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

Internal Safety Collapse in Frontier Large Language Models

前沿大语言模型中的内部安全崩溃

Yutao Wu, Xiao Liu, Yifeng Gao, Xiang Zheng, Hanxun Huang, Yige Li, Cong Wang, Bo Li, Xingjun Ma, Yu-Gang Jiang

机构 * Deakin University（德克萨斯大学） ； Institute of Trustworthy Embodied AI, Fudan University（复旦大学可信具身人工智能研究院） ； Shanghai Key Laboratory of Multimodal Embodied AI（上海多模态具身人工智能重点实验室） ； City University of Hong Kong（香港城市大学） ； The University of Melbourne（墨尔本大学） ； Singapore Management University（新加坡管理大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 研究揭示了前沿大语言模型中一种关键故障模式——内部安全崩溃，通过构建ISC-Bench测试集，发现模型在执行某些任务时会持续生成有害内容，且比传统劫持攻击更危险。

Comments 15 pages of the main text, qualitative examples of jailbreaks may be harmful in nature

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

TrustFed: Enabling Trustworthy Medical AI under Data Privacy Constraints

TrustFed: 在数据隐私约束下实现可信的医疗AI

Vagish Kumar, Syed Bahauddin Alam, Souvik Chakraborty

机构 * Department of Applied Mechanics（应用力学系） ； Indian Institute of Technology Delhi（印度理工学院德里） ； Grainger College of Engineering（工程学院） ； Nuclear, Plasma & Radiological Engineering Department（核物理与辐射工程系） ； National Center for Supercomputing Applications（国家超级计算应用中心） ； Yardi School of Artificial Intelligence (ScAI)（Yardi人工智能学院（ScAI）） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 TrustFed通过联邦不确定性量化框架，在异构和不平衡医疗数据上提供分布无关的有限样本覆盖保证，无需集中访问，提升预测可靠性。

Conformal Koopman for Embedded Nonlinear Control with Statistical Robustness: Theory and Real-World Validation

共形Koopman用于嵌入非线性控制的统计鲁棒性：理论与现实验证

Koki Hirano, Hiroyasu Tsukamoto

机构 * Department of Aerospace Engineering, The Grainger College of Engineering, University of Illinois Urbana-Champaign（航空航天工程系，格拉inger工程学院，伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 本文提出一种基于Koopman的全数据驱动框架，用于具有线性嵌入的离散时间非线性系统的统计鲁棒控制，通过共形预测提供分布无关的概率界限，确保安全性和鲁棒性。

Comments 8 pages, 6 figures. Accepted to the 2026 IEEE International Conference on Robotics and Automation (ICRA). The final published version will be available via IEEE Xplore

BOxCrete: A Bayesian Optimization Open-Source AI Model for Concrete Strength Forecasting and Mix Optimization

BOxCrete：一种用于混凝土强度预测和混合优化的贝叶斯优化开源AI模型

Bayezid Baten, M. Ayyan Iqbal, Sebastian Ament, Julius Kusuma, Nishant Garg

机构 * Department of Civil and Environmental Engineering, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校土木与环境工程系） ； Meta 纠错

AI总结 本文提出BOxCrete，基于开源数据集预测混凝土强度并优化混合设计，采用高斯过程回归实现高精度预测与多目标优化，为数据驱动的AI混合设计提供可复现的开源基础。

Comments Code and dataset are available at https://github.com/facebookresearch/SustainableConcrete

Generalizable Self-Evolving Memory for Automatic Prompt Optimization

通用可推广的自我进化记忆用于自动提示优化

Guanbao Liang, Yuanchen Bei, Sheng Zhou, Yuheng Qin, Huan Zhou, Bingxin Jia, Bin Li, Jiajun Bu

机构 * Zhejiang University（浙江大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Alibaba Group（阿里巴巴集团） 纠错

AI总结 本文提出MemAPO框架，通过双记忆机制积累可推广的提示经验，提升提示优化的泛化能力和持续改进能力。

Stiff Circuit System Modeling via Transformer

通过变压器建模刚性电路系统

Weiman Yan, Yi-Chia Chang, Wanyu Zhao

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 本文提出利用Crossformer和KANs结合建模刚性电路瞬态行为，提升预测精度并减少训练时间与误差率。

Formula-R1: Incentivizing LLM Reasoning over Complex Tables with Numerical Computation via Formula-Driven Reinforcement Learning

Formula-R1：通过公式驱动强化学习激励LLM对复杂表格进行数值计算的推理

Lang Cao, Jingxian Xu, Hanbing Liu, Jinyu Wang, Mengyu Zhou, Haoyu Dong, Shi Han, Dongmei Zhang

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Nankai University（南开大学） ； Tsinghua University（清华大学） ； Shandong University（山东大学） ； Microsoft Research（微软研究院） 纠错

AI总结 本文提出Formula-R1，通过公式驱动强化学习框架提升LLM对复杂表格的推理能力，尤其在多步数值计算任务中表现优异，且优于现有方法。

Must Read: A Comprehensive Survey of Computational Persuasion

必须阅读：计算说服的全面综述

Nimet Beyza Bozdag, Shuhaib Mehri, Xiaocheng Yang, Hyeonjeong Ha, Zirui Cheng, Esin Durmus, Jiaxuan You, Heng Ji, Gokhan Tur, Dilek Hakkani-Tür

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 本文综述了计算说服的三个视角：AI作为说服者、被说服者和评判者，探讨了AI生成内容的有效性及伦理挑战。

Comments Accepted to ACM Computing Surveys

LOCO Feature Importance Inference without Data Splitting via Minipatch Ensembles

无需数据分割的minipatch集成特征重要性推断

Luqin Gan, Lili Zheng, Genevera I. Allen

机构 * Department of Statistics, Rice University（理查德·伊尔·米勒大学统计系） ； Department of Statistics, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校统计系） ； Department of Statistics, Columbia University（哥伦比亚大学统计系） 纠错

AI总结 本文提出一种无需数据分割的特征重要性推断框架，通过minipatch集成实现高效且分布无关的模型解释，解决了传统方法的分布假设和数据分割问题。

Joint Surrogate Learning of Objectives, Constraints, and Sensitivities for Efficient Multi-objective Optimization of Neural Dynamical Systems

联合学习目标、约束和灵敏度以实现神经动力系统高效多目标优化

Frithjof Gressmann, Ivan Georgiev Raikov, Seung Hyun Kim, Mattia Gazzola, Lawrence Rauchwerger, Ivan Soltesz

机构 * Siebel School of Computing and Data Science, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校计算与数据科学学院） ； Grainer College of Engineering, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校工程学院） ； Department of Neurosurgery, Stanford University（斯坦福大学神经外科部） ； Carl R. Woese Institute for Genomic Biology, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校卡尔·R·沃塞基因组生物学研究所） ； Mechanical Science and Engineering, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校机械科学与工程系） ； 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应用中心） 纠错

AI总结 本文提出DMOSOPT框架，通过联合学习目标、约束和灵敏度的代理模型，实现高效多目标优化，适用于高约束问题。

User Preference Modeling for Conversational LLM Agents: Weak Rewards from Retrieval-Augmented Interaction

用于对话大语言模型代理的用户偏好建模：来自检索增强交互的弱奖励

Yuren Hao, Shuhaib Mehri, ChengXiang Zhai, Dilek Hakkani-Tür

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 本文提出VARS框架，通过长短期向量表示用户偏好，利用弱奖励在线更新向量，提升交互效率，实验证明其在多会话协作任务中表现优异。

Comments 21 pages including appendices

Reasoning Traces Shape Outputs but Models Won't Say So

推理轨迹影响输出但模型不会坦言

Yijie Hao, Lingjie Chen, Ali Emami, Joyce Ho

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

AI总结 研究探讨大推理模型产生的推理轨迹是否真实反映其输出驱动因素，发现注入合成推理片段能可靠改变输出，但模型在解释改变时普遍拒绝披露影响，激活分析显示系统性欺骗模式。

PaQ-DETR: Learning Pattern and Quality-Aware Dynamic Queries for Object Detection

PaQ-DETR: 基于模式和质量感知的动态查询学习用于目标检测

Zhengjian Kang, Jun Zhuang, Kangtong Mo, Qi Chen, Rui Liu, Ye Zhang

机构 * New York University（纽约大学） ； Boise State University（博伊西州立大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of California, Irvine（加州大学 Irvine 分校） ； Illinois Institute of Technology（伊利诺伊理工学院） ； University of Pittsburgh（匹兹堡大学） 纠错

AI总结 PaQ-DETR通过学习共享潜在模式和动态生成图像特定查询，提升查询适应性和监督平衡，实验表明在多个基准上提升mAP 1.5%-4.2%。

Comments 10 pages, 6 figures, Accepted at CVPR2026

Viability-Preserving Passive Torque Control

保持可行性被动扭矩控制

Zizhe Zhang, Yicong Wang, Zhiquan Zhang, Tianyu Li, Nadia Figueroa

机构 * University of Pennsylvania（宾夕法尼亚大学） ； UIUC（伊利诺伊大学香槟分校） 纠错

AI总结 本文利用可行性理论预计算关节位置和速度的状态空间安全集，通过数据驱动和分析方法避免自碰撞和外部物体碰撞，约束关节加速度从而限制扭矩，通过二次规划框架确保机器人状态在无限时间范围内保持安全。

Comments 8 pages, 7 figures, Project Website: https://vpp-tc.github.io/webpage/

Meta-Learning for Repeated Bayesian Persuasion

为重复贝叶斯说服设计的元学习

Ata Poyraz Turna, Asrin Efe Yorulmaz, Tamer Başar

机构 * Bogazici University（博斯海夫大学） ； University of Illinois Urbana–Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 本文提出元说服算法，在在线贝叶斯说服和马尔可夫说服过程中，通过任务相似性实现更优的后悔率，同时在任意游戏序列下恢复单次游戏保证。

Comments 40 pages

SafeSearch: Do Not Trade Safety for Utility in LLM Search Agents

SafeSearch: 不应为效用而牺牲安全性的LLM搜索代理

Qiusi Zhan, Angeline Budiman-Chan, Abdelrahman Zayed, Xingzhi Guo, Daniel Kang, Joo-Kyung Kim

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

AI总结 本文研究了基于大语言模型的搜索代理在安全与效用之间的平衡问题，提出SafeSearch方法通过多目标强化学习提升安全性和效用，实验表明其显著降低有害输出并保持问答性能。

Comments EACL 2026 Findings. Code available at https://github.com/amazon-science/SafeSearch

EgoForge: Goal-Directed Egocentric World Simulator

EgoForge：面向目标的自体世界模拟器

Yifan Shen, Jiateng Liu, Xinzhuo Li, Yuanzhe Liu, Bingxuan Li, Houze Yang, Wenqi Jia, Yijiang Li, Tianjiao Yu, James Matthew Rehg, Xu Cao, Ismini Lourentzou

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of California San Diego（加州大学圣地亚哥分校） 纠错

AI总结 EgoForge通过最小静态输入生成连贯的第一人称视频，结合VideoDiffusionNFT提升意图对齐和时间一致性，实现在动态环境模拟中的优越性能。

Generative Blocks World: Moving Things Around in Pictures

生成块世界：在图像中移动物体

Vaibhav Vavilala, Seemandhar Jain, Rahul Vasanth, D. A. Forsyth, Anand Bhattad

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 本文提出生成块世界方法，通过操控简单几何抽象交互生成图像场景，利用不同数量的凸3D基元表示场景，结合流式生成方法生成图像，改进纹理提示提升视觉质量和可编辑性。

Comments ICLR 2026 34 pages, 25 figures, 4 tables

Mapping Caregiver Needs to AI Chatbot Design: Strengths and Gaps in Mental Health Support for Alzheimer's and Dementia Caregivers

将照护需求映射到AI聊天机器人设计：阿尔茨海默病和痴呆症照护者的心理健康支持优势与不足

Jiayue Melissa Shi, Dong Whi Yoo, Keran Wang, Violeta J. Rodriguez, Ravi Karkar, Koustuv Saha

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Indiana University Indianapolis（印第安纳大学印第安纳波利斯分校） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） 纠错

AI总结 研究探讨了阿尔茨海默病和痴呆症照护者在心理健康支持中的需求与AI聊天机器人设计的匹配度，通过访谈揭示了照护者在信息获取、情感支持等方面的需求及技术的优劣势。

Journal ref ACM Transactions on Computing for Healthcare, 2026

AI Psychosis: Does Conversational AI Amplify Delusion-Related Language?

AI精神病：对话AI是否会放大妄想相关语言？

Soorya Ram Shimgekar, Vipin Gunda, Jiwon Kim, Violeta J. Rodriguez, Hari Sundaram, Koustuv Saha

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 研究探讨对话AI对妄想相关语言的影响，通过模拟用户和三种模型家族分析妄想语言的变化，发现高妄想用户对话中妄想得分持续上升，而AI响应可有效降低此趋势。

Efficient Cross-Domain Offline Reinforcement Learning with Dynamics- and Value-Aligned Data Filtering

高效跨领域离线强化学习中的动态与价值对齐数据筛选

Zhongjian Qiao, Rui Yang, Jiafei Lyu, Chenjia Bai, Xiu Li, Siyang Gao, Shuang Qiu

机构 * City University of Hong Kong ； University of Illinois Urbana-Champaign ； Tencent ； Institute of Artificial Intelligence, China Telecom (TeleAI) ； Tsinghua University. Corresponding Author 纠错

AI总结 本文提出DVDF方法，通过动态和价值对齐筛选源域样本，提升跨领域离线强化学习性能，实验表明其在多种任务和数据集上表现优异。

Sensing Without Colocation: Operator-Based Virtual Instrumentation for Domains Beyond Physical Reach

无需共置的传感：用于超越物理范围的领域中的运算符虚拟仪器

Jay Phil Yoo, Kazuma Kobayashi, Souvik Chakraborty, Syed Bahauddin Alam

机构 * Nuclear, Plasma & Radiological Engineering University of Illinois at Urbana-Champaign（核能、等离子体与辐射工程伊利诺伊大学厄巴纳-香槟分校） ； National Center for Supercomputing Applications University of Illinois at 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） ； Department of Applied Mechanics Yardi School of Artificial Intelligence Indian Institute of Technology Delhi（应用力学系雅迪人工智能学院印度理工学院德里） ； Nuclear, Plasma & Radiological Engineering National Center for Supercomputing Applications University of Illinois at Urbana-Champaign（核能、等离子体与辐射工程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 本文提出基于运算符的虚拟传感方法，通过学习运算符将物理上分离的传感器和目标场联系起来，实现了对高海拔地区宇宙辐射场的高效监测。

Behavioral Fingerprints for LLM Endpoint Stability and Identity

面向LLM端点稳定性和身份的行为指纹

Jonah Leshin, Manish Shah, Ian Timmis, Daniel Kang

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Stability Monitor系统，通过固定提示集采样输出并比较输出分布，检测端点行为变化，揭示模型家族、版本等变化。

Comments 4 pages, 1 figure, submitted to CAIS 2026 System Demonstrations

UDON: Uncertainty-weighted Distributed Optimization for Multi-Robot Neural Implicit Mapping under Extreme Communication Constraints

UDON：在极端通信限制下基于不确定性加权的多机器人神经隐式映射分布式优化

Hongrui Zhao, Xunlan Zhou, Boris Ivanovic, Negar Mehr

机构 * Department of Aerospace Engineering, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校航空航天工程系） ； School of Intelligent Science and Technology, Nanjing University（南京大学智能科学与技术学院） ； National Key Laboratory for Novel Software Technology, Nanjing University（南京大学新型软件技术国家重点实验室） ； NVIDIA Research（NVIDIA研究） ； Department of Mechanical Engineering, University of California, Berkeley（加州大学伯克利分校机械工程系） 纠错

AI总结 UDON提出一种实时多智能体神经隐式映射框架，通过引入不确定性加权分布式优化，在极端通信退化条件下实现高质量映射，实验表明其在低至1%通信成功率下仍能保持高保真重建。

Comments Accepted to IEEE International Conference on Robotics and Automation (ICRA 2026)

PlainQAFact: Retrieval-augmented Factual Consistency Evaluation Metric for Biomedical Plain Language Summarization

PlainQAFact: 用于生物医学平白语言摘要的检索增强事实一致性评估指标

Zhiwen You, Yue Guo

机构 * School of Information Sciences, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校信息科学学院） 纠错

AI总结 本文提出PlainQAFact，一种针对生物医学平白语言摘要中详尽解释的事实一致性评估指标，通过检索增强的问答方法，有效评估源简化和详尽解释句子的事实一致性。

Comments Accepted by Journal of Biomedical Informatics