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

Accelerating Hybrid Model Predictive Control using Warm-Started Generalized Benders Decomposition

利用预热的广义邦德斯分解加速混合模型预测控制

Xuan Lin

机构 * Independent Researcher（独立研究者） ； Department of Mechanical Engineering, University of California, Los Angeles（加州大学洛杉矶分校机械工程系） ； School of Mechanical Engineering, Georgia Institute of Technology（佐治亚理工学院机械工程学院） 纠错

AI总结 本文提出一种基于广义邦德斯分解的混合MPC算法，通过预热切割平面提升求解速度，适用于机器人控制任务。

Comments Significantly revised to emphasize theoretical bounds. The heuristic Master Problem algorithm and GCS tightening experiments are preserved in v1

GenEval 2: Addressing Benchmark Drift in Text-to-Image Evaluation

GenEval 2：解决文本到图像评估中的基准漂移问题

Amita Kamath, Kai-Wei Chang, Ranjay Krishna, Luke Zettlemoyer, Yushi Hu, Marjan Ghazvininejad

机构 * FAIR at Meta（Meta 的 FAIR 部门） ； University of Washington（华盛顿大学） ； University of California, Los Angeles（洛杉矶大学） ； Allen Institute for AI（人工智能研究院） 纠错

AI总结 GenEval 2通过改进的视觉概念覆盖和组合性，解决文本到图像评估中的基准漂移问题，提供更符合人类判断的评估方法。

Team Westwood Solution for MIDOG 2025 Challenge: An Ensemble-CNN-Based Approach For Mitosis Detection And Classification

西木团队MIDOG 2025挑战的解决方案：基于集成CNN的核分裂检测与分类方法

Tengyou Xu, Haochen Yang, Xiang 'Anthony' Chen, Hongyan Gu, Mohammad Haeri

机构 * Department of Electrical and Computer Engineering, University of California Los Angeles, USA（电气与计算机工程系，加州大学洛杉矶分校） ； Department of Pathology and Laboratory Medicine, University of Kansas Medical Center, USA（病理学与实验室医学系，堪萨斯大学医学中心） 纠错

AI总结 西木团队提出基于集成CNN的方法，用于核分裂检测与分类，通过多个CNN模型整合提升检测与分类性能。

Comments To appear Lecture Notes in Computer Science

MMGR: Multi-Modal Generative Reasoning

MMGR：多模态生成推理

Zefan Cai, Haoyi Qiu, Tianyi Ma, Haozhe Zhao, Gengze Zhou, Kung-Hsiang Huang, Parisa Kordjamshidi, Minjia Zhang, Wen Xiao, Jiuxiang Gu, Nanyun Peng, Junjie Hu

机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Michigan State University（密歇根州立大学） ； University of Illinois Urbana–Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Adelaide（阿德莱德大学） ； Salesforce AI Research（Salesforce人工智能研究） ； Microsoft（微软） ； Adobe Research（Adobe研究） 纠错

AI总结 MMGR提出一个多模态生成推理评估框架，通过物理、逻辑、空间和时间五个能力评估视频和图像生成模型，揭示其在抽象推理和具身导航中的性能不足。

Comments work in progress

3DLLM-Mem: Long-Term Spatial-Temporal Memory for Embodied 3D Large Language Model

3DLLM-Mem: 长期空间-时间记忆用于具身3D大语言模型

Wenbo Hu, Yining Hong, Yanjun Wang, Leison Gao, Zibu Wei, Xingcheng Yao, Nanyun Peng, Yonatan Bitton, Idan Szpektor, Kai-Wei Chang

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

AI总结 3DLLM-Mem通过引入动态内存管理和融合模型，提升LLMs在复杂3D环境中的长期空间-时间记忆推理与行动能力。

Comments demos at: https://3dllm-mem.github.io

MobileWorldBench: Towards Semantic World Modeling For Mobile Agents

MobileWorldBench: 向移动智能体的语义世界建模迈进

Shufan Li, Konstantinos Kallidromitis, Akash Gokul, Yusuke Kato, Kazuki Kozuka, Aditya Grover

机构 * UCLA（加州大学洛杉矶分校） ； Panasonic AI Research（松下人工智能研究） ； Salesforce AI Research（Salesforce人工智能研究） 纠错

AI总结 MobileWorldBench通过语义世界模型提升移动智能体任务成功率

Comments 21 pages, 13 figures

QCircuitBench: A Large-Scale Dataset for Benchmarking Quantum Algorithm Design

QCircuitBench：用于量子算法设计的大型数据集

Rui Yang, Ziruo Wang, Yuntian Gu, Tianyi Chen, Yitao Liang, Tongyang Li

机构 * School of Computer Science, Peking University（北京大学计算机科学学院） ； Center on Frontiers of Computing Studies, Peking University（北京大学计算前沿研究中心） ； School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院） ； Anderson School of Management, University of California, Los Angeles（美国加州大学洛杉矶分校安德森管理学院） ； Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院） 纠错

AI总结 QCircuitBench是一个用于评估AI在量子算法设计中能力的大型数据集，包含多种任务和算法，揭示了大语言模型在此领域的局限性。

Comments 45 pages, 17 figures, 15 tables, GitHub repository: https://github.com/EstelYang/QCircuitBench

MotionEdit: Benchmarking and Learning Motion-Centric Image Editing

MotionEdit: 动作导向图像编辑的基准测试与学习

Yixin Wan, Lei Ke, Wenhao Yu, Kai-Wei Chang, Dong Yu

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

AI总结 MotionEdit提出一个动作导向图像编辑数据集及评估基准，通过MotionNFT框架提升编辑质量和运动保真度。

Comments Technical Report. We propose MotionEdit, a dataset and benchmark for motion-centric image editing. We also introduce MotionNFT, a reward training framework to improve existing models with motion-aware guidance. Github: https://github.com/elainew728/motion-edit/

Diagnose, Localize, Align: A Full-Stack Framework for Reliable LLM Multi-Agent Systems under Instruction Conflicts

诊断、定位、对齐：一种用于在指令冲突下可靠LLM多智能体系统的全栈框架

Guancheng Wan, Leixin Sun, Longxu Dou, Zitong Shi, Fang Wu, Eric Hanchen Jiang, Wenke Huang, Guibin Zhang, Hejia Geng, Xiangru Tang, Zhenfei Yin, Yizhou Sun, Wei Wang

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Sea AI Lab（Sea AI 实验室） ； Stanford University（斯坦福大学） ； University of Oxford（牛津大学） ； Yale University（耶鲁大学） ； NTU（南洋理工大学） ； NUS（新加坡国立大学） ； Boston University（波士顿大学） 纠错

AI总结 本文提出了一种全栈框架，通过诊断、定位和对齐三个阶段提升LLM多智能体系统在指令冲突下的可靠性。

Comments Upon further review, we realized that the version submitted to arXiv was not the final draft and omits crucial results and discussion. To avoid confusion and ensure the integrity of the record, we request withdrawal and will resubmit once the complete work is ready

STITCHER: Real-Time Trajectory Planning with Motion Primitive Search

STITCHER：基于运动片段搜索的实时轨迹规划

Helene J. Levy, Brett T. Lopez

机构 * VECTR Laboratory, University of California, Los Angeles（UC洛杉矶大学VECTR实验室） 纠错

AI总结 STITCHER通过实时拼接短轨迹段实现高效无碰撞轨迹规划，克服传统优化方法在计算时间和稳定性上的限制。

A Neural-preconditioned Poisson Solver for Mixed Dirichlet and Neumann Boundary Conditions

混合狄利克雷和诺伊曼边界条件下的一种神经预条件泊松求解器

Kai Weixian Lan, Elias Gueidon, Ayano Kaneda, Julian Panetta, Joseph Teran

机构 * University of California, Davis, USA（加州大学戴维斯分校） ； University of California, Los Angeles, USA（加州大学洛杉矶分校） ； Waseda University, Tokyo, Japan（早稻田大学） 纠错

AI总结 本文提出了一种神经预条件求解器，用于解决混合边界条件下的泊松方程，通过轻量神经网络架构实现高效求解，优于传统多网格方法。

Breaking the Frozen Subspace: Importance Sampling for Low-Rank Optimization in LLM Pretraining

打破冻结子空间：用于大语言模型预训练低秩优化的重要性采样

Haochen Zhang, Junze Yin, Guanchu Wang, Zirui Liu, Lin F. Yang, Tianyi Zhang, Anshumali Shrivastava, Vladimir Braverman

机构 * Rice University（Rice大学） ； University of North Carolina at Charlotte（北卡罗来纳州立大学） ； University of Minnesota Twin Cities（明尼苏达大学双城分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 本文提出了一种具有可证明收敛性的低秩优化方法，用于大语言模型预训练，以解决主导子空间在预训练中冻结的问题，并在实验中表现出优越的性能。

Comments NeurIPS 2025

Group Diffusion: Enhancing Image Generation by Unlocking Cross-Sample Collaboration

组扩散：通过解锁跨样本协作增强图像生成

Sicheng Mo, Thao Nguyen, Richard Zhang, Nick Kolkin, Siddharth Srinivasan Iyer, Eli Shechtman, Krishna Kumar Singh, Yong Jae Lee, Bolei Zhou, Yuheng Li

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Adobe Research（Adobe研究） 纠错

AI总结 组扩散通过解锁跨样本协作机制，提升图像生成质量，实现32.2%的FID改进。

Comments Project Page: https://sichengmo.github.io/GroupDiff/

MMSI-Video-Bench: A Holistic Benchmark for Video-Based Spatial Intelligence

MMSI-Video-Bench: 一个面向视频基于空间智能的综合基准

Jingli Lin, Runsen Xu, Shaohao Zhu, Sihan Yang, Peizhou Cao, Yunlong Ran, Miao Hu, Chenming Zhu, Yiman Xie, Yilin Long, Wenbo Hu, Dahua Lin, Tai Wang, Jiangmiao Pang

机构 * Shanghai AI Laboratory（上海人工智能实验室） ； Shanghai Jiaotong University（上海交通大学） ； The Chinese University of Hong Kong（香港中文大学） ； Zhejiang University（浙江大学） ； Beihang University（北京航空航天大学） ； Xi’an Jiaotong University（西安交通大学） ； University of Hong Kong（香港大学） ； Fudan University（复旦大学） ； University of California, Los Angeles（加州大学洛杉矶分校） 纠错

AI总结 MMSI-Video-Bench是一个综合评估视频基于空间智能的基准，通过多任务和多数据集评估25个MLLMs，揭示了人机推理差距和模型泛化不足的问题。

A Hierarchical, Model-Based System for High-Performance Humanoid Soccer

一种面向高性能人形足球的分层模型系统

Quanyou Wang, Mingzhang Zhu, Ruochen Hou, Kay Gillespie, Alvin Zhu, Shiqi Wang, Yicheng Wang, Gaberiel I. Fernandez, Yeting Liu, Colin Togashi, Hyunwoo Nam, Aditya Navghare, Alex Xu, Taoyuanmin Zhu, Min Sung Ahn, Arturo Flores Alvarez, Justin Quan, Ethan Hong, Dennis W. Hong

机构 * Department of Mechanical and Aerospace Engineering, UCLA（加州大学洛杉矶分校机械与航空航天工程系） 纠错

AI总结 本文提出了一种分层模型系统，通过硬件和软件创新实现了高性能人形足球机器人在RoboCup 2024比赛中的胜利。

Leveraging Machine Learning to Identify Gendered Stereotypes and Body Image Concerns on Diet and Fitness Online Forums

利用机器学习识别饮食和健身在线论坛中的性别刻板印象和身体形象担忧

Minh Duc Chu, Cinthia Sánchez, Zihao He, Rebecca Dorn, Stuart Murray, Kristina Lerman

机构 * Information Sciences Institute, University of Southern California, Marina del Rey, CA 90292, USA（美国南加州大学信息科学研究所） ； Department of Computer Science, University of Chile, Santiago, Chile（智利大学计算机科学系） ； Department of Psychiatry and Biobehavioral Sciences, University of California, Los Angeles, CA 90095, USA（美国加州大学洛杉矶分校精神病学与生物行为科学系） 纠错

AI总结 本文利用机器学习分析饮食和健身论坛中的性别刻板印象和身体形象问题，揭示不同社区的情感表达和互动模式，为制定支持性管理策略提供依据。

SlideGen: Collaborative Multimodal Agents for Scientific Slide Generation

SlideGen：用于科学幻灯片生成的协作多模态智能体

Xin Liang, Xiang Zhang, Yiwei Xu, Siqi Sun, Chenyu You

机构 * Stony Brook University（石溪大学） ； University of British Columbia（不列颠哥伦比亚大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Fudan University（复旦大学） 纠错

AI总结 SlideGen通过协作多模态智能体实现科学论文到高质量幻灯片的生成，提升视觉质量和内容忠实度。

GLL: A Differentiable Graph Learning Layer for Neural Networks

GLL：一种用于神经网络的可微图学习层

Jason Brown, Bohan Chen, Harris Hardiman-Mostow, Jeff Calder, Andrea L. Bertozzi

机构 * Department of Mathematics University of California, Los Angeles（数学系，加州大学洛杉矶分校） ； Computing + Mathematical Sciences (CMS) Department California Institute of Technology（计算与数学科学系（CMS），加州理工学院） ； School of Mathematics University of Minnesota（数学系，明尼苏达大学） 纠错

AI总结 本文提出GLL，一种可微图学习层，用于神经网络中，通过整合相似性图构建和图拉普拉斯标签传播，提升分类任务的泛化能力和鲁棒性。

Comments 58 pages, 12 figures. Preprint. Submitted to the Journal of Machine Learning Research. v2: several new experiments, improved exposition

Simulating Life Paths with Digital Twins: AI-Generated Future Selves Influence Decision-Making and Expand Human Choice

用数字双胞胎模拟人生路径：AI生成的未来自我影响决策并拓展人类选择

Rachel Poonsiriwong, Chayapatr Archiwaranguprok, Constanze Albrecht, Peggy Yin, Nattavudh Powdthavee, Hal Hershfield, Monchai Lertsutthiwong, Kavin Winson, Pat Pataranutaporn

机构 * MIT Media Lab（MIT媒体实验室） ； Stanford University（斯坦福大学） ； Nanyang Technological University（南洋理工大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； KASIKORN Labs（KASIKORN实验室） 纠错

AI总结 本研究利用AI生成的未来自我虚拟形象，通过模拟人生路径拓展人类选择，发现平衡呈现和新增选项能有效影响决策，提升自主性认知。

A Data Envelopment Analysis Approach for Assessing Fairness in Resource Allocation: Application to Kidney Exchange Programs

一种用于评估资源分配公平性的数据包络分析方法：应用于肾交换计划

Ali Kaazempur-Mofrad, Xiaowu Dai

机构 * Department of Statistics and Data Science, University of California, Los Angeles（统计与数据科学系，加州大学洛杉矶分校） 纠错

AI总结 本文提出一种基于数据包络分析的方法，用于评估肾交换计划中资源分配的公平性，通过多个维度分析不同种族群体的效率差异。

TimeAutoDiff: A Unified Framework for Generation, Imputation, Forecasting, and Time-Varying Metadata Conditioning of Heterogeneous Time Series Tabular Data

TimeAutoDiff：一个统一框架，用于生成、填补缺失数据、预测以及时间变化元数据条件下的异质时间序列表格数据

Namjoon Suh, Yuning Yang, Din-Yin Hsieh, Qitong Luan, Shirong Xu, Shixiang Zhu, Guang Cheng

机构 * UCLA（美国大学联盟） ； Microsoft（微软公司） ； Xiamen Univ.（厦门大学） ； CMU（卡内基梅隆大学） 纠错

AI总结 TimeAutoDiff通过统一框架实现时间序列生成、填补、预测及元数据条件生成，结合轻量级VAE和扩散模型，提升效率与泛化能力

VERIRAG: A Post-Retrieval Auditing of Scientific Study Summaries

VERIRAG：一种科学研究摘要的后检索审计

Shubham Mohole, Hongjun Choi, Shusen Liu, Christine Klymko, Shashank Kushwaha, Derek Shi, Wesam Sakla, Sainyam Galhotra, Ruben Glatt

机构 * Cornell University（康奈尔大学） ； Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室） ； University of Illinois Urbana‑Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of California, Los Angeles（加州大学洛杉矶分校） 纠错

AI总结 VERIRAG通过后检索审计框架检测科学摘要的方法学漏洞，提升宏F1值19个百分点，提供结构化审计轨迹支持负责任的科学实践。

Epidemiology of Large Language Models: A Benchmark for Observational Distribution Knowledge

大语言模型的流行病学：一种用于观察分布知识的基准测试

Drago Plecko, Patrik Okanovic, Shreyas Havaldar, Torsten Hoefler, Elias Bareinboim

机构 * Department of Statistics & Data Science University of California, Los Angeles（统计与数据科学系，加州大学洛杉矶分校） ； Department of Computer Science ETH Zürich（计算机科学系，苏黎世联邦理工学院） ； Causal AI Lab Columbia University（因果AI实验室，哥伦比亚大学） 纠错

AI总结 本文提出了一种用于评估大语言模型在现实世界概率分布知识方面能力的基准测试，发现LLMs在理解和内部化真实世界统计信息方面表现不佳。

Plug-and-Play Image Restoration with Flow Matching: A Continuous Viewpoint

即插即用图像恢复与流匹配：连续视角

Fan Jia, Yuhao Huang, Shih-Hsin Wang, Cristina Garcia-Cardona, Andrea L. Bertozzi, Bao Wang

机构 * Department of Mathematics, University of Utah, Salt Lake City, UT 84112, USA（犹他大学数学系） ； Los Alamos National Laboratory, Los Alamos, USA（洛斯阿拉莫斯国家实验室） ； Department of Mathematics, University of California, Los Angeles, USA（加州大学洛杉矶分校数学系） 纠错

AI总结 本文提出基于随机微分方程的即插即用流匹配模型，通过量化误差和加速模型来提升图像恢复性能。

SYNTHIA: Novel Concept Design with Affordance Composition

SYNTHIA：基于功能连贯性的新型概念设计

Hyeonjeong Ha, Xiaomeng Jin, Jeonghwan Kim, Jiateng Liu, Zhenhailong Wang, Khanh Duy Nguyen, Ansel Blume, Nanyun Peng, Kai-Wei Chang, Heng Ji

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of California Los Angeles（加州大学洛杉矶分校） 纠错

AI总结 SYNTHIA通过分层概念本体和课程学习方案，实现基于功能连贯性的新颖设计生成。

Comments ACL 2025 Main, Code is available https://github.com/HyeonjeongHa/SYNTHIA

SPARK: Stepwise Process-Aware Rewards for Reference-Free Reinforcement Learning

SPARK：基于过程的奖励机制用于无参考强化学习

Salman Rahman, Sruthi Gorantla, Arpit Gupta, Swastik Roy, Nanyun Peng, Yang Liu

机构 * Amazon AGI（亚马逊人工智能实验室） ； UCLA（大学） 纠错

AI总结 SPARK提出一种无参考强化学习框架，通过生成和验证模型提升过程奖励模型性能，在数学推理任务中取得优于真实参考的方法的成果。

Conformational Rank Conditioned Committees for Machine Learning-Assisted Directed Evolution

构象排名条件化委员会用于机器学习辅助的定向进化

Mia Adler, Carrie Liang, Brian Peng, Oleg Presnyakov, Justin M. Baker, Jannelle Lauffer, Himani Sharma, Barry Merriman

机构 * Pomona College（波莫纳学院） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Cambridge（剑桥大学） ； University of California, Irvine（加州大学尔湾分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Avery Bio Inc（艾维生物公司） 纠错

AI总结 构象排名条件化委员会框架通过深度神经网络委员会分离epistemic和构象不确定性，提升SARS-CoV-2抗体发现效率。

Accelerating Inference of Masked Image Generators via Reinforcement Learning

通过强化学习加速遮蔽图像生成器的推理

Pranav Subbaraman, Shufan Li, Siyan Zhao, Aditya Grover

机构 * UCLA 纠错

AI总结 通过强化学习方法，将遮蔽生成模型的推理速度提升3倍，同时保持图像质量

Comments 15 pages, 9 figures

FMTK: A Modular Toolkit for Composable Time Series Foundation Model Pipelines

FMTK：用于可组合时间序列基础模型流水线的模块化工具包

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

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

AI总结 FMTK提供了一个模块化工具包，用于构建和微调时间序列基础模型流水线，通过标准化的主干和组件抽象实现灵活组合和高效性能。

List Replicable Reinforcement Learning

可复制的强化学习

Bohan Zhang, Michael Chen, A. Pavan, N. V. Vinodchandran, Lin F. Yang, Ruosong Wang

机构 * Peking University（北京大学） ； Iowa State University（爱荷华州立大学） ； University of Nebraska–Lincoln（内布拉斯加大学林肯分校） ； University of California, Los Angeles（加州大学洛杉矶分校） 纠错

AI总结 本文提出了一种可证明高效的表格RL算法，通过保证列表复杂度保持在多项式范围内，解决强化学习中的可复制性问题，并通过创新的规划策略和状态可达性测试机制提升算法稳定性。