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

Your Model Already Knows: Attention-Guided Safety Filter for Vision-Language-Action Models

你的模型已经知道：面向视觉-语言-动作模型的注意力引导安全过滤器

Seongbin Park, Fan Zhang, Baharan Mirzasoleiman, Shahriar Talebi, Nader Sehatbakhsh

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

AI总结 本文发现VLA模型中的少数注意力头能可靠定位目标物体，利用这一特性提出无需训练的安全框架，结合控制障碍函数和实时目标跟踪器，实现动态障碍物下的碰撞避免，在动态场景中性能提升43%。

Comments Under review

ProbeAct: Probe-Guided Training-Free Failure Recovery in Vision-Language-Action Models

ProbeAct: 视觉-语言-动作模型中的探针引导无训练故障恢复

Fan Zhang, Seongbin Park, Baharan Mirzasoleiman, Shariar Talebi, Nader Sehatbakhsh

机构 * University of California Los Angeles（加利福尼亚大学洛杉矶分校） 纠错

AI总结 提出ProbeAct框架，通过轻量级隐藏状态探针、运动学状态机和分层控制屏障函数，无需训练即可检测并恢复VLA模型的抓取与放置失败，在LIBERO-plus上将成功率从69.6%提升至74.1%。

Comments under review

FMplex: Model Virtualization for Serving Extensible Foundation Models

FMplex: 用于服务可扩展基础模型的模型虚拟化

Hetvi Shastri, Pragya Sharma, Walid A. Hanafy, David Irwin, Mani Srivastava, Prashant Shenoy

机构 * University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； University of California Los Angeles（加州大学洛杉矶分校） 纠错

AI总结 提出FMplex系统，通过将基础模型作为虚拟化层实现多任务共享，结合批感知公平队列调度器，在7个基础模型和92个下游任务上降低延迟达80%，提升任务容量6倍。

Temporal Coverage over Density: Parsimonious Training-Set Design for ML Climate Downscaling

密度之上的时间覆盖：机器学习气候降尺度的简约训练集设计

Karandeep Singh, Stefan Rahimi, Chad W. Thackeray, Stephen Cropper, Alex Hall

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； University of Wyoming（怀俄明大学） 纠错

AI总结 针对机器学习气候降尺度中高分辨率模拟资源有限的问题，提出通过时间分布采样而非连续块状采样来分配训练年份，以更好地捕捉强迫气候响应和内部变率，实验表明时间分布采样在固定预算下性能最优。

Comments 22 pages, 8 figures

Systematic LLM Translation of Legacy Scientific Code to Differentiable Frameworks: Application to a Land Surface Model

将遗留科学代码系统性地LLM翻译为可微分框架：以陆面模型为例

Aya Lahlou, Linnia Hawkins, Pierre Gentine

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； NASA Goddard Space Flight Center（国家航空航天局戈达德空间飞行中心） 纠错

AI总结 提出基于LLM的五阶段流水线，将遗留Fortran代码自动翻译为JAX可微分框架，在CLM-ml-v2模型上实现完整雅可比矩阵计算和24倍加速。

Item Response Scaling Laws: A Measurement Theory Approach for Efficient and Generalizable Neural Scaling Estimation

项目反应缩放定律：一种高效且可泛化的神经缩放估计的测量理论方法

Sang Truong, Yuheng Tu, Rylan Schaeffer, Sanmi Koyejo

机构 * Stanford University（斯坦福大学） ； University of California, Los Angeles（加州大学洛杉矶分校） 纠错

AI总结 提出项目反应缩放定律（IRSL），将项目反应理论融入缩放定律框架，通过Beta-IRT模型利用语言模型的概率响应，将参数复杂度从O(M×N)降至O(M+N)，在预训练和测试时缩放场景中仅用50个问题即可实现可靠估计。

Shortcuts in the Tail: Debiasing via Post-Hoc Spectral Compression of Fine-Tuning Updates

尾部的捷径：通过微调更新的后验谱压缩进行去偏

Edward Sun, Dmitrii Troitskii

机构 * UCLA（加州大学洛杉矶分校） ； Northeastern University（东北大学） 纠错

AI总结 提出对微调权重更新进行SVD截断尾部，无需重训练或组标签即可减少虚假关联，在多个模型和基准上以<2%的准确率损失将差距降低最多5倍。

Comments ICML Weight Space Symmetries Workshop 2026