LaDiR: Latent Diffusion Enhances LLMs for Text Reasoning
LaDiR：潜在扩散增强大语言模型进行文本推理
机构 * University of California, San Diego（加州大学圣迭戈分校） ； Apple（苹果公司）
AI总结 LaDiR通过结合连续潜在表示的表达力与潜在扩散模型的迭代精炼能力，提升大语言模型在文本推理中的准确性、多样性和可解释性。
高校专区
University of California, San Diego（加州大学圣迭戈分校）
MATT-Diff: Multimodal Active Target Tracking by Diffusion Policy
MATT-Diff：基于扩散策略的多模态主动目标跟踪
机构 * Department of Computer Science and Systems Engineering, Kobe University（神户大学计算机科学与系统工程系） ； Department of Electrical and Computer Engineering, University of California San Diego（加州大学圣地亚哥分校电子与计算机工程系）
AI总结 本文提出MATT-Diff，一种基于扩散策略的多模态主动多目标跟踪控制策略，通过视觉Transformer和注意力机制实现多目标跟踪与再获取。
Comments Camera-ready version for L4DC 2026
Representational Alignment Across Model Layers and Brain Regions with Multi-Level Optimal Transport
跨模型层和脑区的多级最优传输表示对齐
机构 * University of California San Diego（加州大学圣地亚哥分校）
AI总结 本文提出多级最优传输框架，通过全局优化实现层间和神经元级的软耦合，解决传统方法在深度不一致和全局结构忽略的问题，提升跨网络表示对比的解释性与准确性。
Convergent Evolution: How Different Language Models Learn Similar Number Representations
趋同进化：不同语言模型如何学习相似的数字表示
机构 * University of Southern California（南加州大学） ； UC San Diego（圣地亚哥大学）
AI总结 研究探讨了不同语言模型如何通过不同训练信号学习相似的数字表示，揭示了特征学习中的趋同进化现象。
Design Rules for Extreme-Edge Scientific Computing on AI Engines
面向AI引擎的极端边缘科学计算设计规则
机构 * University of California San Diego, La Jolla, CA, USA（加州大学圣地亚哥分校） ； European Organization for Nuclear Research (CERN), Geneva, Switzerland（欧洲核子研究中心）
AI总结 本文研究极端边缘科学神经网络在AI引擎与可编程逻辑间的实现策略，提出延迟调整的资源等效指标，并展示低延迟科学推理的优化方法。
Temporal UI State Inconsistency in Desktop GUI Agents: Formalizing and Defending Against TOCTOU Attacks on Computer-Use Agents
桌面GUI代理中的时间UI状态不一致：形式化并防御针对计算机使用代理的TOCTOU攻击
机构 * University of California, San Diego（加州大学圣地亚哥分校）
AI总结 桌面GUI代理通过截图-点击循环控制电脑，引入了新的漏洞：观察到动作之间的时间间隙（平均6.51秒）创建了TOCTOU窗口，允许未授权攻击者操纵UI状态。本文形式化了这一现象为视觉原子性违规，并提出了三种具体攻击原语，提出了PUSV防御机制，有效拦截了所有攻击。
Geometry-Aware CLIP Retrieval via Local Cross-Modal Alignment and Steering
通过局部跨模态对齐与引导实现几何感知的CLIP检索
机构 * Singapore University of Technology and Design（新加坡科技设计大学） ； Martian ； Thoughtworks ； UCSD（加州大学圣塔莫尼卡分校） ； Harvard University（哈佛大学）
AI总结 本文提出通过局部跨模态对齐与引导改进CLIP检索，通过匈牙利匹配实现邻居级重排序，并利用查询条件局部引导提升属性绑定和组合检索性能。
PhysMem: Scaling Test-time Physical Memory for Robot Manipulation
PhysMem：为机器人操作扩展测试时的物理内存
机构 * Stanford University（斯坦福大学） ； UC San Diego（圣地亚哥大学）
AI总结 PhysMem通过测试时交互学习物理原理，提升机器人在不同环境下的物体操控能力，实验显示其在真实任务和模拟中均优于传统经验检索方法。
Temporal Leakage in Search-Engine Date-Filtered Web Retrieval: A Retrospective Forecasting Case Study
搜索引擎日期过滤网页检索中的时间泄漏：一项回顾性预测案例研究
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； University of Chicago（芝加哥大学）
AI总结 研究发现搜索引擎日期过滤存在显著时间泄漏问题，导致预测准确性虚高，建议加强检索保障或使用时间戳快照进行评估。
Comments 9 pages, 2 figures. Accepted to ACL 2026
Multi-agent Self-triage System with Medical Flowcharts
多代理自分级系统与医疗流程图
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） ； The Design Lab, University of California San Diego（加州大学圣地亚哥分校设计实验室） ； 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） ； Department of Medicine, Kaiser Permanente（Kaiser 医疗集团医学部） ； Department of Radiation Oncology, University of California San Francisco（加州大学旧金山分校放射肿瘤学部） ； Department of Emergency Medicine, University of California San Francisco（加州大学旧金山分校急诊医学部） ； Division of Cardiology, Department of Medicine, University of California San Diego（加州大学圣地亚哥分校医学部心内科分会） ； Department of Orthopaedic Surgery, Korea University Ansan Hospital（韩国大学安山医院骨科部） ； Google Research, Seattle, WA, USA（谷歌研究（西雅图，华盛顿州）） ； Paul G. Allen School of Computer Science & Engineering, University of Washington（华盛顿大学保罗·G·阿伦计算机科学与工程学校）
AI总结 本文提出一种多代理自分级系统，利用100个经临床验证的流程图提升医疗决策的准确性与透明度，通过检索、决策和聊天代理实现患者个性化推荐，实验显示在大规模合成数据集上达到高准确率。
Journal ref Nature Health (2026)
Revisiting Active Sequential Prediction-Powered Mean Estimation
重新审视主动顺序预测-驱动的均值估计
机构 * University of California San Diego（加州大学圣地亚哥分校）
AI总结 本文重新审视主动顺序预测驱动的均值估计问题，提出基于不确定性建议和常数概率的混合方案，并通过非渐近分析建立了数据依赖的置信区间界。
Comments Published as a conference paper at ICLR 2026
Dual Alignment Between Language Model Layers and Human Sentence Processing
语言模型层与人类句子加工的双重对齐
机构 * MBZUAI ； Tohoku University（东北大学） ； UC San Diego（南加州大学） ； The University of Tokyo（东京大学） ； Georgetown University（乔治城大学）
AI总结 研究探讨了语言模型内部层在处理语法歧义时对人类认知努力的估计能力，发现后期层更准确但仍低估人类数据，揭示了人类与语言模型在句子加工中的不同模式。
Comments ACL 2026 main
C-World: A Computer Use Agent Environment Creator
C-World：一个计算机使用代理环境创建者
机构 * UC San Diego（UC圣迭戈大学）
AI总结 C-World通过四个组件构建代理环境，解决LLM代理在规划和推理中与人类的差距问题，展示其作为评估环境和数据引擎的双重价值。
Comments Submitted to ACL 2026 12 pages, 4 figures Ziqiao Xi and Shuang Liang contributed equally to this work
On the Theory of Continual Learning with Gradient Descent for Neural Networks
关于使用梯度下降法进行神经网络持续学习的理论
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） ； Department of Computer Science and Engineering, IIT, Bombay（印度孟买理工学院计算机科学与工程系） ； Halicioğlu Data Science Institute, University of California, San Diego（加州大学圣地亚哥分校Halicioğlu数据科学研究所）
AI总结 本文研究了持续学习中梯度下降法的限制，通过分析具有隐藏层的二次神经网络在包含高斯噪声的XOR聚类数据集上的表现，得出了训练时间遗忘率的显式界限，并通过算法稳定性框架提供了测试时间遗忘的保证。
Active World-Model with 4D-informed Retrieval for Exploration and Awareness
具有4D信息检索的主动世界模型用于探索与意识
机构 * KavAI ； UCSD（加州大学圣迭戈分校）
AI总结 本文提出AW4RE模型，通过结合4D信息检索、几何支持与时间一致性，提升在动态环境中感知决策的准确性与一致性。
Comments 11 pages, 4 figures, submitted to ICLR 2026 2nd Workshop on World Models
StereoFoley: Object-Aware Stereo Audio Generation from Video
StereoFoley：从视频生成对象感知的立体音频
机构 * UC San Diego（UC圣地亚哥大学） ； Apple（苹果公司）
AI总结 本文提出StereoFoley框架，通过视频生成与音频同步的立体声，解决视频到音频生成中对象感知的难题，引入合成数据生成流程提升空间准确性。
Comments Accepted to ICASSP 2026
Journal ref Proceedings of the IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) 2026
The Landscape of Agentic Reinforcement Learning for LLMs: A Survey
代理强化学习用于大语言模型的景观：综述
机构 * University of Oxford（牛津大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； National University of Singapore（新加坡国立大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Brown University（布朗大学） ； University College London（伦敦大学学院） ； University of Science and Technology of China（中国科学技术大学） ； Imperial College London（伦敦帝国学院） ； Dalian University of Technology（大连理工大学） ； Chinese Academy of Sciences（中国科学院） ； The Chinese University of Hong Kong（香港中文大学） ； University of Georgia（佐治亚大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of California, Santa Barbara（加州大学圣塔芭芭拉分校） ； University of Bristol（布里斯托大学）
AI总结 本文综述了代理强化学习在大语言模型中的应用，提出双分类体系，探讨其核心能力与应用领域，并强调强化学习在使能力转化为适应性行为中的关键作用。
Comments Published on Transactions on Machine Learning Research: https://openreview.net/forum?id=RY19y2RI1O
WildFeedback: Aligning LLMs With In-situ User Interactions And Feedback
WildFeedback: 对齐大语言模型与实时用户交互与反馈
机构 * Microsoft Corporation（微软公司） ； Purdue University（普渡大学） ； Texas A&M University（德克萨斯农工大学） ； University of California San Diego（加州大学圣地亚哥分校） ； University of Southern California（南加州大学）
AI总结 本文提出WildFeedback框架，通过实时用户反馈自动创建偏好数据集，提升大语言模型对用户偏好的对齐能力，解决了现有方法的可扩展性、主观性和偏见问题。
Comments ACL 2026 Camera-ready. 25 pages, 6 figures, 9 tables
Contact-Aware Planning and Control of Continuum Robots in Highly Constrained Environments
具备接触意识的连续机器人在高度受限环境中的规划与控制
机构 * Department of Mechanical and Aerospace Engineering, University of California San Diego（加州大学圣地亚哥分校机械与航空航天工程系） ； SceniX Inc（SceniX公司） ； 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） ； Department of Surgery, University of California San Diego（加州大学圣地亚哥分校外科系）
AI总结 本文提出一种具备接触意识的规划方法，通过评估接触质量并惩罚危险交互，生成可行轨迹和接触意识雅可比矩阵，实验证明其在高度受限环境中可靠导航的能力。
Comments 15 pages, 3 figures
PULSE: Privileged Knowledge Transfer from Rich to Deployable Sensors for Embodied Multi-Sensory Learning
PULSE：从丰富到可部署传感器的特权知识转移以实现具身多感官学习
机构 * University of California San Diego（加州大学圣迭戈分校） ； University of California Davis（加州大学戴维斯分校） ； IC Lab, Futurewei Technologies Inc.（未来科技公司IC实验室）
AI总结 PULSE框架通过从信息丰富的教师传感器向更廉价的部署传感器转移知识，解决具身智能系统中传感器不对称问题，实现多感官学习。
Comments v2: Accepted at the CVPR 2026 Workshop on Sense of Space. 8 pages main content + references + appendix
CI-CBM: Class-Incremental Concept Bottleneck Model for Interpretable Continual Learning
CI-CBM：用于可解释持续学习的类增量概念瓶颈模型
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） ； 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） ； Halıcıoğlu Data Science Institute, University of California San Diego（加州大学圣地亚哥分校Halıcıoğlu数据科学研究所）
AI总结 本文提出CI-CBM模型，通过概念正则化和伪概念生成技术，在持续学习中保持可解释性，实验表明其在七种数据集上性能优异，比现有可解释方法平均提升36%。
Comments 31 pages, 6 figures. Published in Transactions on Machine Learning Research (TMLR), 04/2026
Journal ref Transactions on Machine Learning Research, 2026
AIBuildAI: An AI Agent for Automatically Building AI Models
AIBuildAI: 一个用于自动构建AI模型的AI代理
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） ； Department of Medicine, University of California San Diego（加州大学圣地亚哥分校医学系）
AI总结 AIBuildAI通过分层代理架构自动构建AI模型，超越传统AutoML，实现端到端自动化，展示出在Kaggle风格任务中63.1%的获奖率。
FAIR Universe Weak Lensing ML Uncertainty Challenge: Handling Uncertainties and Distribution Shifts for Precision Cosmology
FAIR Universe弱引力透镜ML不确定性挑战：处理不确定性和分布偏移以实现精确宇宙学
机构 * Lawrence Berkeley National Laboratory（伯克利劳伦斯国家实验室） ； Université Paris-Saclay, CNRS/IN2P3, IJCLab（巴黎萨克雷大学，CNRS/IN2P3，IJCLab） ； ChaLearn ； University of Washington（华盛顿大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Toronto（多伦多大学） ； Stanford University（斯坦福大学） ； SLAC National Accelerator Laboratory（SLAC国家加速器实验室） ； University of California, San Diego（圣地亚哥大学）
AI总结 本文提出首个弱引力透镜基准数据集，通过处理有限训练集和分布偏移，推动ML方法在弱引力透镜分析中的应用，促进系统误差处理和数据效率提升。
Comments Whitepaper for the FAIR Universe Weak Lensing ML Uncertainty Challenge Competition. More info is available at our GitHub repository https://github.com/FAIR-Universe/Cosmology_Challenge. 13 pages, 5 figures, 1 table
ReviewGrounder: Improving Review Substantiveness with Rubric-Guided, Tool-Integrated Agents
ReviewGrounder：通过规则引导和工具集成代理提升评审的实质内容
机构 * Texas A&M University（德克萨斯A&M大学） ； University of Waterloo（滑铁卢大学） ； UC San Diego（南加州大学） ； Lambda ； University of Oregon（俄勒冈大学）
AI总结 本文提出ReviewGrounder框架，通过规则引导和工具集成提升AI会议评审的实质内容，实验表明其在8个维度上优于基线模型。
FAST: A Synergistic Framework of Attention and State-space Models for Spatiotemporal Traffic Prediction
FAST：一种结合注意机制和状态空间模型的协同框架用于时空交通预测
机构 * Columbia University（哥伦比亚大学） ； San Francisco State University（旧金山州立大学） ； University of California, Berkeley（加州大学伯克利分校） ； New York University（纽约大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 FAST结合注意机制和状态空间模型，提出了一种可扩展的时空交通预测框架，通过时空-时空架构和Mamba基的空模块，有效捕捉短期和长期时间模式及长距离传感器依赖，实验表明其在精度、可扩展性和泛化性上均优于现有方法。
Comments Accepted by ICME 2026
A short proof of near-linear convergence of adaptive gradient descent under fourth-order growth and convexity
适应性梯度下降在四阶增长和凸性下近线性收敛的简短证明
机构 * Department of Statistics and Data Science, The Wharton School, University of Pennsylvania（统计与数据科学系，沃顿商学院，宾夕法尼亚大学） ； Halicioğlu Data Science Institute, University of California, San Diego（Halicioğlu数据科学研究所，加州大学圣地亚哥分校）
AI总结 本文通过Lyapunov方法证明了在四阶增长和凸性条件下，适应性梯度下降具有近线性收敛性，并提出更高效的变体算法。
Can Cross-Layer Transcoders Replace Vision Transformer Activations? An Interpretable Perspective on Vision
视觉Transformer激活能否被跨层解码器替代？从可解释性的视角看视觉
机构 * Rutgers University（罗格斯大学） ； University of California San Diego（加州大学圣地亚哥分校）
AI总结 本文提出跨层解码器作为视觉Transformer中MLP块的可解释性替代方案，通过线性分解提升模型可解释性，并在多个数据集上验证其有效性。
What to Say and When to Say it: Live Fitness Coaching as a Testbed for Situated Interaction
说什么和何时说：Live Fitness Coaching作为情境交互的测试平台
机构 * TwentyBN GmbH（TwentyBN公司） ； Qualcomm AI Research（高通人工智能研究） ； Aignostics GmbH（Aignostics公司） ； UC San Diego（加州大学圣地亚哥分校）
AI总结 本文提出QEVD基准和数据集，研究人类与AI在健身指导中的情境交互，测试视觉语言模型在实时反馈中的能力，揭示现有模型的局限并提出异步流式基线方法。
Comments Accepted to the 2024 NeurIPS Datasets and Benchmarks track; Data: https://www.qualcomm.com/developer/software/qevd-dataset Dataset quick start guide: https://github.com/varworkshop/ai_coach_fitness_2026 and Stream-VLM code: https://github.com/Qualcomm-AI-research/FitCoach
Parcae: Scaling Laws For Stable Looped Language Models
Parcae：稳定循环语言模型的扩展定律
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Together AI
AI总结 本文提出Parcae，一种稳定的循环架构，通过限制注入参数的谱范数来解决现有循环架构的不稳定性问题，实验表明其在验证 perplexity 和测试性能上均优于现有模型。
PrivacyReasoner: Can LLM Emulate a Human-like Privacy Mind?
PrivacyReasoner: LLM能否模拟出类似人类的隐私思维？
机构 * University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本文提出PrivacyReasoner，通过构建基于三个核心理念的代理架构，模拟人类隐私思维，评估结果显示其在预测个人隐私关切和跨领域泛化方面优于基线模型。
