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

PBE-UNet: A light weight Progressive Boundary-Enhanced U-Net with Scale-Aware Aggregation for Ultrasound Image Segmentation

PBE-UNet：一种轻量级的渐进边界增强U-Net，具有尺度感知聚合，用于超声图像分割

Chen Wang, Yixin Zhu, Yongbin Zhu, Fengyuan Shi, Qi Li, Jun Wang, Zuozhu Liu, Keli Hu

机构 * Department of Computer Science, Shaoxing University（绍兴大学计算机科学系） ； National Frontiers Science Center for Industrial Intelligence and Systems Optimization, Northeastern University（工业智能化与系统优化国家级前沿科学中心，东北大学） ； College of Computer Science, Chongqing University（重庆大学计算机学院） ； School of Computer and Computing Science, Hangzhou City University（杭州市大学计算机与计算科学学院） ； ZJU-UIUC Institute, Zhejiang University（浙江大学ZJU-UIUC研究院） ； Information Technology R&D Innovation Center of Peking University（北京大学信息技术研发创新中心） 纠错

AI总结 本文提出PBE-UNet，通过引入尺度感知聚合模块和边界引导特征增强模块，解决超声图像分割中边界模糊和尺度变化的问题，实验表明其在四个数据集上优于现有方法。

Comments 14 pages, 14 figures

Rethinking On-Policy Distillation of Large Language Models: Phenomenology, Mechanism, and Recipe

重新思考大型语言模型的在线策略蒸馏：现象、机制和配方

Yaxuan Li, Yuxin Zuo, Bingxiang He, Jinqian Zhang, Chaojun Xiao, Cheng Qian, Tianyu Yu, Huan-ang Gao, Wenkai Yang, Zhiyuan Liu, Ning Ding

机构 * Tsinghua University（清华大学） ； ShanghaiTech University（上海交通大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Renmin University of China（中国人民大学） 纠错

AI总结 本文系统研究了在线策略蒸馏的动态和机制，发现成功关键在于师生思维模式兼容及教师提供新能力，提出两种恢复失败蒸馏的策略，并指出密集奖励的表面优势背后存在代价。

Comments 30 pages, 23 figures. Code: https://github.com/thunlp/OPD

LangFlow: Continuous Diffusion Rivals Discrete in Language Modeling

LangFlow: 连续扩散在语言建模中与离散模型相媲美

Yuxin Chen, Chumeng Liang, Hangke Sui, Ruihan Guo, Chaoran Cheng, Jiaxuan You, Ge Liu

机构 * UIUC（伊利诺伊大学） 纠错

AI总结 LangFlow通过连接嵌入空间DLM与流匹配的Bregman散度，提出三种创新方法，实现了连续扩散在语言建模中的突破，达到与离散模型相当的性能。

VeruSAGE: A Study of Agent-Based Verification for Rust Systems

VeruSAGE：Rust系统代理验证的研究

Chenyuan Yang, Natalie Neamtu, Chris Hawblitzel, Jacob R. Lorch, Shan Lu

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Carnegie Mellon University（卡内基梅隆大学） ； Microsoft Research（微软研究院） ； University of Chicago（芝加哥大学） 纠错

AI总结 本文研究LLM在Rust系统验证中的能力，提出VeruSAGE-Bench基准测试集，并设计不同代理系统以匹配不同LLM的特性，结果显示最佳组合能完成超过80%的验证任务。

Adaptive Unknown Fault Detection and Few-Shot Continual Learning for Condition Monitoring in Ultrasonic Metal Welding

自适应未知故障检测与少样本持续学习用于超声金属焊接的条件监控

Ahmadreza Eslaminia, Kuan-Chieh Lu, Klara Nahrstedt, Chenhui Shao

机构 * Department of Mechanical Science and Engineering, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校机械科学与工程系） ； Coordinated Science Laboratory, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校协调科学实验室） ； Department of Mechanical Engineering, University of Michigan（密歇根大学机械工程系） 纠错

AI总结 本文提出了一种自适应条件监控方法，通过分析多层感知机的隐藏层表示和统计阈值策略实现未知故障检测，并结合少样本持续学习提升焊接过程监控的适应性与准确性。

Comments 20 pages, 10 figures

AgentSPEX: An Agent SPecification and EXecution Language

AgentSPEX：一种代理规范与执行语言

Pengcheng Wang, Jerry Huang, Jiarui Yao, Rui Pan, Peizhi Niu, Yaowenqi Liu, Ruida Wang, Renhao Lu, Yuwei Guo, Tong Zhang

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Baylor College of Medicine（贝勒医学院） 纠错

AI总结 本文提出AgentSPEX，一种用于定义LLM代理工作流的显式控制流和模块化结构的语言，支持类型步骤、分支、循环、并行执行和显式状态管理，并提供可定制的代理框架。

Beyond Uniform Sampling: Synergistic Active Learning and Input Denoising for Robust Neural Operators

超越均匀采样：协同主动学习与输入去噪用于鲁棒神经算子

Samrendra Roy, Souvik Chakraborty, Syed Bahauddin Alam

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

AI总结 本文提出结合主动学习与输入去噪的方法，提升神经算子在对抗扰动下的鲁棒性，实验表明该方法在粘性Burgers方程上有效降低误差，优于单一主动学习或去噪方法。

RAG or Learning? Understanding the Limits of LLM Adaptation under Continuous Knowledge Drift in the Real World

RAG还是学习？在现实世界中连续知识漂移下理解LLM适应的极限

Hanbing Liu, Lang Cao, Yang Li

机构 * Tsinghua University（清华大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； School of Artificial Intelligence, Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳）人工智能学院） ； Shenzhen Key Laboratory of Ubiquitous Data Enabling, Tsinghua Shenzhen International Graduate School, Tsinghua University（深圳 ubiquitous 数据赋能重点实验室，清华大学深圳国际研究生院，清华大学） 纠错

AI总结 本文提出一个现实世界动态事件基准，评估模型在连续知识漂移下的适应能力，揭示现有方法如RAG和学习方法的局限性，并提出时间感知检索基线Chronos以提升时序一致性。

TableMaster: A Recipe to Advance Table Understanding with Language Models

TableMaster: 一种提升语言模型表格理解能力的方案

Lang Cao, Hanbing Liu

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Tsinghua University（清华大学） 纠错

AI总结 本文提出TableMaster方案，通过提取表格内容并增强语义上下文，结合自适应推理方法，提升语言模型对表格数据的理解能力，实验表明其在WikiTQ数据集上准确率达78.13%。

FDM-Bench: A Comprehensive Benchmark for Evaluating Large Language Models in Additive Manufacturing Tasks

FDM-Bench：用于评估大型语言模型在增材制造任务中的综合基准

Ahmadreza Eslaminia, Adrian Jackson, Beitong Tian, Avi Stern, Hallie Gordon, Rajiv Malhotra, Klara Nahrstedt, Chenhui Shao

机构 * Department of Mechanical Science and Engineering, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校机械科学与工程系） ； Coordinated Science Laboratory, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校协调科学实验室） ； Department of Mechanical and Aerospace Engineering, Rutgers University（罗格斯大学机械与航空航天工程系） ； Department of Mechanical Engineering, University of Michigan（密歇根大学机械工程系） 纠错

AI总结 本文提出FDM-Bench基准，用于评估大型语言模型在增材制造任务中的能力，通过用户查询和G代码样本评估不同模型的性能，发现闭源模型在检测G代码异常方面表现更优。

Nonparametric Sparse Online Learning of the Koopman Operator

非参数稀疏在线学习Koopman算子

Boya Hou, Sina Sanjari, Nathan Dahlin, Alec Koppel, Subhonmesh Bose

机构 * Coordinated Science Laboratory, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校协调科学实验室） ； Department of Mathematics and Computer Science, Royal Military College of Canada（加拿大皇家军事学院数学与计算机科学系） ； Department of Electrical and Computer Engineering, University at Albany, SUNY（纽约州立大学水牛城大学电气与计算机工程系） ； Applied Physics Labs, Johns Hopkins University（约翰霍普金斯大学应用物理实验室） ； Department of Electrical and Computer Engineering, Coordinated Science Laboratory, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校电气与计算机工程系，协调科学实验室） 纠错

AI总结 本文提出一种非参数稀疏在线学习Koopman算子的方法，通过随机近似迭代学习，实现对非线性动力系统的动态建模，并在误设定情况下提供收敛保证。

Comments 44 pages