CircleFlow: Flow-Guided Camera Blur Estimation using a Circle Grid Target
CircleFlow: 通过圆格目标实现的流引导相机模糊估计
机构 * Zhejiang University（浙江大学） ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 CircleFlow通过圆格目标和流引导边缘定位，实现高保真的PSF估计，提升相机模糊校准的准确性和鲁棒性。
高校专区
University of California, Los Angeles（加州大学洛杉矶分校）
Tensor Product Attention Is All You Need
张量积注意力是所有你所需要的
机构 * IIIS, Tsinghua University（清华大学信息科学技术学院） ； Shanghai Qi Zhi Institute（上海启智研究院） ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 TPA通过张量分解实现高效注意力机制，T6模型在语言建模任务中超越传统基线，提升性能与内存效率。
Comments Published in NeurIPS 2025 (Spotlight); Project Page: https://github.com/tensorgi/TPA
MTMCS-Bench: Evaluating Contextual Safety of Multimodal Large Language Models in Multi-Turn Dialogues
MTMCS-Bench: 多轮对话中多模态大语言模型上下文安全性的评估
机构 * University of Notre Dame（诺丁汉大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Montreal（蒙特利尔大学）
AI总结 MTMCS-Bench评估多模态大语言模型在多轮对话中的上下文安全性，揭示了安全与效用之间的权衡及现有防护措施的不足。
Comments A benchmark of realistic images and multi-turn conversations that evaluates contextual safety in MLLMs under two complementary settings
Computational Mapping of Reactive Stroma in Prostate Cancer Yields Interpretable, Prognostic Biomarkers
前列腺癌反应性间质的计算映射产生可解释的、预后生物标志物
机构 * Biomedical AI Research Lab, University of California, Los Angeles（加州大学洛杉矶分校生物医学人工智能研究实验室，加州大学洛杉矶分校） ； Department of Radiology, University of California, Los Angeles（加州大学洛杉矶分校放射科） ； Bioinformatics Interdepartmental Program, University of California, Los Angeles（加州大学洛杉矶分校生物信息学跨学科项目） ； Department of Bioengineering, University of California, Los Angeles（加州大学洛杉矶分校生物工程系） ； Department of Pathology & Laboratory Medicine, University of California, Los Angeles（加州大学洛杉矶分校病理学与实验室医学系）
AI总结 PROTAS通过深度学习框架量化前列腺癌反应性间质，提供可解释且预后的生物标志物，提升风险分层精度。
Benchmarking Spatiotemporal Reasoning in LLMs and Reasoning Models: Capabilities and Challenges
在大语言模型和推理模型中评估时空推理：能力和挑战
机构 * Department of Electrical and Computer Engineering, UCLA（电气与计算机工程系，加州大学洛杉矶分校）
AI总结 本文提出STARK基准测试，评估大语言模型和推理模型在时空推理任务中的能力和挑战，发现推理模型在复杂任务中表现更优。
Learn to Evolve: Self-supervised Neural JKO Operator for Wasserstein Gradient Flow
学习以进化：用于Wasserstein梯度流的自监督神经JKO算子
机构 * Department of Mathematics, University of California, Los Angeles, CA（加州大学洛杉矶分校数学系） ； School of Mathematics, University of Minnesota, Minneapolis, MN（明尼苏达大学数学学院） ； Purdue University（普渡大学）
AI总结 本文提出一种自监督方法，通过学习JKO算子来高效生成Wasserstein梯度流演化，提升计算效率和泛化能力。
Efficient Inference for Noisy LLM-as-a-Judge Evaluation
高效噪声LLM-as-a-Judge评估
机构 * Departments of Biostatistics and Computer Science, Johns Hopkins University（生物统计学与计算机科学系，约翰霍普金斯大学） ； Department of Statistics, University of California, Berkeley（统计学系，加州大学伯克利分校） ； Department of Biostatistics, University of California, Los Angeles（生物统计学系，加州大学洛杉矶分校） ； Department of Biostatistics, Johns Hopkins University（生物统计学系，约翰霍普金斯大学）
AI总结 本文提出了一种高效方法，通过半参数效率理论统一了测量误差校正和预测驱动推断，以提高LLM-as-a-judge评估的准确性。
Intent at a Glance: Gaze-Guided Robotic Manipulation via Foundation Models
意图一目了然：通过基础模型实现的注视引导的机器人操作
机构 * University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 GAMMA通过结合基础模型和注视技术，实现无需特定任务训练的机器人操作自主控制，提升人机交互的直观性和可扩展性。
Comments Accepted to 2025 RSS Robot Planning in the Era of Foundation Models (FM4RoboPlan) Workshop
How Do Large Language Models Learn Concepts During Continual Pre-Training?
大型语言模型在持续预训练中如何学习概念？
机构 * UC Davis（加州大学戴维斯分校） ； Virginia Tech（弗吉尼亚理工大学） ； UCLA（加州大学洛杉矶分校） ； Meta AI
AI总结 本研究揭示了大型语言模型在持续预训练中概念学习的动态机制，通过分析概念电路揭示了概念获取、遗忘及相互作用的规律，为设计更可解释的训练策略提供依据。
Comments 12 pages, 19 figures
Understanding Reward Hacking in Text-to-Image Reinforcement Learning
理解文本到图像强化学习中的奖励黑客行为
机构 * Department of Computer Science, University of California, Los Angeles（计算机科学系，加州大学洛杉矶分校）
AI总结 本文提出了一种轻量的伪影奖励模型，用于缓解文本到图像强化学习中的奖励黑客问题，通过提高图像真实性和减少低质量生成。
MMFormalizer: Multimodal Autoformalization in the Wild
MMFormalizer: 多模态自动形式化
机构 * The University of Hong Kong（香港大学） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校） ； University of Edinburgh（爱丁堡大学） ； University of California, Santa Barbara（加州大学圣巴巴拉分校） ； Ohio State University（俄亥俄州立大学） ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 MMFormalizer通过整合适应性定位与现实世界数学物理领域实体，实现多模态自动形式化，首次处理经典力学、相对论、量子力学和热力学等复杂领域。
Comments Technical Report
Self-Routing RAG: Binding Selective Retrieval with Knowledge Verbalization
自路由RAG：通过知识语言化绑定选择性检索
机构 * University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 SR-RAG通过将LLM本身作为知识源，实现多源选择性检索，提升效率和准确性。
Vision-Language-Action Models for Autonomous Driving: Past, Present, and Future
面向自动驾驶的视觉-语言-动作模型：过去、现在与未来
机构 * HKUST（香港科技大学） ； Zhejiang University（浙江大学） ； National University of Singapore（新加坡国立大学） ； HKUST(GZ)（香港科技大学（广州）） ； DAMO Academy, Alibaba（阿里巴巴达摩院） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Xiaomi EV（小米电动车） ； Xi'an Jiaotong University（西安交通大学） ； Nanyang Technological University, Singapore（新加坡南洋理工大学）
AI总结 本文探讨了自动驾驶中视觉-语言-动作模型的发展历程，提出两种主要范式并分析其挑战与未来方向。
Comments Survey; 47 pages, 7 figures, 9 tables; GitHub Repo at https://github.com/worldbench/awesome-vla-for-ad
Combining datasets with different ground truths using Low-Rank Adaptation to generalize image-based CNN models for photometric redshift prediction
利用低秩适应结合不同地面真实数据集来泛化基于图像的CNN模型以预测光度红移
机构 * UCLA（加州大学洛杉矶分校）
AI总结 本文利用LoRA技术结合不同红移数据集，提升CNN模型在光度红移预测中的泛化能力与准确性。
Comments 11 pages, 7 figures, 3 tables, Accepted to the Conference on Neural Information Processing Systems (NeurIPS), Machine Learning and the Physical Sciences (ML4PS) Workshop 2025
Flattening Hierarchies with Policy Bootstrapping
通过策略自举 flattening 层次结构
机构 * University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 本文提出一种通过自举子目标策略训练平坦目标条件策略的方法，解决长horizon任务中GCRL扩展难题，实现高维控制性能提升。
Comments NeurIPS 2025 (Spotlight, top 3.2%)
Counterfactual VLA: Self-Reflective Vision-Language-Action Model with Adaptive Reasoning
反事实VLA：具有自反思能力的视觉-语言-动作模型与自适应推理
机构 * NVIDIA ； UCLA（加州大学洛杉矶分校） ； Stanford University（斯坦福大学）
AI总结 CF-VLA通过自反思机制提升自动驾驶轨迹精度与安全性，实现自适应推理与因果修正。
Geometric Multi-Session Map Merging with Learned Local Descriptors
几何多会话地图融合与学习局部描述符
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； DEVCOM Army Research Laboratory (ARL)（国防部陆军研究实验室（ARL））
AI总结 本文提出GMLD框架，通过学习局部描述符实现大规模多会话点云地图融合，提升地图对齐的准确性和鲁棒性。
New Insights into Cascaded Geometric Flight Control: From Performance Guarantees to Practical Pitfalls
cascaded geometric flight control 的新见解：从性能保证到实际陷阱
机构 * University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 本文提出了一种新的稳定性证明，揭示了级联几何控制在跟踪时变位置轨迹时的理论可能性及实际应用中的问题。
Comments V1
New affine invariant ensemble samplers and their dimensional scaling
新的仿射不变集合采样器及其维度缩放
机构 * Department of Mathematics, University of California, Los Angeles, CA, USA（加州大学洛杉矶分校数学系）
AI总结 本文提出新的仿射不变集合采样器，通过改进提议方向和利用反称预条件，提升高维和各向异性分布的采样效率。
Comments Any feedback welcome!
SoundnessBench: A Soundness Benchmark for Neural Network Verifiers
SoundnessBench: 一种用于神经网络验证器的声学基准
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Georgia Institute of Technology（佐治亚理工学院） ； Duke University（杜克大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of California, Riverside（加州大学河滨分校）
AI总结 SoundnessBench通过构建包含隐藏反例的基准，用于评估神经网络验证器的正确性。
Comments TMLR (December 2025)
PI-MFM: Physics-informed multimodal foundation model for solving partial differential equations
PI-MFM：基于物理的多模态基础模型用于求解偏微分方程
机构 * Department of Statistics and Data Science, Yale University（统计与数据科学系，耶鲁大学） ； Department of Applied Mathematics and Statistics, Johns Hopkins University（应用数学与统计学系，约翰霍普金斯大学） ； Department of Applied Computational Mathematics and Statistics, University of Notre Dame（应用计算数学与统计学系，圣母大学） ； Department of Mathematics, University of California Los Angeles（数学系，加州大学洛杉矶分校） ； Department of Chemical and Environmental Engineering, Yale University（化学与环境工程系，耶鲁大学）
AI总结 PI-MFM是一种基于物理的多模态基础模型，通过强制执行偏微分方程在预训练和适应过程中，提高求解PDE的效率和鲁棒性。
UniFi: Combining Irregularly Sampled CSI from Diverse Communication Packets and Frequency Bands for Wi-Fi Sensing
UniFi: 结合来自多样化通信数据包和频段的不规则采样CSI用于Wi-Fi感知
机构 * ECE, UCLA（电子工程系，加州大学洛杉矶分校）
AI总结 UniFi通过不规则采样CSI实现无侵入式Wi-Fi感知，结合异构数据包处理与时间感知注意力模型，提升感知精度并保持通信效率。
Comments 14 pages, 10 figures
Zero-Shot Context Generalization in Reinforcement Learning from Few Training Contexts
在少量训练上下文中进行零样本上下文泛化于强化学习
机构 * Department of Mathematics University of California, Los Angeles（数学系加州大学洛杉矶分校）
AI总结 本文提出上下文增强的贝尔曼方程（CEBE）和上下文样本增强（CSE）方法，以提升在少量训练上下文中强化学习的泛化能力。
Comments 10 pages, 8 figures, 3 tables, publushed at Neurips 2025
Generative Actor Critic
生成性行为批判者
机构 * Department of Automation, Tsinghua University（清华大学自动化系） ； Beijing Institute of General Artificial Intelligence (BIGAI)（北京通用人工智能研究院） ； Department of Statistics and Data Science, UCLA（UCLA统计与数据科学系） ； Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院） ； Department of Computer Science, UCLA（UCLA计算机科学系）
AI总结 生成性行为批判者通过学习轨迹和回报的联合分布生成模型，实现离线预训练模型与在线经验的高效结合，提升离线到在线的改进能力。
Detecting and Mitigating Insertion Hallucination in Video-to-Audio Generation
检测并缓解视频到音频生成中的插入幻觉
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； The University of Queensland（昆士兰大学） ； vivo Mobile Communication Co., Ltd.（vivo移动通信有限公司） ； University of California, Merced（加州大学默塞德分校）
AI总结 本文提出HALCON方法，通过三阶段流程缓解视频到音频生成中的插入幻觉问题，显著降低幻觉的普遍性和持续时间，同时保持音频质量和时间同步性能。
Embracing Dialectic Intersubjectivity: Coordination of Different Perspectives in Content Analysis with LLM Persona Simulation
拥抱辩证的主体间性：利用LLM人格模拟协调内容分析中的不同视角
机构 * Department of Media and Information（媒体与信息系） ； Michigan State University（密歇根州立大学） ； College of Liberal Arts（人文学院） ； Colorado State University（科罗拉多州立大学） ； Department of Communication（传播系） ； Department of Advertising and Public Relations（广告与公共关系系） ； Department of Communication Studies（传播学系） ； Texas Christian University（德克萨斯 Christian 大学） ； Departments of Communication and Political Science（传播与政治学系） ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 本文通过LLM人格模拟协调内容分析中的不同视角，探讨了党派偏见对编码结果的影响，并提升了AI驱动的社会科学研究的严谨性。
Journal ref Social Science Computer Review, 2025
UMAMI: Unifying Masked Autoregressive Models and Deterministic Rendering for View Synthesis
UMAMI：统一掩码自回归模型和确定性渲染用于视图合成
机构 * UCI（加州大学伯克利分校） ； UCLA（加州大学洛杉矶分校） ； Google（谷歌）
AI总结 UMAMI通过结合掩码自回归模型和确定性渲染，实现了视图合成中图像质量与渲染效率的统一。
Comments Accepted to NeurIPS 2025. The first two authors contributed equally
Mathematical exploration and discovery at scale
大规模数学探索与发现
机构 * Google DeepMind（谷歌DeepMind） ； Department of Mathematics, Brown University（布朗大学数学系） ； Institute for Advanced Study（高级研究院） ； UCLA Department of Mathematics（加州大学洛杉矶分校数学系）
AI总结 AlphaEvolve通过进化搜索发现数学构造，提升数学问题解决效率
Comments 81 pages, 35 figures
Py-DiSMech: A Scalable and Efficient Framework for Discrete Differential Geometry-Based Modeling and Control of Soft Robots
Py-DiSMech：一种用于软机器人离散微分几何建模与控制的可扩展高效框架
机构 * Department of Mechanical and Aerospace Engineering, University of California, Los Angeles (UCLA)（机械与航空航天工程系，加州大学洛杉矶分校）
AI总结 Py-DiSMech通过离散微分几何原理，提供高效且可扩展的软机器人建模与控制框架，结合高保真模拟与快速计算，适用于仿真驱动的设计与控制验证。
Comments Software: https://github.com/structuresComp/dismech-python Supplementary Video: https://youtu.be/AfFcoAZR0Go
Multimodal Cultural Safety: Evaluation Framework and Alignment Strategies
多模态文化安全：评估框架与对齐策略
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Salesforce AI Research（Salesforce人工智能研究） ； Google DeepMind（谷歌DeepMind）
AI总结 本文提出CROSS基准和CROSS-Eval框架，评估多模态模型的文化安全能力，发现提升推理能力可改善文化对齐，但需结合监督微调和偏好微调策略以增强文化合规性。
