University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）

VTAM: Video-Tactile-Action Models for Complex Physical Interaction Beyond VLAs

VTAM：用于复杂物理交互的视频-触觉-动作模型超越VLAs

Haoran Yuan, Weigang Yi, Zhenyu Zhang, Wendi Chen, Yuchen Mo, Jiashi Yin, Xinzhuo Li, Xiangyu Zeng, Chuan Wen, Cewu Lu, Katherine Driggs-Campbell, Ismini Lourentzou

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Stanford University（斯坦福大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 VTAM通过整合触觉感知提升复杂物理交互的稳定性，其多模态框架在接触密集任务中表现优异，成功率达到90%。

Comments https://plan-lab.github.io/projects/vtam/

Viewport-based Neural 360° Image Compression

基于视口的神经360°图像压缩

Jingwei Liao, Bo Chen, Klara Nahrstedt, Zhisheng Yan

机构 * George Mason University（乔治·马歇尔大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 本文提出基于视口的神经压缩管道，通过提取视口并高效压缩多个视口，减少采样和失真问题，同时设计神经视口编码器捕捉全局信息，提升360°图像压缩效率。

Bridging the Know-Act Gap via Task-Level Autoregressive Reasoning

通过任务级自回归推理弥合知行差距

Jihyun Janice Ahn, Ryo Kamoi, Berk Atil, Renze Lou, WonWoo Kang, Heehyun Park, Sarkar Snigdha Sarathi Das, Zhuoyang Zou, Xiaoxin Lu, Yusen Zhang, Asfahan Shah, Ridwanul Hasan Tanvir, Lingxiao Zhao, Hongxi Huang, Vignesh Venkatesh, Dianjun Lin, Hamid Shah, Wentao Wang, Zhanpeng Song, Joshua Reed Bassin, Dax Patel, Ishan Appareddy Agrahar, Sahil Pardasani, Xin Dong, Fatemeh Rahbari, Benjamin David Rishel, Soochan Andrew Lee, Yuv Boghani, Ali B. AlNaseeb, Pranav Suby, Seokhyeon Bae, Shreya Buddharaju, Damien Kula, Soumyadeep Das, Hanyang Frank Liu, Faye Mo, Wenpeng Yin

机构 * Penn State（宾夕法尼亚州立大学） ； UIUC（伊利诺伊大学香槟分校） ； Columbia University（哥伦比亚大学） ； Episcopal Academy 纠错

AI总结 本文提出DeIllusionLLM，通过任务级自回归框架解决LLM在判别识别与生成行为间的知行差距问题，通过自我蒸馏提升回答准确性与推理能力。

Comments 12 pages

Adversarial Vulnerabilities in Neural Operator Digital Twins: Gradient-Free Attacks on Nuclear Thermal-Hydraulic Surrogates

神经运算符数字孪生中的对抗性漏洞：针对核热力学-流体耦合代理的无梯度攻击

Samrendra Roy, Kazuma Kobayashi, Souvik Chakraborty, Rizwan-uddin, Syed Bahauddin Alam

机构 * Department of Nuclear, Plasma & Radiological Engineering, University of Illinois Urbana-Champaign（核物理与辐射工程系，伊利诺伊大学厄巴纳-香槟分校） ； Indian Institute of Technology Delhi（印度理工学院德里） ； National Center for Supercomputing Applications, University of Illinois Urbana-Champaign（国家超级计算应用中心，伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 研究揭示神经运算符在物理合理扰动下的脆弱性，通过无梯度差分进化展示最小修改导致预测失败，提出有效扰动维度模型解释攻击成功率因素。

Comments 56 pages, 14 figures, 22 tables

Foundation-Model Surrogates Enable Data-Efficient Active Learning for Materials Discovery

基于基础模型的代理使材料发现的主动学习更加数据高效

Jeffrey Hu, Rongzhi Dong, Ying Feng, Ming Hu, Jianjun Hu

机构 * Department of Materials Science and Engineering, University of Illinois Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校材料科学与工程系） ； Department of Computer Science & Engineering, University of South Carolina（南卡罗来纳大学计算机科学与工程系） ； Zuoyue Honors College, Hangzhou Dianzhi University（杭州电子科技大学卓越荣誉学院） ； Department of Mechanical Engineering, University of South Carolina（南卡罗来纳大学机械工程系） 纠错

AI总结 本文提出ICAL方法，利用预训练的TabPFN基础模型替代传统代理，提升小数据下的回归性能和不确定性校准，从而在材料发现中实现更高效的数据利用。

Comments 18 pages