示，提升样本效率和泛化能力。

Forethought: Verifiable Reasoning from Neurosymbolic Primitive Programming

预思考：神经符号原始编程的可验证推理

Vishvesh Bhat, Jay Vaghasiya, Emmanuel Anaya Gonzalez

机构 * CoreThink AI ； UC San Diego（加州大学圣地亚哥分校） 纠错

AI总结 研究改进智能体工作流推理能力问题，提出神经符号推理系统Forethought，将推理视为可验证程序，由符号和神经原语库构建，经特定语言组合，提升了基础模型准确率。

Hierarchical Sparse Attention Done Right: Toward Infinite Context Modeling

正确实现分层稀疏注意力：迈向无限上下文建模

Xiang Hu, Xinyu Wei, Hao Gu, Minshen Zhang, Tian Liang, Huayang Li, Lei Zhu, Yan Wang, Sirui Han, Yushi Bai, Kewei Tu, Haitao Mi, Leo Liang

机构 * Tencent HY Team（腾讯混元团队） ； ShanghaiTech University（上海科技大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； University of California, San Diego（加州大学圣地亚哥分校） 纠错

AI总结 研究如何解决现代大语言模型扩展到长上下文时的计算成本和注意力长度外推问题。提出分层地标稀疏注意力机制，通过语言模型损失端到端学习块选择，实现高效长上下文建模。

Comments preprint

Lost at the End: Primacy Bias in Multimodal Retrieval-Augmented Question Answering

迷失在末尾：多模态检索增强问答中的首因偏差

Jieyuan Liu, Jianyang Gu, Shijie Chen, Jefferson Chen, Zhen Wang

机构 * University of California, San Diego（加州大学圣地亚哥分校） ； The Ohio State University（俄亥俄州立大学） 纠错

AI总结 研究多模态知识型视觉问答中检索上下文的位置依赖，发现不同于纯文本的U形效应，出现首因偏差（开头优于末尾），并通过消融实验定位原因为指令调优阅读器的提示槽0。

Comments 15 pages, 9 figures

MLS-Bench: A Holistic and Rigorous Assessment of AI Systems on Building Better AI

MLS-Bench：对构建更好AI的AI系统的全面且严格评估

Bohan Lyu, Yucheng Yang, Siqiao Huang, Jiaru Zhang, Qixin Xu, Xinghan Li, Xinyang Han, Yicheng Zhang, Huaqing Zhang, Runhan Huang, Kaicheng Yang, Zitao Chen, Wentao Guo, Junlin Yang, Xinyue Ai, Wenhao Chai, Yadi Cao, Ziran Yang, Kun Wang, Dapeng Jiang, Huan-ang Gao, Shange Tang, Chengshuai Shi, Simon S. Du, Max Simchowitz, Jiantao Jiao, Dawn Song, Chi Jin

机构 * UC Berkeley（伯克利大学） ； Princeton University（普林斯顿大学） ； Tsinghua University（清华大学） ； University of Washington（华盛顿大学） ； Purdue University（Purdue 大学） ； Harvard University（哈佛大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Shanghai Jiao Tong University（上海交通大学） ； UC San Diego（圣地亚哥大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 提出MLS-Bench基准，包含12个领域140个任务，评估AI系统能否发明通用且可扩展的机器学习方法，发现当前智能体在方法发明上仍远逊于人类，瓶颈在于科学洞察而非单纯搜索或计算。

Score-Regularized Joint Sampling with Importance Weights for Flow Matching

用于流匹配的带重要性权重的分数正则化联合采样

Xinshuang Liu, Runfa Blark Li, Shaoxiu Wei, Truong Nguyen

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

AI总结 针对流匹配模型在有限采样预算下估计函数期望难的问题，提出非IID采样框架，用分数正则化平衡多样性与质量，还开发非IID流样本重要性加权方法，提升了流匹配模型输出的可靠表征。

DrawTalking: Building Interactive Worlds by Sketching and Speaking

DrawTalking：通过绘图和说话构建交互世界

Karl Toby Rosenberg, Rubaiat Habib Kazi, Li-Yi Wei, Haijun Xia, Ken Perlin

机构 * New York University（纽约大学） ； Adobe Research（Adobe研究院） ； University of California, San Diego（加州大学圣迭戈分校） 纠错

AI总结 DrawTalking通过绘图和说话构建交互世界，提供无代码编程能力，适用于创意探索场景，展示其灵活性和应用潜力。

Comments 25 pages, 27 figures; Matching version accepted at UIST 2024