University of Southern California（南加州大学）

Calibeating Made Simple

简化版的校准问题

Yurong Chen, Zhiyi Huang, Michael I. Jordan, Haipeng Luo

机构 * Inria École Normale Supérieure PSL Research University（Inria 法国国家科学研究中心巴黎高等师范学院） ； The University of Hong Kong（香港大学） ； University of California Berkeley（加州大学伯克利分校） ； University of Southern California（南加州大学） 纠错

AI总结 本文研究了校准问题，通过将校准问题转化为在线学习技术，获得了通用合适损失函数的校准结果，并提出了新的多校准率和校准同时优化方法。

Power-SMC: Low-Latency Sequence-Level Power Sampling for Training-Free LLM Reasoning

Power-SMC：低延迟序列级功率采样用于训练自由LLM推理

Seyedarmin Azizi, Erfan Baghaei Potraghloo, Minoo Ahmadi, Souvik Kundu, Massoud Pedram

机构 * University of Southern California（南加州大学） ； Intel Labs（英特尔实验室） 纠错

AI总结 本文提出Power-SMC，一种低延迟的序列级功率采样方法，用于训练自由的大语言模型推理，通过并行粒子集和重要权重修正提升推理效率。

First Frame Is the Place to Go for Video Content Customization

视频内容定制中的首帧至关重要

Jingxi Chen, Zongxia Li, Zhichao Liu, Guangyao Shi, Xiyang Wu, Fuxiao Liu, Cornelia Fermuller, Brandon Y. Feng, Yiannis Aloimonos

机构 * University of Maryland（马里兰大学） ； USC（南加州大学） ； MIT（麻省理工学院） ； NVIDIA（NVIDIA公司） 纠错

AI总结 本文揭示视频生成模型将首帧视为概念记忆缓冲区，通过少量训练示例实现鲁棒且通用的视频内容定制。

Comments Accepted to CVPR 2026

Understanding Contextual Recall in Transformers: How Finetuning Enables In-Context Reasoning over Pretraining Knowledge

理解Transformer中的上下文回忆：微调如何使模型在预训练知识上进行上下文推理

Bhavya Vasudeva, Puneesh Deora, Alberto Bietti, Vatsal Sharan, Christos Thrampoulidis

机构 * University of Southern California（南加州大学） ； University of British Columbia（不列颠哥伦比亚大学） ； Flatiron Institute（Flatiron研究所） 纠错

AI总结 本文研究了Transformer模型在上下文学习中如何通过微调实现对预训练知识的推理，探讨了预训练和微调对上下文回忆能力的影响及机制。

Comments 28 pages, 26 figures

Neural collapse in the orthoplex regime

在正八面体 regime 中的神经坍缩

James Alcala, Rayna Andreeva, Vladimir A. Kobzar, Dustin G. Mixon, Sanghoon Na, Shashank Sule, Yangxinyu Xie

机构 * Department of Mathematics, University of Southern California（南加州大学数学系） ； School of Informatics, University of Edinburgh（爱丁堡大学信息学院） ； Department of Mathematics, The Ohio State University（俄亥俄州立大学数学系） ； Translational Data Analytics Institute, The Ohio State University（俄亥俄州立大学转化数据分析研究所） ； Department of Mathematics, University of Maryland（马里兰大学数学系） ； Department of Statistics and Data Science, University of Pennsylvania（宾夕法尼亚大学统计与数据科学系） 纠错

AI总结 研究在正八面体 regime 中神经网络特征向量的几何特性，利用Radon定理和凸性分析不同场景下的坍缩现象。

Large Reward Models: Generalizable Online Robot Reward Generation with Vision-Language Models

大奖励模型：基于视觉-语言模型的通用在线机器人奖励生成

Yanru Wu, Weiduo Yuan, Ang Qi, Vitor Guizilini, Jiageng Mao, Yue Wang

机构 * USC Physical Superintelligence Lab（USC物理超智能实验室） ； Toyota Research Institute（丰田研究院） 纠错

AI总结 本文提出利用视觉-语言模型生成通用在线机器人奖励，通过零样本方式提升策略学习效率，实验显示在30次迭代内显著提高初始策略成功率。

MANA: Towards Efficient Mobile Ad Detection via Multimodal Agentic UI Navigation

MANA：通过多模态代理UI导航实现高效的移动广告检测

Yizhe Zhao, Yongjian Fu, Zihao Feng, Hao Pan, Yongheng Deng, Yaoxue Zhang, Ju Ren

机构 * Department of Computer Science and Technology（计算机科学与技术系） ； University of Southern California（南加州大学） ； Shanghai Jiao Tong University（上海交通大学） ； State Key Laboratory of Internet Architecture（互联网架构国家重点实验室） 纠错

AI总结 本文提出MANA框架，通过整合多种信号实现高效移动广告检测，提升准确率和效率，有效识别隐蔽恶意广告。

Seamless Deception: Larger Language Models Are Better Knowledge Concealers

无缝欺骗：大语言模型更擅长知识隐藏

Dhananjay Ashok, Ruth-Ann Armstrong, Jonathan May

机构 * Information Sciences Institute, University of Southern California（南加州大学信息科学研究所） 纠错

AI总结 研究探讨大语言模型在被审查时主动隐藏知识的能力，发现基于梯度的方法比提示方法更易检测，但模型规模增大时检测效果下降，揭示了黑盒审计的局限性。