University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）

PCM-NeRF: Probabilistic Camera Modeling for Neural Radiance Fields under Pose Uncertainty

PCM-NeRF：在姿态不确定性下基于概率的相机建模用于神经辐射场

Shravan Venkatraman, Rakesh Raj Madavan, Pavan Kumar Sathya Venkatesh

机构 * Mohamed bin Zayed University of AI（穆罕默德·本·扎耶德人工智能大学） ； University of Amsterdam（阿姆斯特丹大学） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） 纠错

AI总结 PCM-NeRF通过引入可学习的不确定性来增强神经表面重建，利用概率分布建模相机姿态，有效应对姿态估计不准确的问题，提升重建精度。

Comments CVPR-W 2026 (GenRec3D)

ProTrain: Efficient LLM Training via Memory-Aware Techniques

ProTrain: 通过内存感知技术实现高效的LLM训练

Hanmei Yang, Jin Zhou, Yao Fu, Xiaoqun Wang, Ramine Roane, Hui Guan, Tongping Liu

机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Advanced Micro Devices, Inc.（先进微器件公司） 纠错

AI总结 本文提出ProTrain系统，通过自动调整内存管理策略提升LLM训练效率，无需人工干预，实验显示训练吞吐量提升1.43至2.71倍。

Comments Accepted to MLSys 2026

Infrastructure-Centric World Models: Bridging Temporal Depth and Spatial Breadth for Roadside Perception

以基础设施为中心的世界模型：弥合时间深度与空间广度以实现道路感知

Siyuan Meng, Chengbo Ai

机构 * Department of Civil and Environmental Engineering, University of Massachusetts Amherst（土木与环境工程系，马萨诸塞大学阿默斯特分校） 纠错

AI总结 本文提出以基础设施为中心的世界模型，通过时空互补性提升道路感知能力，提出三阶段框架和双层架构，结合多模态数据引擎和开放源代码基础，推动基础设施理解交通。

Comments 18 pages, 7 tables, 1 figure, vision paper

Frankentext: Stitching random text fragments into long-form narratives

Frankentext：将随机文本片段拼接成长篇叙述

Chau Minh Pham, Jenna Russell, Dzung Pham, Mohit Iyyer

机构 * University of Maryland, College Park（马里兰大学学院公园分校） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） 纠错

AI总结 Frankentext通过将大量随机文本片段拼接成连贯故事，挑战LLM生成质量与原创性，同时引发作者权属问题。

Comments Accepted to ACL 2026

Benign Fine-Tuning Breaks Safety Alignment in Audio LLMs

良性微调破坏音频大语言模型的安全对齐

Jaechul Roh, Amir Houmansadr

机构 * University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） 纠错

AI总结 研究探讨了音频大语言模型中良性微调对安全对齐的影响，发现通过嵌入空间距离筛选良性音频可降低安全风险，但不同架构和模态的微调风险存在差异，提出两种防御措施以降低安全漏洞。

Medical thinking with multiple images

多图像医学推理

Zonghai Yao, Benlu Wang, Yifan Zhang, Junda Wang, Iris Xia, Zhipeng Tang, Shuo Han, Feiyun Ouyang, Zhichao Yang, Arman Cohan, Hong Yu

机构 * Manning College of Information and Computer Sciences, UMass Amherst（UMass阿默斯特信息与计算机科学学院） ； Center for Healthcare Organization and Implementation Research, VA Bedford Health Care（VA贝福德医疗保健中心） ； Department of Computer Science, Yale University（耶鲁大学计算机科学系） ； Miner School of Computer and Information Sciences, UMass Lowell（UMass洛威计算机与信息科学学院） ； Department of Electrical and Computer Engineering, UMass Lowell（UMass洛威电气与计算机工程系） 纠错

AI总结 本文提出MedThinkVQA多图像医学推理基准，通过专家标注数据验证多图像整合对临床推理的重要性，发现多图像推理瓶颈在于证据提取与对齐，且增加推理时间计算效果有限。

Comments Equal contribution for the first two authors. To appear in the proceedings of the Fourteenth International Conference on Learning Representations (ICLR 2026). Code is in https://github.com/benluwang/MedThinkVQA. Dataset is in https://huggingface.co/datasets/bio-nlp-umass/MedThinkVQA

FM-CAC: Carbon-Aware Control for Battery-Buffered Edge AI via Time-Series Foundation Models

FM-CAC：通过时间序列基础模型实现电池缓冲的边缘AI碳感知控制

Kang Yang, Walid A. Hanafy, Prashant Shenoy, Mani Srivastava

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） 纠错

AI总结 本文提出FM-CAC框架，利用电池作为时间缓冲，通过时间序列基础模型进行碳预测，减少碳排放同时保持高服务质量。