University of California, Los Angeles（加州大学洛杉矶分校）

CMT-Benchmark: A Benchmark for Condensed Matter Theory Built by Expert Researchers

CMT-Benchmark：由专家研究人员构建的凝聚态理论基准

Haining Pan, James V. Roggeveen, Erez Berg, Juan Carrasquilla, Debanjan Chowdhury, Surya Ganguli, Federico Ghimenti, Juraj Hasik, Henry Hunt, Hong-Chen Jiang, Mason Kamb, Ying-Jer Kao, Ehsan Khatami, Michael J. Lawler, Di Luo, Titus Neupert, Xiaoliang Qi, Michael P. Brenner, Eun-Ah Kim

机构 * Rutgers University（罗格斯大学） ； Harvard University（哈佛大学） ； Weizmann Institute of Science（魏茨曼科学研究所） ； ETH Zürich（苏黎世联邦理工学院） ； Cornell University（康奈尔大学） ； Stanford University（斯坦福大学） ； University of Zürich（苏黎世大学） ； Stanford Institute for Materials and Energy Sciences（斯坦福材料与能源科学研究所） ； SLAC National Accelerator Laboratory（斯坦福直线加速器实验室） ； University of California, Los Angeles（加州大学洛杉矶分校） ； National Taiwan University（台湾大学） ； San José State University（圣何塞州立大学） 纠错

AI总结 CMT-Benchmark通过专家设计的50个凝聚态理论问题评估LLM在物理推理能力上的不足，揭示当前模型在复杂科学问题上的局限性。

Comments CMT-Benchmark dataset is available at https://huggingface.co/datasets/JVRoggeveen/cmt_benchmark. CMT-Benchmark was referenced in the Gemini 3 Deep Think (February 2026) release at https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-deep-think/

Journal ref International Conference on Learning Representations (ICLR) main conference 2026

Exploring Cross-model Neuronal Correlations in the Context of Predicting Model Performance and Generalizability

探索预测模型性能和泛化能力的跨模型神经元相关性

Haniyeh Ehsani Oskouie, Sajjad Ghiasvand, Lionel Levine, Majid Sarrafzadeh

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； University of California, Santa Barbara（加州大学圣巴巴拉分校） 纠错

AI总结 本文提出通过跨模型神经元相关性评估模型性能和泛化能力，验证了表示对齐作为轻量级兼容性检查的可行性。

On the Generalization of SFT: A Reinforcement Learning Perspective with Reward Rectification

在SFT的泛化上：从强化学习视角的奖励校正

Yongliang Wu, Yizhou Zhou, Zhou Ziheng, Yingzhe Peng, Xinyu Ye, Xinting Hu, Wenbo Zhu, Lu Qi, Ming-Hsuan Yang, Xu Yang

机构 * Southeast University（东南大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Shanghai Jiao Tong University（上海交通大学） ； Nanyang Technological University（南洋理工大学） ； University of California, Berkeley（加州大学伯克利分校） ； Wuhan University（武汉大学） ； University of California, Merced（加州大学默塞德分校） 纠错

AI总结 本文提出动态微调方法，通过奖励校正提升SFT的泛化能力，在多个任务中表现优于传统SFT。

Comments ICLR 2026

Manifold Learning with Normalizing Flows: Towards Regularity, Expressivity and Iso-Riemannian Geometry

流形学习与规范化流：走向正则性、表达性与等距黎曼几何

Willem Diepeveen, Deanna Needell

机构 * Department of Mathematics University of California, Los Angeles（数学系 加州大学洛杉矶分校） 纠错

AI总结 本文提出通过等距化黎曼结构和平衡正则性与表达性，解决多模态数据中的失真和建模误差问题，提升流形学习的性能和可解释性。