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

Entropy-Aware Domain-Routed Mixture-of-Experts Speech-LLM Framework: A Case Study of Multi-Domain Child-Adult ASR

熵感知域路由混合专家语音-大语言模型框架：多领域儿童-成人ASR案例研究

Mohan Shi, Kaiyuan Zhang, Zilai Wang, Natarajan Balaji Shankar, Eray Eren, Abeer Alwan

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

AI总结 提出一种混合专家语音-大语言模型，通过分类器域路由、混合投影器和混合LoRA模块以及熵感知路由机制，实现跨不同环境和年龄组的统一儿童-成人ASR，在公共儿童语料库上取得一致改进。

Comments Accepted to Interspeech 2026

A Unifying Lens on Supervised Fine-Tuning Through Target Distribution Design

通过目标分布设计审视监督微调的统一视角

Tong Xie, Yuanhao Ban, Yunqi Hong, Sohyun An, Yihang Chen, Cho-Jui Hsieh

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

AI总结 本文重新解读监督微调为目标分布设计，提出Q-target框架，将监督分解为对观测token的依赖强度与替代token的概率分配，并基于此提出Target-SFT方法，在多个推理任务中优于现有方法。

Beyond Static Evaluation: Co-Evolutionary Mechanisms for LLM-Driven Strategy Evolution in Adversarial Games

超越静态评估：对抗性游戏中LLM驱动策略演化的协同进化机制

Haoran Li, Zengle Ge, Ziyang Zhang, Xiaomin Yuan, Yui Lo, Qianhui Liu, Bocheng An, Dongke Rong, Jiaqun Liu, Annan Li, Jianmin Wu, Dawei Yin, Dou Shen

机构 * Baidu Inc.（百度公司） ； University of Chinese Academy of Sciences（中国科学院大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of Science and Technology of China（中国科学技术大学） ； Zhejiang University（浙江大学） ； University of Technology Sydney（悉尼科技大学） 纠错

AI总结 针对LLM驱动代码进化在对抗性多智能体游戏中因评估景观变化导致停滞的问题，提出评估器协同进化、层次深度评估和弱点压力三种机制，在MCTF任务中实现最优性能和泛化能力。

Flow Control: Steering Vision-Language-Action Models with Simple Real-Time Inputs

流控制：通过简单实时输入引导视觉-语言-动作模型

Jonathan C. Kao, Jason Chan, Andy Wang

机构 * Departments of Electrical and Computer Engineering, Computer Science, and Neurobiology, University of California, Los Angeles（电气与计算机工程系、计算机科学系和神经生物学系，加州大学洛杉矶分校） ； Department of Computer Science University of California, Los Angeles（计算机科学系，加州大学洛杉矶分校） 纠错

AI总结 提出流控制方法，利用键盘等通用实时输入引导VLA模型动作，无需重新训练，能提升任务成功率和完成速度。

Comments 10 pages, 5 figures

Unleashing Correlation and Continuity for Hyperspectral Reconstruction from RGB Images

释放相关性与连续性：从RGB图像进行高光谱重建

Fuxiang Feng, Runmin Cong, Shoushui Wei, Yipeng Zhang, Jun Li, Sam Kwong, Wei Zhang

机构 * School of Control Science and Engineering, Shandong University（控制科学与工程学院，山东大学） ； Key Laboratory of Machine Intelligence and System Control, Ministry of Education（机器智能与系统控制重点实验室，教育部） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Hubei Key Laboratory of Intelligent Geo-Information Processing, China University of Geosciences（智能地理信息处理重点实验室，中国地质大学） ； Lingnan University（岭大大学） 纠错

AI总结 提出相关性连续性网络(CCNet)，通过局部光谱相关性建模(GrSCM)和全局光谱连续性建模(NeSCM)及自适应融合(PAF)，实现RGB到高光谱图像的SOTA重建。