University of Texas at Austin（得克萨斯大学奥斯汀分校）

State Your Intention to Steer Your Attention: An AI Assistant for Intentional Digital Living

阐明意图以引导你的注意力：一种用于有意数字生活的AI助手

Juheon Choi, Juyong Lee, Jian Kim, Chanyoung Kim, Taywon Min, W. Bradley Knox, Min Kyung Lee, Kimin Lee

机构 * Yonsei University（延世大学） ； Computer Science, University of Texas at Austin（德克萨斯大学计算机科学系） ； School of Information, University of Texas at Austin（德克萨斯大学信息学院） 纠错

AI总结 本文提出了一种基于AI的助手，通过分析用户意图和行为偏差，帮助用户保持专注并使数字行为与意图一致。

Comments Accepted to CHI 2026. 29 pages. Added Related Work, Discussion, and Acknowledgments

Does Generation Require Memorization? Creative Diffusion Models using Ambient Diffusion

生成是否需要记忆？利用环境扩散的创造性扩散模型

Kulin Shah, Alkis Kalavasis, Adam R. Klivans, Giannis Daras

机构 * UT Austin（得克萨斯大学） ； Yale University（耶鲁大学） ； MIT（麻省理工学院） 纠错

AI总结 本文提出了一种利用高噪声尺度数据训练的扩散模型方法，有效减少记忆性的同时保持生成质量。

Comments 33 pages

Seeing Beyond 8bits: Subjective and Objective Quality Assessment of HDR-UGC Videos

超越8位：HDR-UGC视频的主观和客观质量评估

Shreshth Saini, Bowen Chen, Neil Birkbeck, Yilin Wang, Balu Adsumilli, Alan C. Bovik

机构 * Laboratory for Image and Video Engineering (LIVE), UT Austin（图像与视频工程实验室（LIVE），得克萨斯大学奥斯汀分校） ； Google/YouTube（谷歌/YouTube） 纠错

AI总结 本文提出HDR-Q，首个针对HDR-UGC视频的多模态大语言模型，通过HDR感知编码器和HAPO框架实现超越8位的高质量视频评估。

UltraViCo: Breaking Extrapolation Limits in Video Diffusion Transformers

UltraViCo: 突破视频扩散变换器的 extrapolation 限制

Min Zhao, Hongzhou Zhu, Yingze Wang, Bokai Yan, Jintao Zhang, Guande He, Ling Yang, Chongxuan Li, Jun Zhu

机构 * Dept. of Comp. Sci. & Tech., BNRist Center, THU-Bosch ML Center, Tsinghua University（清华大学计算机科学与技术系，BNRist中心，THU-Bosch机器学习中心，清华大学） ； ShengShu（盛书） ； Gaoling School of Artificial Intelligence, Renmin University of China（北京理工大学人工智能学院，中国人民大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Princeton University（普林斯顿大学） 纠错

AI总结 UltraViCo通过抑制超出训练窗口的token注意力，突破视频扩散变换器的extrapolation限制，提升泛化能力和性能。

Comments ICLR2026. Project page: https://thu-ml.github.io/UltraViCo.github.io/

OBsmith: LLM-Powered JavaScript Obfuscator Testing

OBsmith: 基于大语言模型的JavaScript混淆器测试

Shan Jiang, Chenguang Zhu, Sarfraz Khurshid

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 OBsmith利用大语言模型系统测试JavaScript混淆器，发现11个正确性错误，凸显其在混淆诱导误操作方面的有效性。

Comments Accepted, to appear in OOPSLA 2026

Journal ref Proc. ACM Program. Lang. 10, OOPSLA1, Article 96 (April 2026), 30 pages

Massively Multimodal Foundation Models: A Framework for Capturing Interactions with Specialized Mixture-of-Experts

大规模多模态基础模型：一种捕捉交互的专用专家混合框架

Xing Han, Hsing-Huan Chung, Joydeep Ghosh, Paul Pu Liang, Suchi Saria

机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本文提出了一种大规模多模态基础模型框架，通过量化模态间的时间依赖性，改进混合专家路由机制，提升跨模态交互处理能力。

Comments Published at International Conference on Learning Representations (ICLR) 2026 as a conference paper. 28 pages, 16 figures, 10 tables

Calibrating Verbalized Confidence with Self-Generated Distractors

校准带有自生成干扰项的置信度

Victor Wang, Elias Stengel-Eskin

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 本研究提出DINCO方法，通过自生成干扰项和归一化置信度校准，提升大型语言模型的置信度估计准确性。

Comments ICLR 2026. Code: https://github.com/victorwang37/dinco

CASCADE: LLM-Powered JavaScript Deobfuscator at Google

CASCADE：谷歌的LLM驱动JavaScript去混淆工具

Shan Jiang, Pranoy Kovuri, David Tao, Zhixun Tan

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Google（谷歌） 纠错

AI总结 CASCADE是一种结合Gemini和JSIR的新型JavaScript去混淆工具，通过识别关键函数和转换代码以恢复原始语义，提升去混淆效率并减少逆向工程工作量。

Comments To appear in 2026 IEEE/ACM 48th International Conference on Software Engineering (ICSE-SEIP '26)

SounDiT: Geo-Contextual Soundscape-to-Landscape Generation

SounDiT：基于地理情境的声音景观到景观生成

Junbo Wang, Haofeng Tan, Bowen Liao, Albert Jiang, Teng Fei, Qixing Huang, Bing Zhou, Zhengzhong Tu, Shan Ye, Yuhao Kang

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Tennessee, Knoxville（田纳西大学基洛纳分校） ； University of South Carolina（南卡罗来纳大学） ； Arizona State University（亚利桑那州立大学） ； University of Canterbury（坎特伯雷大学） ； Texas A&M University（德克萨斯A&M大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 SounDiT通过结合环境声音景观和地理情境条件，生成地理上一致的景观图像，并引入Place Similarity Score评估生成一致性。

Comments 12 pages, 4 figures

Property-Driven Evaluation of GNN Expressiveness at Scale: Datasets, Framework, and Study

基于属性的大规模GNN表达性评估：数据集、框架与研究

Sicong Che, Jiayi Yang, Sarfraz Khurshid, Wenxi Wang

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Virginia（弗吉尼亚大学） 纠错

AI总结 本文提出了一种基于属性的GNN表达性评估方法，通过生成大规模数据集和评估框架，研究了不同池化方法对GNN表达性的影响，揭示了不同方法在通用性、敏感性和鲁棒性上的权衡。