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

BridgeSim: Unveiling the OL-CL Gap in End-to-End Autonomous Driving

BridgeSim: 揭示端到端自动驾驶中的OL-CL差距

Seth Z. Zhao, Luobin Wang, Hongwei Ruan, Yuxin Bao, Yilan Chen, Ziyang Leng, Abhijit Ravichandran, Honglin He, Zewei Zhou, Xu Han, Abhishek Peri, Zhiyu Huang, Pranav Desai, Henrik Christensen, Jiaqi Ma, Bolei Zhou

机构 * UCLA（加州大学洛杉矶分校） ； UCSD（加州大学圣地亚哥分校） ； Qualcomm（高通公司） 纠错

AI总结 本文揭示了OL策略在闭环部署中转移效果差的根本原因，提出Test-Time Adaptation框架以校正观测域偏移和状态-动作偏差，提升端到端自动驾驶性能。

SciPredict: Can LLMs Predict the Outcomes of Scientific Experiments in Natural Sciences?

SciPredict: LLMs能否预测自然科学中的实验结果？

Udari Madhushani Sehwag, Elaine Lau, Haniyeh Ehsani Oskouie, Shayan Shabihi, Erich Liang, Andrea Toledo, Guillermo Mangialardi, Sergio Fonrouge, Ed-Yeremai Hernandez Cardona, Paula Vergara, Utkarsh Tyagi, Chen Bo Calvin Zhang, Pavi Bhatter, Nicholas Johnson, Furong Huang, Ernesto Gabriel Hernandez Montoya, Bing Liu

机构 * Scale AI ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of Maryland（马里兰大学） ； Princeton University（普林斯顿大学） ； Human Frontier Collective（人类前沿集体） 纠错

AI总结 SciPredict通过405个实验任务评估LLM预测科学实验结果的准确性，发现模型表现低于人类专家，且无法区分可靠与不可靠的预测。

Dynamic Adaptive Attention and Supervised Contrastive Learning: A Novel Hybrid Framework for Text Sentiment Classification

动态自适应注意力与监督对比学习：一种新的混合框架用于文本情感分类

Qingyang Li

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

AI总结 本文提出一种结合动态自适应注意力与监督对比学习的混合框架，用于提升文本情感分类的准确性，实验表明其在IMDB数据集上达到94.67%的准确率，优于现有基线模型。

Find Your Optimal Teacher: Personalized Data Synthesis via Router-Guided Multi-Teacher Distillation

找到你的最优教师：通过路由器引导的多教师蒸馏实现个性化数据合成

Hengyuan Zhang, Shiping Yang, Xiao Liang, Chenming Shang, Yuxuan Jiang, Chaofan Tao, Jing Xiong, Hayden Kwok-Hay So, Ruobing Xie, Angel X. Chang, Ngai Wong

机构 * The University of Hong Kong（香港大学） ； Simon Fraser University（西蒙菲莎大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Dartmouth College（达特茅斯学院） ； University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校） ； Tencent（腾讯） 纠错

AI总结 本文提出PerSyn策略，通过'路由然后生成'范式为每个学生模型定制数据，提升学习效率。实验表明其在指令微调和数学推理中表现优异。

Comments ACL 2026 Main Conference

PosterGen: Aesthetic-Aware Multi-Modal Paper-to-Poster Generation via Multi-Agent LLMs

PosterGen：基于多智能体LLM的美观化论文到海报生成

Zhilin Zhang, Xiang Zhang, Jiaqi Wei, Yiwei Xu, Chenyu You

机构 * Stony Brook University（石溪大学） ； New York University（纽约大学） ； University of British Columbia（不列颠哥伦比亚大学） ； Zhejiang University（浙江大学） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） 纠错

AI总结 PosterGen通过多智能体LLM实现论文到海报的美观化生成，包含四个协作专业代理，提升设计质量和视觉吸引力。

Comments Project Website: https://Y-Research-SBU.github.io/PosterGen

Data Mixing Agent: Learning to Re-weight Domains for Continual Pre-training

数据混合代理：学习重新加权领域以实现持续预训练

Kailai Yang, Xiao Liu, Lei Ji, Hao Li, Xiao Liang, Zhiwei Liu, Yeyun Gong, Peng Cheng, Mao Yang

机构 * The University of Manchester（曼彻斯特大学） ； Microsoft Research（微软研究院） ； Imperial College London（伦敦帝国学院） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） 纠错

AI总结 本文提出数据混合代理，通过强化学习学习重新加权领域，实现持续预训练中的平衡性能，优于现有基线方法，并在未见过的领域中表现良好。

Comments Accepted by the ACL 2026 main conference