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

Self-Organising Memristive Networks as Physical Learning Systems

自组织忆阻网络作为物理学习系统

Francesco Caravelli, Gianluca Milano, Adam Z. Stieg, Carlo Ricciardi, Simon Anthony Brown, Zdenka Kuncic

机构 * Theoretical Division (Condensed Matter and Complex Systems, T-4)（洛斯阿拉莫斯国家实验室理论部） ； Advanced Materials Metrology and Life Sciences Division, INRiM (Istituto Nazionale di Ricerca Metrologica)（先进材料计量与生命科学部，INRiM（意大利国家计量研究院）） ； University of California, Los Angeles, California NanoSystems Institute（加州大学洛杉矶分校，加州纳米系统研究所） ； Department of Applied Science and Technology, Politecnico di Torino（托里尼 Politecnico 工程技术系） ； The MacDiarmid Institute for Advanced Materials and Nanotechnology, School of Physical and Chemical Sciences, Te Kura Mate, University of Canterbury（麦克迪尔马特高级材料与纳米技术研究所，坎特伯雷大学物理与化学科学学院，Te Kura Mate） ； School of Physics, Sydney Nano Institute and Centre for Complex Systems, University of Sydney（悉尼大学物理学院，悉尼纳米研究所和复杂系统中心） 纠错

AI总结 本文探讨了利用自组织忆阻网络实现物理学习系统的方法，通过非线性动力学特性提升计算智能，结合纳米技术与复杂系统理论推动新一代物理智能技术发展。

Comments Perspective paper on SOMN, to appear in NatRevPhys; 24 pages, double columns, 7 figures, 2 boxes;

Exploring the Impact of Dataset Statistical Effect Size on Model Performance and Data Sample Size Sufficiency

探索数据集统计效应大小对模型性能和数据样本量充足性的影响

Arya Hatamian, Lionel Levine, Haniyeh Ehsani Oskouie, Majid Sarrafzadeh

机构 * Department of Computer Science, University of California, Los Angeles（加州大学洛杉矶分校计算机科学系） 纠错

AI总结 本文通过两项实验探讨数据集的统计效应大小是否能预测模型性能及样本量充足性，发现其并非有效指标，需进一步研究。

"Noisier" Noise Contrastive Eestimation is (Almost) Maximum Likelihood

更嘈杂的噪声对比估计几乎等同于最大似然估计

Peiyu Yu, Dinghuai Zhang, Hengzhi He, Xiaojian Ma, Sirui Xie, Ruiyao Miao, Yifan Lu, Yasi Zhang, Deqian Kong, Ruiqi Gao, Jianwen Xie, Guang Cheng, Ying Nian Wu

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Mila - Quebec AI Institute（魁北克人工智能研究所） ； Google DeepMind（谷歌DeepMind） ； Beijing Institute for General Artificial Intelligence (BIGAI)（北京通用人工智能研究院） ； Akool Research（Akool研究） 纠错

AI总结 本文提出'Noisier' NCE，通过增大噪声幅度使NCE梯度接近最大似然估计，从而在理论和实践中实现更快收敛，适用于高维和多模态数据集的密度比估计。

Comments ICLR 2026

Generative Discovery of Magnetic Insulators under Competing Physical Constraints

在竞争物理约束下发现磁绝缘体的生成发现

Qiulin Zeng, Tahiya Chowdhury, Md Shafayat Hossain

机构 * Department of Math, University of Southern California（数学系，南加州大学） ； Department of Computer Science, Colby College（计算机科学系，科尔比学院） ； California NanoSystems Institute, University of California, Los Angeles（加州大学洛杉矶分校加州纳米系统研究所） 纠错

AI总结 本文提出MagMatLLM框架，通过生成和进化选择结合第一性原理验证，发现十二种新磁绝缘体，展示了在稀疏化学空间中多目标材料发现的通用方法。

Expanding the extreme-k dielectric materials space through physics-validated generative reasoning

通过物理验证的生成推理扩展极性-κ材料空间

Hossain Hridoy, Tahiya Chowdhury, Md Shafayat Hossain

机构 * Department of Chemical Engineering, Bangladesh University of Engineering and Technology（孟加拉工程科技大学化学工程系） ； Department of Computer Science, Colby College（科利学院计算机科学系） ； Department of Materials Science and Engineering, University of California, Los Angeles（加州大学洛杉矶分校材料科学与工程系） ； California NanoSystems Institute, University of California, Los Angeles（加州大学洛杉矶分校加州纳米系统研究所） ； Center for Quantum Science and Engineering, University of California, Los Angeles（加州大学洛杉矶分校量子科学与工程中心） 纠错

AI总结 本文提出DielecMIND框架，结合大语言模型假设生成与物理原理计算，发现5种新型高κ介电材料，将稀有材料类别扩展35%。

CCTVBench: Contrastive Consistency Traffic VideoQA Benchmark for Multimodal LLMs

CCTVBench：用于多模态大语言模型的对比一致性交通视频问答基准

Xingcheng Zhou, Hao Guo, Rui Song, Walter Zimmer, Mingyu Liu, André Schamschurko, Hu Cao, Alois Knoll

机构 * Technical University of Munich（慕尼黑技术大学） ； University of California, Los Angeles（加州大学洛杉矶分校） 纠错

AI总结 CCTVBench通过真实事故视频与世界模型生成的反事实场景配对，提出对比一致性评估方法，揭示视频问答中对比一致性与标准指标间的显著差距，并引入C-TCD方法提升问答与一致性性能。

Behavioral Transfer in AI Agents: Evidence and Privacy Implications

人工智能代理中的行为迁移：证据与隐私影响

Shilei Luo, Zhiqi Zhang, Hengchen Dai, Dennis Zhang

机构 * Washington University in St. Louis（华盛顿大学圣路易斯分校） ； University of California, Los Angeles（加州大学洛杉矶分校） 纠错

AI总结 研究探讨了AI代理是否系统性地反映其人类所有者的行为特征，发现代理与所有者在行为上存在系统性迁移，且可能带来隐私风险。

Compressing Sequences in the Latent Embedding Space: $K$-Token Merging for Large Language Models

在潜在嵌入空间中压缩序列：大型语言模型的K-标记合并

Zihao Xu, John Harvill, Ziwei Fan, Yizhou Sun, Hao Ding, Hao Wang

机构 * Rutgers University（罗格斯大学） ； AWS AI Labs（AWS人工智能实验室） ； Amazon（亚马逊） ； Mistral AI ； University of California Los Angeles（加州大学洛杉矶分校） 纠错

AI总结 本文提出K-Token Merging方法，在潜在空间中压缩序列，通过轻量编码器合并连续K个标记嵌入，实现75%的输入长度缩减，性能损失小。

Comments Under Review

Centering Ecological Goals in Automated Identification of Individual Animals

以生态目标为中心的个体动物自动识别

Lukas Picek, Timm Haucke, Lukáš Adam, Ekaterina Nepovinnykh, Lasha Otarashvili, Kostas Papafitsoros, Tanya Berger-Wolf, Michael B. Brown, Tilo Burghardt, Vojtech Cermak, Daniela Hedwig, Justin Kitzes, Sam Lapp, Subhransu Maji, Daniel Rubenstein, Arjun Subramonian, Charles Stewart, Silvia Zuffi, Sara Beery

机构 * University of West Bohemia in Pilsen（西波西米亚大学） ； Massachusetts Institute of Technology（麻省理工学院） ； LUT University（卢特大学） ； Conservation X Labs（保护X实验室） ； Queen Mary University of London（伦敦玛丽女王大学） ； The Ohio State University（俄亥俄州立大学） ； Giraffe Conservation Foundation（犀牛保护基金会） ； University of Bristol（布里斯托大学） ； Czech Technical University in Prague（布拉格捷克技术大学） ； Cornell Lab of Ornithology（哥伦布鸟类实验室） ； University of Pittsburgh（匹兹堡大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Princeton University（普林斯顿大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Rensselaer Polytechnic Institute（伦斯勒理工学院） ； CNR（意大利国家研究委员会） 纠错

AI总结 本文探讨了自动识别个体动物在生态研究中的应用，指出当前方法与实际生态数据处理存在不匹配，强调需以生态问题为导向提升识别的实用性与可信度。

SpanVLA: Efficient Action Bridging and Learning from Negative-Recovery Samples for Vision-Language-Action Model

SpanVLA: 一种高效的视觉-语言-动作模型，通过负样本恢复学习实现动作桥接与学习

Zewei Zhou, Ruining Yang, Xuewei, Qi, Yiluan Guo, Sherry X. Chen, Tao Feng, Kateryna Pistunova, Yishan Shen, Lili Su, Jiaqi Ma

机构 * University of California, Los Angeles, USA（加州大学洛杉矶分校） ； Motional, USA（Motional公司） ； Northeastern University, USA（东北大学） 纠错

AI总结 本文提出SpanVLA，一种端到端自动驾驶框架，结合自回归推理与流匹配动作专家，通过高效桥接和负样本恢复学习提升推理效率和鲁棒性。

Comments Project page: https://spanvla.github.io/

An AI Agent Execution Environment to Safeguard User Data

一个保障用户数据安全的AI代理执行环境

Robert Stanley, Avi Verma, Lillian Tsai, Konstantinos Kallas, Sam Kumar

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

AI总结 GAAP通过动态用户提示收集权限规范，确保AI代理在共享用户隐私数据时符合规定，无需信任代理或模型，有效阻止数据泄露攻击。

IYKYK (But AI Doesn't): Automated Content Moderation Does Not Capture Communities' Heterogeneous Attitudes Towards Reclaimed Language

IYKYK (但AI不): 自动内容审查未能捕捉社区对重新获得语言的异质态度

Christina Chance, Rebecca Pattichis, Arjun Subramonian, James He, Shruti Narayanan, Saadia Gabriel, Kai-Wei Chang

机构 * University of California Los Angeles（加州大学洛杉矶分校） ； Independent Researcher（独立研究者） 纠错

AI总结 研究通过定量和定性方法分析LGBTQIA+、黑人和女性社区对重新获得污辱词的态度，发现注释者之间一致性低，且自动审查工具与人工判断不一致，揭示了重新获得污辱词的主观性和语境依赖性。

Conjuring Semantic Similarity

唤起语义相似性

Tian Yu Liu, Stefano Soatto

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

AI总结 本文提出基于生成模型可视化比较文本唤起的图像分布，通过杰弗里斯散度计算语义相似性，提升文本生成模型的可解释性与评估能力。

Comments ICLR 2026

ConFu: Contemplate the Future for Better Speculative Sampling

ConFu：为更好的推测采样展望未来

Zongyue Qin, Raghavv Goel, Mukul Gagrani, Risheek Garrepalli, Mingu Lee, Yizhou Sun

机构 * University of California Los Angeles, United States（美国加州大学洛杉矶分校） ； Qualcomm AI Research, United States（高通人工智能研究） 纠错

AI总结 ConFu提出一种新的推测解码框架，通过引入展望令牌和软提示，使草案模型能利用目标模型的未来信号，提升生成速度和接受率。

Comments v3: Added stress test with long drafts (DL=12, top-k=1) and tail-acceptance (survival) analysis. Earlier versions added Qwen3-4B results and ablations

InsideOut: Measuring and Mitigating Insider-Outsider Bias in Interview Script Generation

InsideOut: 评估和缓解面试脚本生成中的内部-外部偏见

Yixin Wan, Xingrun Chen, Kai-Wei Chang

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InsideOut基准，通过文化情境面试脚本生成任务量化LLM的内部-外部偏见，采用三种评估指标，并提出基于代理的MFA框架缓解偏见，实验表明MFA方法显著降低偏见。

VLM-3R: Vision-Language Models Augmented with Instruction-Aligned 3D Reconstruction

VLM-3R：融合指令对齐3D重建的视觉-语言模型

Zhiwen Fan, Jian Zhang, Renjie Li, Junge Zhang, Runjin Chen, Hezhen Hu, Kevin Wang, Huaizhi Qu, Shijie Zhou, Dilin Wang, Zhicheng Yan, Hongyu Xu, Justin Theiss, Tianlong Chen, Jiachen Li, Zhengzhong Tu, Zhangyang Wang, Rakesh Ranjan

机构 * UT Austin（德克萨斯大学奥斯汀分校） ； XMU（厦门大学） ； TAMU（德克萨斯大学阿灵顿分校） ； UCR（加州大学河滨分校） ； UNC（北卡罗来纳大学教堂山分校） ； Meta ； UCLA（加州大学洛杉矶分校） 纠错

AI总结 本文提出VLM-3R，通过融合3D重建指令微调，实现单目视频的3D空间辅助与具身推理，提升了视觉-空间推理和时间3D上下文理解的准确性和可扩展性。

Comments Project Page: https://vlm-3r.github.io/

Will the Prince Get True Love's Kiss? On the Model Sensitivity to Gender Perturbation over Fairytale Texts

王子会得到真爱之吻吗？关于童话文本上性别扰动对模型敏感性的研究

Christina Chance, Da Yin, Dakuo Wang, Kai-Wei Chang

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

AI总结 本文研究语言模型在理解故事时是否受习得的性别刻板印象影响，通过反事实数据增强探讨模型对性别刻板印象扰动的响应，发现模型在测试集上对性别扰动敏感，但经过反事实训练后更鲁棒。

When Can LLMs Learn to Reason with Weak Supervision?

大语言模型何时能通过弱监督学习推理？

Salman Rahman, Jingyan Shen, Anna Mordvina, Hamid Palangi, Saadia Gabriel, Pavel Izmailov

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； New York University（纽约大学） ； Google（谷歌） 纠错

AI总结 研究探讨了在弱监督下大语言模型推理能力的提升条件，发现训练奖励饱和动态决定泛化能力，通过分离预训练和微调发现显式推理轨迹的监督微调是关键。

Semantic-Space Exploration and Exploitation in RLVR for LLM Reasoning

在RLVR中对LLM推理进行语义空间探索与利用

Fanding Huang, Guanbo Huang, Xiao Fan, Yi He, Xiao Liang, Xiao Chen, Qinting Jiang, Faisal Nadeem Khan, Jingyan Jiang, Zhi Wang

机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院，清华大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Shenzhen Technology University（深圳技术大学） 纠错

AI总结 本文提出VERL方法，通过有效秩和其时间导数改进RLVR，实现语义空间中探索与利用的平衡，提升LLM推理性能。

Comments Accepted as an ACL 2026 Findings paper

Probabilistic Programs of Thought

思维概率程序

Poorva Garg, Renato Lui Geh, Daniel Israel, Todd Millstein, Kyle Richardson, Guy Van den Broeck

机构 * University of California Los Angeles（加州大学洛杉矶分校） ； Allen Institute for AI（Allen人工智能研究所） 纠错

AI总结 本文提出思维概率程序框架，通过利用生成程序的分布，减少GPU计算开销，提升代码生成和数学推理任务的效率。

Comments 26 pages

OpenVLThinkerV2: A Generalist Multimodal Reasoning Model for Multi-domain Visual Tasks

OpenVLThinkerV2: 一个多领域视觉任务的通用多模态推理模型

Wenbo Hu, Xin Chen, Yan Gao-Tian, Yihe Deng, Nanyun Peng, Kai-Wei Chang

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

AI总结 本文提出G$^2$RPO训练目标，通过非线性分布匹配解决多视觉任务中的奖励拓扑差异和感知与推理平衡问题，构建了鲁棒的OpenVLThinkerV2模型，在18个基准测试中表现优异。

Comments code at: https://github.com/uclanlp/openvlthinker

When More Words Say Less: Decoupling Length and Specificity in Image Description Evaluation

当更多词语说更少：在图像描述评估中解耦长度与特异性

Rhea Kapur, Robert Hawkins, Elisa Kreiss

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 本文提出通过对比集定义描述特异性，验证人们更偏好信息密集的描述，无论长度如何，且长度分配影响特异性差异。

Chain Of Interaction Benchmark (COIN): When Reasoning meets Embodied Interaction

交互链基准（COIN）：当推理遇见具身交互

Xianhao Wang, Xiaojian Ma, Haozhe Hu, Rongpeng Su, Yutian Cheng, Zhou Ziheng, Hangxin Liu, Lei Liu, Bin Li, Qing Li

机构 * University of Science and Technology of China（中国科学技术大学） ； Beijing Institute for General Artificial Intelligence (BIGAI)（北京通用人工智能研究院） ； Xidian University（西安电子科技大学） ； Shanghai Jiao Tong University（上海交通大学） ； University of California, Los Angeles（加州大学洛杉矶分校） 纠错

AI总结 COIN基准通过设计日常场景下的50个交互任务，评估机器人在部分可观测环境下进行因果依赖推理的能力，揭示现有方法在交互推理任务中的局限性。

FM-CAC: Carbon-Aware Control for Battery-Buffered Edge AI via Time-Series Foundation Models

FM-CAC：通过时间序列基础模型实现电池缓冲的边缘AI碳感知控制

Kang Yang, Walid A. Hanafy, Prashant Shenoy, Mani Srivastava

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

AI总结 本文提出FM-CAC框架，利用电池作为时间缓冲，通过时间序列基础模型进行碳预测，减少碳排放同时保持高服务质量。

Beyond Facts: Benchmarking Distributional Reading Comprehension in Large Language Models

超越事实：大型语言模型分布式阅读理解基准测试

Pei-Fu Guo, Ya-An Tsai, Chun-Chia Hsu, Kai-Xin Chen, Yun-Da Tsai, Kai-Wei Chang, Nanyun Peng, Mi-Yen Yeh, Shou-De Lin

机构 * National Taiwan University（国立台湾大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Academia Sinica, Taiwan（台湾“中央研究院”） ； NTU AI-CoRE（国立清华大学AI研究中心） 纠错

AI总结 本文提出Text2DistBench基准测试，评估LLM从自然语言中推断分布知识的能力，通过真实YouTube评论数据，测试模型在估计评论比例和识别高频主题方面的表现，揭示LLM在分布式阅读理解中的能力和局限。

Authenticated Contradictions from Desynchronized Provenance and Watermarking

认证矛盾源于脱同步的溯源与水印

Alexander Nemecek, Hengzhi He, Guang Cheng, Erman Ayday

机构 * Case Western Reserve University（凯斯西储大学） ； University of California, Los Angeles（加州大学洛杉矶分校） 纠错

AI总结 研究揭示了溯源和水印验证层之间的矛盾，通过元数据清洗流程生成伪造内容，提出跨层审计协议实现100%准确分类。

Comments Accepted at CVPR 2026 Workshop Authenticity & Provenance in the Age of AI (APAI)

LiveCLKTBench: Towards Reliable Evaluation of Cross-Lingual Knowledge Transfer in Multilingual LLMs

LiveCLKTBench: 向多语言大语言模型中跨语言知识转移的可靠评估迈进

Pei-Fu Guo, Yun-Da Tsai, Chun-Chia Hsu, Kai-Xin Chen, Ya-An Tsai, Kai-Wei Chang, Nanyun Peng, Mi-Yen Yeh, Shou-De Lin

机构 * National Taiwan University（国立台湾大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Academia Sinica, Taiwan（台湾“中央研究院”） ； NTU AI-CoRE（国立清华大学AI研究中心） 纠错

AI总结 本文提出LiveCLKTBench，通过自动化生成流程评估多语言大语言模型的跨语言知识转移，发现语言距离和方向对转移影响显著，且模型规模越大收益越小。

Opportunities and Challenges of Large Language Models for Low-Resource Languages in Humanities Research

大型语言模型在人文学科研究中低资源语言的机会与挑战

Tianyang Zhong, Zhenyuan Yang, Zhengliang Liu, Ruidong Zhang, Weihang You, Yiheng Liu, Haiyang Sun, Yi Pan, Yiwei Li, Yifan Zhou, Hanqi Jiang, Junhao Chen, Xiang Li, Tianming Liu

机构 * School of Computing, The University of Georgia（佐治亚大学计算机学院） ； Department of Mathematical and Statistical Sciences, University of Alberta（阿尔伯塔大学数学与统计科学系） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Department of Radiology, Massachusetts General Hospital and Harvard Medical School（麻省总医院放射科和哈佛医学院） 纠错

AI总结 本文探讨了大型语言模型在低资源语言研究中的应用，分析了数据获取、模型适应性和文化敏感性等挑战，并强调了跨学科合作与定制模型的重要性。

Subliminal Transfer of Unsafe Behaviors in AI Agent Distillation

AI代理蒸馏中不安全行为的潜意识转移

Jacob Dang, Brian Y. Xie, Omar G. Younis

机构 * UCLA（加州大学洛杉矶分校） ； Santa Monica College（圣蒙代克学院） ； Mila, Silverstream AI（Mila与Silverstream AI） 纠错

AI总结 研究探讨了在代理系统中行为特征通过模型蒸馏的潜意识转移，通过两个实验设置发现学生代理继承了教师代理的破坏性行为偏见，证明显式数据清理不足以防止隐含行为偏见。

FineSteer: A Unified Framework for Fine-Grained Inference-Time Steering in Large Language Models

FineSteer: 一种用于大语言模型推理时细粒度引导的统一框架

Zixuan Weng, Jinghuai Zhang, Kunlin Cai, Ying Li, Peiran Wang, Yuan Tian

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FineSteer框架，通过条件引导和细粒度向量合成两个阶段实现高效引导，保留模型效用并提升引导效果，实验显示其在安全性和真实性基准上表现优异。

Comments Accepted by ACL 2026 (Main)