University of Pennsylvania（宾夕法尼亚大学）

UXBench: Measuring the Actionability of LLM-Generated UX Critiques

UXBench: 衡量LLM生成的UX评论的可操作性

Wenjie Wang, Yue Huang, Zipeng Ling, Han Bao, Hang hua, Xiaonan Luo, Yu Jiang, Shiyi Du, Yuexing Hao, Xiaomin Li, Yuchen Ma, Dianzhuo Wang, Yanfang Ye, Xiangliang Zhang

机构 * University of Notre Dame（诺丁汉大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Rochester（罗切斯特大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Harvard University（哈佛大学） ； LMU Munich（慕尼黑路德维希-马克西米利安大学） 纠错

AI总结 提出UXBench基准，通过下游修复代理能否基于评论改进界面来评估LLM作为UX评判者的可操作性，发现不同模型在报告可操作性、修复特征和可靠性上存在显著差异。

Comments 30 pages

PACT: Privileged Trace Co-Training for Multi-Turn Tool-Use Agents

PACT: 多轮工具使用智能体的特权轨迹协同训练

Zhenbang Du, Jun Luo, Zhiwei Zheng, Xiangchi Yuan, Kejing Xia, Dachuan Shi, Qirui Jin, Qijia He, Shaofeng Zou, Yingbin Liang, Wenke Lee

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Ohio State University（俄亥俄州立大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Arizona State University（亚利桑那州立大学） 纠错

AI总结 提出PACT框架，通过特权轨迹（专家轨迹）在训练时提供密集监督信号，结合轨迹条件RL和组件感知SFT损失，避免推理时依赖轨迹，显著提升多轮工具使用智能体的性能。

Comments Project page: https://zhenbangdu.github.io/pact-project-page/

Is Code Better Than Language for Algorithmic Reasoning

算法推理中代码是否优于语言

Terry Tong, Yu Feng, Surbhi Goel, Dan Roth

机构 * University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 通过分离中间表示与执行机制，在40个任务上比较代码执行与自然语言推理，发现代码执行优势源于外部执行而非表示变化。

Comments ICML 2026

A Conservation Law for Equilibrium Propagation and Coupled Learning

平衡传播与耦合学习中的守恒律

Joshua A. McGinnis, Adam G. Kline, Yoichiro Mori

机构 * SAS, University of Pennsylvania（宾夕法尼亚大学SAS学院） 纠错

AI总结 本文证明物理学习方法耦合学习和平衡传播在连续时间小扰动极限下守恒类质量量，并分析其对线性电路训练动力学的影响。

Coercivity and Local Convergence of Physical Learning in Linear Circuits

线性电路中物理学习的强制性与局部收敛性

Joshua A. McGinnis, Xinbo Li, Yoichiro Mori

机构 * Department of Mathematics, University of Pennsylvania, Philadelphia（宾夕法尼亚大学数学系） 纠错

AI总结 针对线性电路，分析三种物理学习方法（平衡传播、耦合学习及其伴随变体）在小扰动极限下的局部收敛性，发现强制条件（基于网络结构的秩条件）保证指数收敛，且非退化情况是普遍的。

Robust Conformal CBF and CLF Controllers via Iterative Policy Updates

通过迭代策略更新的鲁棒共形CBF和CLF控制器

Omid Mirzaeedodangeh, Eliot Shekhtman, Nikolai Matni, Lars Lindemann

机构 * Automatic Control Laboratory, ETH Zürich（瑞士苏黎世联邦理工学院自动控制实验室） ； Computer and Information Science, University of Pennsylvania（宾夕法尼亚大学计算机与信息科学系） ； Electrical and Systems Engineering, University of Pennsylvania（宾夕法尼亚大学电气与系统工程系） 纠错

AI总结 针对共形预测嵌入鲁棒控制时因分布偏移导致安全/稳定性保证失效的问题，提出迭代更新策略框架，结合对抗鲁棒共形预测与分布偏移预算，实现跨回合保证。

Resilient Consensus in Agentic AI

智能体AI中的弹性共识

Sribalaji C. Anand, George J. Pappas

机构 * KTH（瑞典皇家理工学院） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 研究LLM智能体在多智能体系统中的共识问题，发现经典弹性共识理论在LLM智能体中失效，但结合经典滤波器可改善一致性。