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

FARS: A Fully Automated Research System Deployed at Scale

FARS：一个大规模部署的全自动研究系统

Qiong Tang, Tianxiang Sun, Xiangkun Hu, Xiangyang Liu, Yiran Chen, Yunfan Shao, Bobo Li, Changze Lv, Cheng Xu, Chengsong Huang, Chunyang Li, Dizhan Xue, Hao Bai, Haodong Duan, Hengquan Guo, Hongyang He, Hongyi Chen, Hui Shen, Jiahao Yuan, Jiankai Sun, Jikang Cheng, Jinfeng Xu, Jingqi Tong, Jingye Chen, Jinxiu Liu, Jixuan Leng, Junchi Yu, Kaixun Jiang, Kun Xiang, Kunpeng Yao, Lang Feng, Liangqi Yuan, Longsen Gao, Meng Li, Qi Jia, Qiushi Sun, Shengyuan Ding, Shizhan Gong, Siru Zhong, Terry Jingchen Zhang, Tianle Gu, Tianyi Liang, Weijie Liu, Weikai Yang, Weizhi Fei, Xin Wang, Xinpeng Liu, Xuanwen Ding, Yihong Tang, Yuanli Wang, Yukun Jiang, Yuming Yang, Zhengbao He, Zhikai Chen, Zhikun Xu, Zhuang Li, Zihao Huang

机构 * Analemma ； National University of Singapore（新加坡国立大学） ； Fudan University（复旦大学） ； University College Dublin（都柏林大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； ByteDance（字节跳动） ； ShanghaiTech University（上海科技大学） ； University of Warwick（华威大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校） ； East China Normal University（华东师范大学） ； Stanford University（斯坦福大学） ； Tencent（腾讯） ； The University of Hong Kong（香港大学） ； Shanghai Innovation Institute（上海创新研究院） ； Nex-AGI Team（Nex-AGI团队） 纠错

AI总结 提出FARS系统，通过分阶段智能体协作自动生成研究项目，在67个AI/ML主题上产出166篇论文，经282份评审验证其可产出有价值成果，同时暴露实验范围窄、方法局限和诚信问题。

Recursive Multi-Agent Systems

递归多智能体系统

Jiaru Zou, Rui Pan, Ruizhong Qiu, Pan Lu, Shizhe Diao, Jindong Jiang, Hanghang Tong, Tong Zhang, Markus J. Buehler, Jingrui He, James Zou

机构 * UIUC（伊利诺伊大学香槟分校） ； Stanford University（斯坦福大学） ； NVIDIA（英伟达） ； MIT（麻省理工学院） 纠错

AI总结 本文提出递归多智能体框架RecursiveMAS，通过递归计算提升多智能体协作效率，实验证明其在多个基准测试中准确率提升8.3%，推理速度提升1.2-2.4倍，token使用减少34.6%-75.6%。

Comments Project Website: https://recursivemas.github.io

Rethinking Gaussian Trajectory Predictors: Calibrated Uncertainty for Safe Planning

重新思考高斯轨迹预测器：为安全规划校准不确定性

Fatemeh Cheraghi Pouria, Mahsa Golchoubian, Katherine Driggs-Campbell

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） ； Department of Mathematical and Computational Sciences, University of Toronto（多伦多大学数学与计算科学系） 纠错

AI总结 本文提出了一种新的损失函数，通过核密度估计校准高斯轨迹预测器的不确定性，以提高安全规划性能。

TagSpeech: End-to-End Multi-Speaker ASR and Diarization with Fine-Grained Temporal Grounding

TagSpeech：基于细粒度时间定位的端到端多说话人自动语音识别与说话人分离

Mingyue Huo, Yiwen Shao, Yuheng Zhang

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 研究提出TagSpeech框架，利用时间锚点定位技术联合多说话人ASR与说话人分离。通过关键设计解决细粒度对齐挑战，端到端建模“谁在何时说了什么”。实验显示其在DER上优于基线，采用参数高效训练范式，低计算成本获强性能。

Comments Accepted to ACL2026 Main Oral; v2: added overlap analysis in Section 5.2

On the Necessity of Output Distribution Reweighting for Effective Class Unlearning

关于有效类遗忘中输出分布重新加权的必要性

Ali Ebrahimpour-Boroojeny, Yian Wang, Hari Sundaram

机构 * UIUC（伊利诺伊大学） 纠错

AI总结 研究揭示类遗忘评估忽视类几何结构致信息泄露问题，提出CMIA检测未学习样本。发现现有方法易受攻击，进而提出新微调目标，通过估计类间相似度构建TREW分布，在多基准测试中表现良好，缩小与重新训练模型差距。

Distributionally Robust Reinforcement Learning with Interactive Data Collection: Fundamental Hardness and Near-Optimal Algorithms

具有交互式数据收集的分布鲁棒强化学习：基本难度与近最优算法

Miao Lu, Han Zhong, Tong Zhang, Jose Blanchet

机构 * Department of Management Science and Engineering, Stanford University（斯坦福大学管理科学与工程系） ； Center for Data Science, Peking University（北京大学数据科学中心） ； Department of Computer Science, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校计算机科学系） 纠错

AI总结 针对强化学习中模拟与现实的差距，提出分布鲁棒强化学习，通过交互式数据收集应对挑战。因支持转移难题，引入消失最小值假设，给出近最优算法，扩展到新公式和博弈，应用于库存控制。