University of Southern California（南加州大学）

MIRROR: Learning from the Other View for Multi-Modal Reasoning

MIRROR：从其他视角学习以进行多模态推理

Wen Ye, Yuxiao Qu, Aviral Kumar, Xuezhe Ma

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

AI总结 研究视觉语言模型在几何问题多模态推理上的不足，构建ODA-Data数据集，提出模态感知互惠推理优化（MIRROR）方法，通过强化学习自我监督，提升多模态推理能力，在相关基准测试中表现更优。

QuantiBias: Benchmarking Quantization-Induced Bias in LLMs

QuantiBias：量化大语言模型中量化诱导偏差的基准测试

Emilio Ferrara

机构 * University of Southern California（南加州大学） 纠错

AI总结 研究大语言模型量化中的偏差问题，提出QuantiBias基准测试，通过结合多种控制和对比有无推理的构建来评估偏差，发现量化器按无偏差预防信号的数据分配精度，推理对部分偏差有减半效果，强调需重新评估量化模型的开放式偏差。

Comments Benchmark protocol on Hugging Face: https://huggingface.co/datasets/emilioferrara/quantibias

FELT: Generating Tactile Signals from Vision for Visuo-Tactile Manipulation

FELT：从视觉生成触觉信号用于视觉触觉操纵

Zinan Li, Yiyang Ling, Yuming Gu, Binghao Huang, Chenhao Liang, Sharfin Islam, Hisham Bedri, John Chirikjian, Yunzhu Li, Stefanos Nikolaidis, Daniel Seita

机构 * Viterbi School of Engineering, University of Southern California（南加州大学维特比工程学院） ； Columbia University（哥伦比亚大学） ； Starpilot（星航） 纠错

AI总结 研究针对触觉数据稀缺问题，提出FELT框架，利用视觉编码器和查询解码器从RGB观测合成触觉图像，通过单独分支解码左右传感器面板，实验表明该方法能提升策略成功率，潜在特征训练和部署无需真实触觉传感器。

Comments 26 pages, including supplementary material

Toward Mechanistic Interpretability of an AI Foundation Model Fine-Tuned for Atmospheric Chemistry

迈向针对大气化学进行微调的人工智能基础模型的机理可解释性

Jason Y. Hu, Ivan Higuera-Mendieta, Patrick Obin Sturm, Makoto M. Kelp

机构 * Stanford University（斯坦福大学） ； University of Southern California（南加州大学） ； University of Utah（犹他大学） 纠错

AI总结 研究针对大气化学微调的人工智能基础模型学到了什么，通过对微软Aurora模型施加化学扰动、检查内部表示等方法，发现其虽捕捉到部分臭氧响应但未执行化学约束，提供了测试模型是否学大气化学的框架，强调预测应依内部机制评判。

Spectral Concentration and Recovery in Sparse High-Dimensional Random Geometric Graphs

稀疏高维随机几何图中的谱集中与恢复

Manuel Fernandez, Yizhe Zhu

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

AI总结 研究稀疏高维随机几何图，通过连接内积超阈值的向量对生成。证明了球面和高斯模型的谱范数界，改进恢复保证，还得到高斯混合块模型的精确恢复结果，采用新证明方法结合多种技术。

Comments 67 pages, 2 figures

Statistical Inference for Generative Model Comparison

生成模型比较的统计推断

Zijun Gao, Yan Sun, Han Su

机构 * Marshall School of Business, University of Southern California, USA（美国南加州大学马歇尔商学院） ； Department of Mathematical Science, New Jersey Institute of Technology, USA（美国新泽西理工学院数学科学系） ； School of Statistics, Beijing Normal University, People’s Republic of China（中国北京师范大学统计学院） 纠错

AI总结 研究如何比较不同生成模型与测试样本潜在分布的接近程度，核心方法是用KL散度衡量距离并扩展到条件生成模型，利用Edgeworth展开处理有限数据，在模拟及图像文本数据集上有有效覆盖率且结论有统计置信度。

Comments 35 pages, 25 figures