University of Pennsylvania（宾夕法尼亚大学）

DoGMaTiQ: Automated Generation of Question-and-Answer Nuggets for Report Evaluation

DoGMaTiQ：面向报告评估的问答片段自动生成

Bryan Li, William Walden, Yu Hou, Gabrielle Kaili-May Liu, Dawn Lawrie, James Mayfield, Eugene Yang, Chris Callison-Burch, Laura Dietz

机构 * Google Inc.（谷歌公司） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Maryland（马里兰大学） ； Yale University（耶鲁大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of New Hampshire（新罕布什尔大学） 纠错

AI总结 提出DoGMaTiQ流水线，通过文档锚定生成、释义聚类和基于质量准则的子选择三步自动生成高质量QA片段，实现报告的全自动评估，在跨语言任务中与人工判断高度相关。

Comments ICTIR '26

ENVS: Environment-Native Verified Search for Long-Horizon GUI Agents

ENVS：面向长程GUI智能体的环境原生验证搜索

Yincheng Zhou, Athena Zhuoming Zhong, Shijie Zhang, Kevin Zhang, Teresa Xiaotao Shang, Shanghang Zhang

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Peking University（北京大学） 纠错

AI总结 提出ENVS方法，利用环境在训练时构建验证监督，通过分支搜索和全局平衡训练提升长程GUI任务性能，并引入OSWorld-Noisy基准测试抗干扰能力。

FlowDPG: Deterministic Policy Gradient on Flow Matching Policies for Real-World Manipulation

FlowDPG：面向真实世界操作的流匹配策略上的确定性策略梯度

Kexin Shi, Junyao Shi, Poorvi Hebbar, Zhuolun Zhao, Tarun Amarnath, Yifan Su, Shikhar Bahl, Deepak Pathak

机构 * Skild AI ； Carnegie Mellon University（卡内基梅隆大学） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 提出FlowDPG方法，通过将评论家梯度蒸馏到速度场中，避免反向传播时间，实现流匹配策略的稳定策略改进，并在真实世界双机械臂AirPods组装任务中达到92%成功率。

Towards Understanding the Power and Limits of the Muon Optimizer: A River-Valley Perspective

理解Muon优化器的能力与局限：河流-山谷视角

Tianqi Shen, Jinji Yang, Runze Shi, Jianhao Ma, Jiaye Teng, Ziye Ma

机构 * City University of Hong Kong (CityUHK)（香港城市大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Shanghai University of Finance and Economics（上海财经大学） 纠错

AI总结 提出混合尖峰矩阵感知模型，从河流-山谷视角分析Muon优化器在早期加速收敛但后期易振荡的机制，并建议在最后阶段切换为GD类优化器。

Comments 44 pages, 13 figures, 2 tables

Predicting Immune Biomarkers with MultiModal Mixture-of-Expert Pathology Foundation Models Empowers Precision Oncology

使用多模态混合专家病理基础模型预测免疫生物标志物，赋能精准肿瘤学

Tianyu Liu, Ziqing Wang, Zhaokang Liang, Tong Ding, Peter Humphrey, Lorraine Colón-Cartagena, Emily Ling-Lin Pai, Kenneth Tou En Chang, Mohamed Kahila, Jonathan Chong Kai Liew, Tinglin Huang, Rex Ying, Kaize Ding, Faisal Mahmood, Wengong Jin

机构 * Program of Computational Biology and Bioinforamtics, Yale University（耶鲁大学计算生物学与生物信息学项目） ； Broad Institute of MIT and Harvard（麻省理工学院与哈佛大学博德研究所） ； Department of Statistics and Data Science, Northwestern University（西北大学统计与数据科学系） ； Department of Computer Science, Northeastern University（东北大学计算机科学系） ； Department of Computer Science, Harvard University（哈佛大学计算机科学系） ； Department of Pathology, Yale University（耶鲁大学病理学系） ； Department of Anatomic Pathology and Laboratory Medicine, Hospital of the University of Pennsylvania（宾夕法尼亚大学医院解剖病理学与检验医学系） ； Department of Pathology and Laboratory Medicine, University of California, San Francisco（加州大学旧金山分校病理学与检验医学系） ； Department of Pathology and Laboratory Medicine, KK Women’s and Children’s Hospital（竹脚妇幼医院病理学与检验医学系） ； Department of Biostatistics, Epidemiology and Informatics, Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院生物统计学、流行病学与信息学系） 纠错

AI总结 提出MixTIME多模态基础模型，采用混合专家架构整合不同模态的病理基础模型，从HE全切片图像预测多重免疫荧光蛋白表达，在17个蛋白标记物上达到最优性能，并增强空间域识别、生存预测等下游任务。

Comments 5 figures

Evolutionary Physics-Informed Temporal Fusion for Lane-Change Intention Prediction

进化物理信息时间融合用于换道意图预测

Jiazhao Shi, Qiyang Xie, Ziyu Wang, Yichen Lin, Di Zhu, Chen Xie, Ziwei Wang, Haoyun Zhang, Enliang Li, Zetong Guan

机构 * Tandon School of Engineering（工程学院） ； New York University（纽约大学） ； Khoury College of Computer Science（计算机科学学院） ； Northeastern University（东北大学） ； School of Business（商学院） ； Wake Forest University（威克森林大学） ； Independent Researcher（独立研究者） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Qualcomm CDMA Technologies（高通CDMA技术） ； University of Michigan（密歇根大学） 纠错

AI总结 提出一种进化物理信息时间融合框架，通过融合从传统交通信号导出的时间描述符和从原始轨迹序列学习的时间嵌入，实现三分类换道意图预测，在highD和exiD数据集上取得高F1分数。

Symmetry-Compatible Principle for Optimizer Design: Embeddings, LM Heads, SwiGLU MLPs, and MoE Routers

优化器设计的对称性兼容原理：嵌入、LM头、SwiGLU MLP和MoE路由器

Tim Tsz-Kit Lau, Weijie Su

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Wharton School（沃顿商学院） 纠错

AI总结 针对现代神经网络参数空间的对称性与坐标级优化器之间的几何不匹配，提出对称性兼容的优化器设计原则，并针对嵌入矩阵、LM头、SwiGLU MLP投影和MoE路由器等特殊参数块导出相应更新规则，实验证明其改善验证损失、负载平衡和训练稳定性。

Comments Corrected typos and updated the list of references

Interpretable machine learning of halo gas density profiles: a sensitivity analysis of cosmological hydrodynamical simulations

晕气体密度分布的可解释机器学习：宇宙流体动力学模拟的敏感性分析

Daniele Sorini, Sownak Bose, Mathilda Denison, Romeel Davé

机构 * Institute for Computational Cosmology, Department of Physics, Durham University（计算宇宙学研究所，物理系，杜伦大学） ； Department of Physics and Astronomy, University of Pennsylvania（物理与天文学系，宾夕法尼亚大学） ； Institute for Astronomy, University of Edinburgh（天文研究所，爱丁堡大学） ； Department of Physics and Astronomy, University of the Western Cape（物理与天文学系，南非开普敦西部大学） 纠错

AI总结 利用随机森林算法预测晕内径向气体密度分布，并通过Sobol敏感性分析量化不同星系属性对气体分布的影响，发现晕总质量和中心星系气体质量与气体分布关联最强。

Comments Published in the Open Journal of Astrophysics

Journal ref The Open Journal of Astrophysics, Vol. 9, 23rd June 2026