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

Words Speak Louder Than Code: Investigating Cognitive Heuristics in LLM-Based Code Vulnerability Detection

言语胜于代码：探究基于LLM的代码漏洞检测中的认知启发式

Asif Shahriar, Hongyu Cai, Hadjer Benkraouda, Gang Wang, Z. Berkay Celik

机构 * BRAC University（布拉德大学） ； Purdue University（普渡大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 本文首次系统探究认知启发式对LLM代码漏洞检测的影响，提出控制框架，发现所有评估模型均易受光环、框架和锚定效应影响，且语义推理型漏洞更易受影响。

FalconTrack: Photorealistic Auto-Labeled Perception and Physics-Aware Vision-Based Aerial Tracking

FalconTrack: 逼真自动标注感知与物理感知的视觉空中跟踪

Yan Miao, Karteek Gandiboyina, Noah Giles, Hideki Okamoto, Bardh Hoxha, Georgios Fainekos, Sayan Mitra

机构 * Department of Electrical and Computer Engineering, University of Illinois at Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校电子与计算机工程系） ； Toyota Motor North America R&D（丰田北美研发） 纠错

AI总结 提出FalconTrack框架，利用高斯泼溅模拟器自动生成标注数据，结合多头感知与物理感知跟踪，实现零样本模拟到真实迁移，在硬件闭环跟踪中达到100%成功率。

When More Sampling Hurts: The Modal Ceiling and Correlation Ceiling of Test-Time Scaling

当更多采样有害时：测试时扩展的模态上限与相关性上限

Yong Yi Bay, Kathleen A. Yearick

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

AI总结 本文揭示测试时扩展中采样过多会导致选择性能停滞甚至下降，提出模态上限和相关性上限，并给出有效采样数作为停止准则。

Comments 24 pages, 10 figures, 3 tables. Code and data: https://github.com/bay-yearick-lab/sampling-ceilings

Who Plays Which Role When? Communication Role Dynamics for Peer Recognition and Team Performance Prediction

谁在何时扮演何种角色？用于同伴认可和团队绩效预测的沟通角色动态

Yifan Song, Wenxuan Wendy Shi, Brian P Bailey, Tal August

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； California Polytechnic State University, Pomona（加州州立大学波莫纳分校） 纠错

AI总结 基于教育理论定义八种沟通角色，通过LLM自动标注Slack消息，分析团队生命周期中的角色动态，并利用角色特征预测同伴认可和团队绩效，优于基线方法。

Globally Optimal Training of Spiking Neural Networks via Parameter Reconstruction

通过参数重构实现棘突神经网络的全局最优训练

Himanshu Udupi, Xiaocong Yang, ChengXiang Zhai

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

AI总结 本文提出一种参数重构算法，用于改进棘突神经网络的训练，通过理论框架实现跨任务的高效训练，并展示其在大规模SNN中的应用潜力。

CostBench: Evaluating Multi-Turn Cost-Optimal Planning and Adaptation in Dynamic Environments for LLM Tool-Use Agents

CostBench：评估LLM工具使用代理在动态环境中的多轮成本最优规划与适应

Jiayu Liu, Cheng Qian, Zhaochen Su, Qing Zong, Shijue Huang, Bingxiang He, Yi R. Fung

机构 * Hong Kong University of Science and Technology（香港科技大学） ； 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CostBench，一个以成本为中心的可扩展基准，用于评估LLM代理在动态环境中的经济推理和重新规划能力，揭示现有模型在成本感知规划方面的显著不足。

CAPTCHA Solving for Native GUI Agents: Automated Reasoning-Action Data Generation and Self-Corrective Training

针对原生GUI代理的CAPTCHA解决：自动化推理-行动数据生成与自我纠正训练

Yuxi Chen, Haoyu Zhai, Chenkai Wang, Rui Yang, Lingming Zhang, Gang Wang, Huan Zhang

机构 * 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ReCAP，一种能解决现代交互式CAPTCHA挑战的原生GUI代理，通过自动化数据生成和自我纠正训练提升CAPTCHA解决能力，同时保持通用GUI任务性能。

Comments Accepted to ICML 2026

Diff-MN: Diffusion Parameterized MoE-NCDE for Continuous Time Series Generation with Irregular Observations

Diff-MN: 基于扩散参数化的MoE-NCDE连续时间序列生成方法用于不规则观测

Xu Zhang, Junwei Deng, Chang Xu, Hao Li, Jiang Bian

机构 * Microsoft Research（微软研究院） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 Diff-MN通过引入MoE动态函数和解耦架构设计，提升NCDE在不规则时间序列生成中的性能，实验表明其在不规则到规则及不规则到连续生成任务中优于基线模型。

Comments This paper is accepted by ICML 2026