University of Pennsylvania（宾夕法尼亚大学）

ProtoFlow: Mitigating Forgetting in Class-Incremental Remote Sensing Segmentation via Low-Curvature Prototype Flow

ProtoFlow: 通过低曲率原型流缓解类别增量遥感分割中的遗忘

Jiekai Wu, Rong Fu, Chuangqi Li, Zijian Zhang, Guangxin Wu, Hao Zhang, Shiyin Lin, Jianyuan Ni, Yang Li, Dongxu Zhang, Amir H. Gandomi, Simon Fong, Pengbin Feng

机构 * Faculty of Health Data Science, Juntendo University（静冈大学健康数据科学学院） ； The Institute of Collaborative Innovation, University of Macau（澳门大学协同创新研究所） ； Department of Information and Computing Sciences, Faculty of Science, Utrecht University（乌得勒支大学科学学院信息与计算科学系） ； Department of Computer and Information Science, University of Pennsylvania（宾夕法尼亚大学计算机与信息科学系） ； School of Computer Science, University of Chinese Academy of Sciences（中国科学院大学计算机科学学院） ； Department of Computer & Information Science & Engineering, University of Florida（佛罗里达大学计算机与信息科学与工程系） ； Department of Computer Science, Juniata College（朱尼塔学院计算机科学系） ； National Engineering Research Center for Beijing Biochip Technology（北京生物芯片工程技术研究中心） ； CapitalBio Corporation（资本生物公司） ； Faculty of Engineering & Information Technology, University of Technology Sydney（悉尼科技大学工程与信息技术学院） ； University Research and Innovation Center (EKIK), Obuda University（布达佩斯大学研究与创新中心（EKIK）） ； Faculty of Science and Technology, University of Macau（澳门大学科学与技术学院） ； Department of Mathematics, University of Southern California（南加州大学数学系） 纠错

AI总结 本文提出ProtoFlow，一种时间感知的原型动态框架，通过将类别原型建模为轨迹并学习其演变，以缓解遥感分割中的遗忘问题，实验表明其在多个基准上取得了显著提升。

Comments In the previous version, Juntendo University was erroneously listed as the affiliation; we must clarify that this paper has absolutely no relation to Juntendo University. Therefore, we have replaced this affiliation in the new version

Mitigating Hallucinations via Inter-Layer Consistency Aggregation in Large Vision-Language Models

通过层间一致性聚合缓解大型视觉-语言模型中的幻觉

Kai Tang, Jinhao You, Yichen Guo, Yiding Sun, Dongxu Zhang, Wenya Wang, Hanze Li, Tao Luo, Renyuan Li, Xiande Huang, Shanghang Zhang

机构 * Peking University（北京大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Nanyang Technological University（南洋理工大学） ； Tsinghua University（清华大学） ； Virginia Tech（弗吉尼亚理工大学） ； University of Electronic Science and Technology of China（电子科技大学） ； De Artificial Intelligence Lab（人工智能实验室） 纠错

AI总结 提出训练无关的解码方法DCLA，通过聚合前层表示构建动态语义参考并纠正语义偏差层，增强层间一致性，在多个LVLM和基准上显著降低幻觉。

AI Coaching for Accelerating Human Skill Development with Reinforcement Learning

AI教练：利用强化学习加速人类技能发展

Wei Wang, Enlin Gu, Antonio Loquercio, Haimin Hu, Rahul Mangharam

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 本文提出一种基于非合作动态博弈和强化学习的AI教练框架，通过自适应共享控制和因果影响模型加速人类运动技能发展，在无人机竞速用户研究中显著提升学习效果。

RAVEN: Long-Horizon Reasoning & Navigation with a Visuo-Spatio-Temporal Memory

RAVEN: 基于视觉-空间-时间记忆的长期推理与导航

Yixun Hu, Zhicheng Zheng, Lihan Zha, Chunwei Xing, Rajdeep Singh, Omar Hossain, Antonio Loquercio, Dhruv Shah

机构 * Princeton University（普林斯顿大学） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 提出RAVEN记忆系统，通过存储视觉嵌入与位姿时间信息，实现长期机器人问答与导航，在多个基准上超越字幕记忆系统，以10倍更低检索成本匹配前沿VLM。

Comments Project website: https://ravenmem.github.io/

Project Auto-World: Towards Automated Benchmarking of Neural Relational Reasoners

Project Auto-World: 迈向神经关系推理器的自动化基准测试

Anirban Das, Joanne Boisson, Irtaza Khalid, Sumita Garai, Steven Schockaert

机构 * Cardiff University（卡迪夫大学） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 利用大语言模型自动化生成基准测试实例，通过进化搜索和自主代理搜索发现困难样本，提升Edge Transformer的泛化能力，并应用于新世界以推动神经关系推理的自主研究。

Comments Submitted to NeurIPS 2026 E&D track. Code is available at https://github.com/autoworldrules/auto-world-rules

SDE-Driven Spatio-Temporal Hypergraph Neural Networks for Irregular Longitudinal fMRI Connectome Modeling in Alzheimer's Disease

SDE驱动的时空超图神经网络用于阿尔茨海默病不规则纵向fMRI连接组建模

Ruiying Chen, Yutong Wang, Houliang Zhou, Wei Liang, Yong Chen, Lifang He

机构 * Lehigh University（莱恩大学） ； New York University（纽约大学） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 提出SDE-HGNN，利用随机微分方程重建不规则观测的连续潜在轨迹，构建动态超图捕获脑区高阶交互，并通过SDE控制的循环动力学实现疾病阶段自适应连接建模，在AD进展预测中优于现有方法。

Comments Submitted to AMIA Annual Symposium 2026, 10 pages, 4 figures

OmegAMP: Targeted AMP Discovery via Biologically Informed Generation

OmegAMP：通过生物信息引导的靶向抗菌肽发现

Diogo Soares, Leon Hetzel, Paulina Szymczak, Marcelo Der Torossian Torres, Johanna Sommer, Cesar de la Fuente-Nunez, Fabian Theis, Stephan Günnemann, Ewa Szczurek

机构 * Institute of AI for Health, Helmholtz Munich（海德堡-慕尼黑人工智能与健康研究所） ； School of Computation, Information and Technology, Technical University of Munich（慕尼黑技术大学计算、信息与技术学院） ； Institute of Computational Biology, Helmholtz Munich（海德堡-慕尼黑计算生物学研究所） ； Munich Data Science Institute, Technical University of Munich（慕尼黑技术大学慕尼黑数据科学研究所） ； Faculty of Medicine, Ludwig Maximilian University of Munich（慕尼黑路德维希-马克西米利安大学医学院） ； Machine Biology Group, Departments of Psychiatry and Microbiology, Institute for Biomedical Informatics, Institute for Translational Medicine and Therapeutics, Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学马歇尔医学中心机器生物学组） ； Departments of Bioengineering and Chemical and Biomolecular Engineering, University of Pennsylvania（宾夕法尼亚大学生物工程与化学与生物分子工程系） ； Department of Chemistry, School of Arts and Sciences, University of Pennsylvania（宾夕法尼亚大学化学系） ； Penn Institute for Computational Science, University of Pennsylvania（宾夕法尼亚大学宾夕法尼亚计算科学研究所） ； TUM School of Life Sciences, Technical University of Munich（慕尼黑技术大学生命科学学院） ； Faculty of Mathematics, Informatics and Mechanics, University of Warsaw（华沙大学数学、信息学与力学系） 纠错

AI总结 提出OmegAMP框架，利用扩散模型和生物信息编码空间实现可控抗菌肽生成，结合数据增强分类器降低假阳性，在湿实验中达到96%活性率。

LLM Program Optimization via Retrieval Augmented Search

通过检索增强搜索实现LLM程序优化

Sagnik Anupam, Alexander Shypula, Osbert Bastani

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

AI总结 提出检索增强搜索（RAS）方法，利用LLM进行黑盒程序优化，通过检索慢-快程序对引导束搜索，并基于LLM生成的自然语言描述进行上下文检索，显著优于源码检索；同时提出AEGIS方法通过原子编辑提升可解释性。

Comments ACL 2026 Findings

From Spatial to Spectral: An Efficient, Frequency-Guided Feature Representation Learner for Small Object Detection

从空间到频谱：一种用于小目标检测的高效频率引导特征表示学习器

Yuhan Rui, Shihan Qiao, Yibin Lou, Mingxi Yu, Yutong Wan, Yanqiao Chen, Dongsheng Hou, Zhen Cao, Athena Zhuoming Zhong, Qi Hao

机构 * Southern University of Science and Technology（南方科技大学） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 提出从空间域转向频谱域的特征处理范式，通过频率引导特征表示框架和轻量级DER算子（WDG、LGE、FDHead），在多个基准上以1/6参数超越YOLOv11。

Task Vector Bases: A Unified and Scalable Framework for Compressed Task Arithmetic

任务向量基：一种统一且可扩展的压缩任务算术框架

Siqi Zeng, Yifei He, Meitong Liu, Weiqiu You, Yifan Hao, Yao-Hung Hubert Tsai, Makoto Yamada, Han Zhao

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Pennsylvania（宾夕法尼亚大学） ； Okinawa Institute of Science and Technology（冲绳科学技术大学院大学） 纠错

AI总结 提出任务向量基框架，将T个任务向量压缩为M<T个基向量，支持加法、否定等算术操作，理论保证泛化与遗忘，实验表明压缩后性能优于或持平完整集合。

Comments Published as a journal paper at TMLR in Jun 2026. 10 pages, 12 figures

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

Efficient and Sound Probabilistic Verification for AI Agents

高效且可靠的AI智能体概率验证

Alaia Solko-Breslin, Pramod Kaushik Mudrakarta, Mihai Christodorescu, Somesh Jha, Krishnamurthy Dj Dvijotham

机构 * Google DeepMind（谷歌DeepMind） ； Google（谷歌） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 提出基于分布鲁棒优化的框架，为AI智能体在复杂数字环境中的概率策略违规提供可靠上界，无需独立性假设，在终端和工具调用智能体基准上优于现有方法。

Neural Events: Discrete Asynchronous Autoencoders for Event-Based Vision

神经事件：用于事件视觉的离散异步自编码器

Roberto Pellerito, Daniel Gehrig, Shintaro Shiba, Davide Scaramuzza

机构 * Robotics and Perception Group, University of Zurich（苏黎世大学机器人感知组） ； University of Pennsylvania（宾夕法尼亚大学） ； The University of Tokyo（东京大学） ； Keio University（庆应义塾大学） 纠错

AI总结 提出将事件流重新标记为少量高信息量的“神经事件”，每个事件代表一个局部时空上下文窗口的离散可学习编码，在物体检测和分类任务中达到或超越现有方法，同时将事件率降低2.0倍。

cAPM: Continual AI-Assisted Pace-Mapping with Active Learning

cAPM：具有主动学习的持续AI辅助起搏标测

Dylan O'Hara, Pradeep Bajracharya, Casey Meisenzahl, Karli Gillette, Anton J. Prassl, Gernot Plank, Saman Nazarian, Roderick Tung, John L Sapp, Linwei Wang

机构 * Rochester Institute of Technology（罗切斯特理工学院） ； University of Utah（犹他大学） ； Scientific Computing and Imaging Institute, University of Utah（犹他大学科学计算与成像研究所） ； Medical University of Graz（格拉茨医科大学） ； University of Pennsylvania Perelman School of Medicine（宾夕法尼亚大学佩雷尔曼医学院） ； The University of Arizona College of Medicine（亚利桑那大学医学院） ； Dalhousie University（达尔豪斯大学） 纠错

AI总结 提出cAPM框架，通过任务无关的代理神经网络、主动学习和持续学习策略，在减少起搏标测数据量的同时，实现跨室性心动过速的知识迁移，将定位精度提升至81%。

Optimal Deterministic Multicalibration and Omniprediction

最优确定性多校准与全预测

Georgy Noarov, Aaron Roth

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

AI总结 本文提出一种确定性算法，实现多校准的极小化最优样本复杂度，并推广到结果不可区分性，解决确定性预测器是否必要的问题。

Gender Bias in LLM Hiring Decisions: Evidence from a Japanese Context and Evaluation of Mitigation Strategies

LLM招聘决策中的性别偏见：来自日本语境的证据及缓解策略评估

Serena A. Hoffstedde, Machiko Hirota, Akshara Nadayanur Sathis Kanna, Rihito Kotani, Ujwal Kumar, Gabriele Trovato, Phan Xuan Tan

机构 * Shibaura Institute of Technology, Tokyo, Japan（Shibaura技术学院，东京，日本） ； Amsterdam University of Applied Sciences, Amsterdam, Netherlands（阿姆斯特丹应用科学大学，阿姆斯特丹，荷兰） ； University of Pennsylvania, Philadelphia, USA（宾夕法尼亚大学，费城，美国） ； Carnegie Mellon University, Pittsburgh, USA（卡内基梅隆大学，匹兹堡，美国） ； Keio University, Tokyo, Japan（庆应大学，东京，日本） 纠错

AI总结 本研究通过60份日本履历书格式的简历和5个先进LLM，发现所有模型均存在显著的亲女性偏见，且简单的提示指令无法缓解，而移除姓名几乎完全消除该偏见。

Automated Standardization of Legacy Biomedical Metadata Using an Ontology-Constrained LLM Agent

使用本体约束的LLM代理自动化标准化遗留生物医学元数据

Josef Hardi, Martin J. O'Connor, Marcos Martinez-Romero, Jean G. Rosario, Stephen A. Fisher, Mark A. Musen

机构 * Division of Computational Medicine, Stanford University（斯坦福大学计算医学部） ； Department of Biology, University of Pennsylvania（宾夕法尼亚大学生物学系） 纠错

AI总结 提出基于LLM的元数据标准化系统，通过实时查询标准指南和本体服务，在839条HuBMAP记录上验证，相比纯LLM方法显著提升预测准确性。

Group-Sparse Matrix Factorization for Transfer Learning of Word Embeddings

面向词嵌入迁移学习的组稀疏矩阵分解

Kan Xu, Xuanyi Zhao, Hamsa Bastani, Osbert Bastani

机构 * W. P. Carey School of Business, Arizona State University（亚利桑那州立大学韦伯商学院） ； University of Pennsylvania（宾夕法尼亚大学） ； Wharton School, University of Pennsylvania（宾夕法尼亚大学沃顿商学院） 纠错

AI总结 提出一种基于组稀疏惩罚的两阶段估计器，通过结合大规模语料和少量领域数据高效迁移学习领域特定的词嵌入，并证明了其泛化误差界和非凸目标函数的局部最优与全局最优统计等价。

Strategic Feature Selection

战略特征选择

Jivat Neet Kaur, Pratik Patil, Divya Shanmugam, Emma Pierson, Michael I. Jordan, Nika Haghtalab, Meena Jagadeesan, Ahmed Alaa, Serena Wang

机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Texas, Austin（德克萨斯大学奥斯汀分校） ； Cornell Tech（康奈尔科技） ； Stanford University（斯坦福大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Harvard University（哈佛大学） ； Inria, Paris（巴黎Inria） 纠错

AI总结 研究通过特征选择和岭正则化应对战略操纵的分类问题，发现仅基于可操纵性排除特征通常次优，提出联合优化特征集与正则化水平的算法，并在医疗支付基准上验证。

DreamReg: Belief-Driven World Model for 2D-3D Ultrasound Registration

DreamReg：基于信念驱动的世界模型用于2D-3D超声配准

Luoyao Kang, Yuelin Zhang, Jiwei Shan, Haifan Gong, Qingpeng Ding, Shing Shin Cheng

机构 * T Stone Robotics Institute, The Chinese University of Hong Kong（香港中文大学T Stone机器人研究所） ； Multi-scale Medical Robotics Center（多尺度医疗机器人中心） ； Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院） 纠错

AI总结 提出DreamReg框架，将2D-3D超声配准建模为信念更新，通过世界模型模拟探头运动并整合想象结果，在CAMUS和u-RegPro数据集上实现鲁棒且准确的实时配准。

RegimeVGGT: Layer-Wise Spatially Preserving Redundancy Removal for Visual Geometry Grounded Transformer

RegimeVGGT：面向视觉几何基础Transformer的逐层空间保持冗余去除

Jinhao You, Shuo Lyu, Zhuohang Lyu, Tanxuan Li, Zibo Zhao, Jiaxiang Hu, Kai Tang, Yichen Guo

机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of California, Irvine（加利福尼亚大学尔湾分校） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 提出RegimeVGGT，通过逐层U形压缩（显著性引导带状合并与选择性保护K/V下采样）去除冗余，在保持重建质量的同时实现6.7倍加速。

Comments 9 pages, 3 figures, 7 tables. Jinhao You, Shuo Lyu, Zhuohang Lyu, Tanxuan Li, and Zibo Zhao contributed equally. Shuo Lyu is the corresponding author

Guava: An Effective and Universal Harness for Embodied Manipulation

Guava: 一种有效且通用的具身操作工具框架

Haowen Liu, Xirui Li, Shaoxiong Yao, Peng Shi, Tianyi Zhou, Jia-Bin Huang, Furong Huang, Jiayuan Mao

机构 * University of Maryland College Park（马里兰大学帕克分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Waterloo（滑铁卢大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Amazon FAR（亚马逊 FAR） 纠错

AI总结 提出Guava框架，通过迭代感知-推理-行动循环、语义动作抽象和多模态观测三大关键设计，将具身操作能力蒸馏到4B开源模型中，在仿真和真实环境中性能媲美前沿专有模型。

EvoArena: Tracking Memory Evolution for Robust LLM Agents in Dynamic Environments

EvoArena: 追踪记忆演化以构建动态环境中的鲁棒LLM智能体

Jundong Xu, Qingchuan Li, Jiaying Wu, Yihuai Lan, Shuyue Stella Li, Huichi Zhou, Bowen Jiang, Lei Wang, Jun Wang, Anh Tuan Luu, Caiming Xiong, Hae Won Park, Bryan Hooi, Zhiyuan Hu

机构 * National University of Singapore（新加坡国立大学） ； Singapore Management University（新加坡管理大学） ； University of Washington（华盛顿大学） ； University College London（伦敦大学学院） ； University of Pennsylvania（宾夕法尼亚大学） ； Nanyang Technological University（南洋理工大学） ； Recursive ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 提出EvoArena基准套件模拟终端、软件和社交领域的渐进环境变化，并设计基于补丁的记忆范式EvoMem记录结构化更新历史，使智能体能通过记忆变化推理环境演化，实验表明当前智能体在动态环境中表现不佳，EvoMem可稳定提升性能。