University of Southern California（南加州大学）

FRIEDA: Benchmarking Multi-Step Cartographic Reasoning in Vision-Language Models

FRIEDA：评估视觉语言模型中多步骤制图推理的基准

Jiyoon Pyo, Yuankun Jiao, Dongwon Jung, Zekun Li, Leeje Jang, Sofia Kirsanova, Jina Kim, Yijun Lin, Qin Liu, Junyi Xie, Hadi Askari, Nan Xu, Muhao Chen, Yao-Yi Chiang

机构 * University of Minnesota-Twin Cities（明尼苏达大学双城分校） ； University of California, Davis（加州大学戴维斯分校） ； University of Southern California（南加州大学） 纠错

AI总结 FRIEDA 是一个评估视觉语言模型多步骤制图推理能力的基准，通过多步骤推理和跨地图定位测试，揭示了当前模型在空间智能方面的不足。

Comments Accepted to ICLR 2026

Universal Beta Splatting

通用贝塔散射

Rong Liu, Zhongpai Gao, Benjamin Planche, Meida Chen, Van Nguyen Nguyen, Meng Zheng, Anwesa Choudhuri, Terrence Chen, Yue Wang, Andrew Feng, Ziyan Wu

机构 * University of Southern California（南加州大学） ； United Imaging Intelligence（联合影像智能） 纠错

AI总结 通用贝塔散射提出了一种统一框架，通过各向异性贝塔核实现显式光场渲染，能有效处理复杂光传输和动态场景，优于现有方法。

Comments ICLR 2026

Apprenticeship learning with prior beliefs using inverse optimization

基于先验信念的逆优化 apprenticeship 学习

Mauricio Junca, Esteban Leiva

机构 * Department of Mathematics（数学系） ； University of Southern California（南加州大学） 纠错

AI总结 本文提出基于先验信念的逆优化方法，将正则化应用于apprenticeship学习问题，通过随机镜像下降算法解决不恰当性问题，并验证正则化在学习成本函数和策略中的重要性。

Journal ref Machine Learning (2026) 115:43

QD-MAPPER: A Quality Diversity Framework to Automatically Evaluate Multi-Agent Path Finding Algorithms in Diverse Maps

QD-MAPPER: 一种用于在多样化地图上自动评估多智能体路径寻找算法的质量多样性框架

Cheng Qian, Yulun Zhang, Varun Bhatt, Matthew Christopher Fontaine, Stefanos Nikolaidis, Jiaoyang Li

机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Southern California（南加州大学） 纠错

AI总结 QD-MAPPER是一种基于质量多样性算法的框架，用于在多样化地图上自动评估多智能体路径寻找算法的性能，通过生成多样化地图实现对不同算法的公平比较和性能分析。

Comments 14 pages, 23 figures