OFlow: Injecting Object-Aware Temporal Flow Matching for Robust Robotic Manipulation
OFlow：注入对象感知的时间流匹配以实现稳健的机器人操作
机构 * Fudan University（复旦大学） ； University of Southern California（南加州大学）
AI总结 OFlow通过统一时间预测和对象感知推理，提升机器人操作的鲁棒性，实验表明对象感知预测增强了任务成功率。
高校专区
University of Southern California（南加州大学）
VIDEOP2R: Video Understanding from Perception to Reasoning
VIDEOP2R：从感知到推理的视频理解
机构 * USC（USC大学） ； Amazon（亚马逊） ； Keystone AI
AI总结 VIDEOP2R提出一种过程感知的视频RFT框架，通过三步流程生成高质量CoT数据集，并引入PA-GRPO算法提升视频推理性能，实现在七个基准中的六个达到SotA水平。
Comments CVPR Findings 2026
PDDL-Mind: Large Language Models are Capable on Belief Reasoning with Reliable State Tracking
PDDL-Mind：大型语言模型在具有可靠状态跟踪的信念推理中表现出色
机构 * University of Southern California（南加州大学）
AI总结 PDDL-Mind通过将叙述描述转换为显式状态和动作，为LLM提供了一致的世界状态表示，从而在信念推理任务中提升了性能。
Understanding Secret Leakage Risks in Code LLMs: A Tokenization Perspective
理解代码大语言模型中的秘密泄露风险：从分词角度出发
机构 * The Chinese University of Hong Kong（香港中文大学） ； Nanyang Technological University（南洋理工大学） ； University of Southern California（南加州大学） ； Fudan University（复旦大学）
AI总结 研究揭示代码大语言模型中因分词方式导致的秘密泄露问题，指出BPE分词引发的'垃圾话偏差'现象，并探讨其成因及缓解策略。
Comments Accepted by ACL 26 Findings
How Much Data is Enough? The Zeta Law of Discoverability in Biomedical Data, featuring the enigmatic Riemann zeta function
需要多少数据？生物医学数据的发现率ζ定律，涉及神秘的黎曼ζ函数
机构 * Stevens Institute for Neuroimaging & Informatics（神经影像与信息学史蒂文斯研究所） ； University of Southern California（南加州大学） ； Los Angeles, CA, USA（洛杉矶，加利福尼亚州，美国）
AI总结 本文提出基于数据协方差算子谱结构的跨模态发现率定律框架，揭示性能指标与ζ函数的关系，为数据规模、表示学习和多模态扩展提供理论指导。
Comments 25 pages, 5 figures
CoAct: Co-Active LLM Preference Learning with Human-AI Synergy
CoAct：基于人机协同的LLM偏好学习
机构 * Northwestern University（西北大学） ； Google（谷歌） ； University of Southern California（南加州大学） ； University of Washington（华盛顿大学）
AI总结 本文提出CoAct框架，通过策略性的人机协作结合自奖励与主动学习，提升LLM在不同任务中的对齐效果，在三个推理基准测试中取得显著提升。
Comments ACL 2026
Do LLM-derived graph priors improve multi-agent coordination?
基于大语言模型的图先验是否能提升多智能体协调？
机构 * University of Southern California（南加州大学） ； DEVCOM ARL Army Research Office（美国陆军研究办公室）
AI总结 本文探讨大语言模型能否通过少量自然语言描述推断出多智能体协调的图先验，以提升动态环境中的协调与适应能力。
Uncertainty Quantification in LLM Agents: Foundations, Emerging Challenges, and Opportunities
大语言模型代理中的不确定性量化：基础、新兴挑战与机遇
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Carnegie Mellon University（卡内基梅隆大学） ； Nanyang Technological University（南洋理工大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Southern California（南加州大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本文探讨了大语言模型代理中不确定性量化的基础、挑战及未来方向，提出新的框架并分析了现实场景中的技术难题。
Comments ACL 2026 Main Conference
Beyond URLs: Metadata Diversity and Position for Efficient LLM Pretraining
超越URLs：元数据多样性与位置对高效LLM预训练的影响
机构 * EPFL（苏黎世联邦理工学院） ； University of Southern California（南加州大学）
AI总结 本文研究了元数据类型对LLM预训练的影响，发现细粒度文档质量指标能提升训练效率，并提出元数据追加方法以加速预训练过程。
Comments ICLR 2026
Data Compressibility Quantifies LLM Memorization
数据压缩性量化大语言模型的记忆性
机构 * The Chinese University of Hong Kong（香港中文大学） ； Nanyang Technological University（南洋理工大学） ； University of Southern California（南加州大学） ； Meta
AI总结 本文通过数据压缩性量化大语言模型的记忆性，发现集级别指标能揭示熵与记忆性之间的线性关系。
Comments accepted by TMLR
Attributing Culture-Conditioned Generations to Pretraining Corpora
将文化条件化生成归因于预训练语料
机构 * University of Southern California（南加州大学） ； IIIT Delhi（德里印度理工学院）
AI总结 研究通过分析预训练数据模式，探讨预训练如何导致文化条件化生成的偏差，提出MEMOed框架以识别记忆化生成，并发现高频文化生成更多记忆符号，而低频文化则无生成。
LLMs can persuade only psychologically susceptible humans on societal issues, via trust in AI and emotional appeals, amid logical fallacies
LLMs只能通过信任AI和情感诉求说服心理上易受影响的人群在社会问题上的观点，尽管存在逻辑谬误
机构 * organization= CogNosco Lab, Department of Psychology ； Cognitive Science, University of Trento , city= Rovereto , country= Italy ； organization= Institute of Information Science ； Technologies ``Alessandro Faedo", National Research Council , country= Italy ； organization= Thomas Lord Department of Computer Science, University of Southern California , city= Los Angeles , state= California , country= USA ； organization= Department of Sociology ； Social Research, University of Trento , city= Trento , country= Italy ； organization= Centre for Behavioural ； Implementation Sciences in Medicine (BISI), National University of Singapore , city= Singapore , country= Singapore
AI总结 本文通过Talk2AI框架研究LLM在时间演变的心理框架下对社会议题的说服力，发现人类对AI的可信度和情感诉求影响其观点变化，同时揭示了逻辑谬误在说服过程中的作用。
Mapping Election Toxicity on Social Media across Issue, Ideology, and Psychosocial Dimensions
在选举议题、意识形态和心理社会维度上映射社交媒体上的选举毒性
机构 * University of Southern California（南加州大学）
AI总结 研究通过分析社交媒体上的选举讨论，探讨毒性在不同议题、意识形态及心理社会维度上的差异，揭示毒性表达的驱动因素及情感与道德框架的影响。
Interdisciplinary Workshop on Mechanical Intelligence: Summary Report
机械智能跨学科研讨会：总结报告
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Pittsburgh（匹兹堡大学） ； Purdue University（Purdue 大学） ； University of Michigan（密歇根大学） ； Tufts University（塔夫茨大学） ； Oregon State University（俄勒冈州立大学） ； Case Western Reserve University（凯斯西储大学） ； John’s Hopkins University（约翰·霍普金斯大学） ； Boston University（波士顿大学） ； University of Southern California（南加州大学） ； University of California at Berkeley（加州大学伯克利分校） ； Penn State University（宾夕法尼亚州立大学） ； Northeastern University（东北大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Colorado Boulder（科罗拉多大学 Boulder 分校） ； New Mexico State University（新墨西哥州立大学） ； University of Notre Dame（诺丁汉大学） ； Stanford University（斯坦福大学）
AI总结 本报告总结了2024年机械智能跨学科研讨会的成果，探讨了机械结构自身通过响应性、适应性、记忆和学习编码智能的现象，以及其与计算智能的区别。
FedBCD:Communication-Efficient Accelerated Block Coordinate Gradient Descent for Federated Learning
FedBCD：用于联邦学习的通信高效加速块坐标梯度下降法
机构 * School of Artificial Intelligence Xi'an Xidian University, China ； College of Intelligence ； Computing Tianjin Tianjin University, China ； Medical College, Tianjin University\ Cheng Laboratory Tianjin China ； University of Southern California Los Angeles US ； School of Artificial Intelligence ； Medical College, Tianjin University\ Cheng Laboratory ； University of Southern California
AI总结 本文提出FedBCGD方法，通过划分模型参数为多个块以降低通信开销，并开发FedBCGD+算法实现加速，首次在大规模深度模型中应用参数块通信。
Journal ref ACM MM 2024
eCP: Equivariant Conformal Prediction with pre-trained models
eCP：基于预训练模型的等变符合预测
机构 * GRASP Laboratory, Department of Electrical & Systems Engineering, University of Pennsylvania（宾夕法尼亚大学电气与系统工程系GRASP实验室） ； Department of Computer Science, University of Southern California（南加州大学计算机科学系） ； Automatic Control Laboratory, ETH Zürich（苏黎世联邦理工学院自动控制实验室）
AI总结 本文提出eCP方法，通过结合几何信息和预训练模型，改进符合预测的不确定性区域，提升高置信度下的预测精度。
ID-PaS+ : Identity-Aware Predict-and-Search for General Mixed-Integer Linear Programs
ID-PaS+ : 基于身份的预测与搜索用于通用混合整数线性规划
机构 * University of Southern California（南加州大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出ID-PAS+框架，通过身份感知学习方法提升混合整数线性规划求解性能，实验证明其优于Gurobi和传统PAS方法。
Sobolev Gradient Ascent for Optimal Transport: Barycenter Optimization and Convergence Analysis
机构 * Department of ACMS University of Notre Dame（ACMS系，诺特大学） ； Department of Mathematics University of California（数学系，加州大学） ； Department of Mathematics University of Southern California（数学系，南加州大学）
Neural Network-Based Score Estimation in Diffusion Models: Optimization and Generalization
基于神经网络的扩散模型分数估计：优化与泛化
机构 * Department of Management Science and Engineering, Stanford University（斯坦福大学管理科学与工程系） ； Daniel J. Epstein Department of Industrial and Systems Engineering, University of Southern California（南加州大学工业与系统工程系）
AI总结 本文提出基于梯度下降训练的神经网络分数估计框架，解决扩散模型中优化与泛化问题，通过参数化方法将去噪分数匹配转化为回归问题，并建立首个最小最大最优泛化界限。
Comments 58 pages
