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

Zero-Shot Transferable Solution Method for Parametric Optimal Control Problems

参数最优控制问题的零样本可迁移求解方法

Xingjian Li, Kelvin Kan, Deepanshu Verma, Krishna Kumar, Stanley Osher, Ján Drgoňa

机构 * Oden Institute, UT Austin（UT奥斯汀奥登研究所） ； Department of Mathematics, UCLA（加州大学洛杉矶分校数学系） ； Department of Mathematical and Statistical Sciences, Clemson University（克莱姆斯大学数学与统计学系） ； Department of Civil and Systems Engineering, Johns Hopkins University（约翰霍普金斯大学土木与系统工程系） 纠错

AI总结 本文提出了一种基于函数编码器的可迁移求解方法，通过离线-在线分解实现对参数最优控制问题的高效零样本适应。

Comments 11 pages, 6 figures, 3 tables

UrbanAlign: Post-hoc Semantic Calibration for VLM-Human Preference Alignment

UrbanAlign: 域内任务中VLM与人类偏好对齐的后处理语义校准

Yecheng Zhang, Rong Zhao, Zhizhou Sha, Yong Li, Lei Wang, Ce Hou, Wen Ji, Hao Huang, Yunshan Wan, Jian Yu, Junhao Xia, Yuru Zhang, Chunlei Shi

机构 * Tsinghua University（清华大学） ； University College London（伦敦大学学院） ； Hong Kong University of Science and Technology（香港科学与技术大学） ； Peking University（北京大学） ； Southwest Jiaotong University（西南交通大学） ； Zhejiang University（浙江大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Renmin University of China（中国人民大学） ； Southeast University（东南大学） 纠错

AI总结 UrbanAlign通过后处理方法实现VLM与人类偏好的对齐，无需修改模型权重，提升领域任务的准确性和可解释性。

Comments 26 pages

Composer: A Search Framework for Hybrid Neural Architecture Design

Composer: 一种用于混合神经网络架构设计的搜索框架

Bilge Acun, Prasoon Sinha, Newsha Ardalani, Sangmin Bae, Alicia Golden, Chien-Yu Lin, Meghana Madhyastha, Fei Sun, Neeraja J. Yadwadkar, Carole-Jean Wu

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

AI总结 Composer提出了一种模块化框架，通过小规模探索和扩展策略发现优于Llama 3.2的混合LLM架构，提升了模型性能和效率。

Journal ref The International Conference on Learning Representations (ICLR) 2026

One-Prompt Strikes Back: Sparse Mixture of Experts for Prompt-based Continual Learning

一次提示反击：稀疏专家混合用于基于提示的持续学习

Minh Le, Bao-Ngoc Dao, Huy Nguyen, Quyen Tran, Anh Nguyen, Nhat Ho

机构 * Trivita AI ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Northeastern University（东北大学） ； Hanoi University of Science and Technology（河内科学技术大学） ； Rutgers University（罗格斯大学） 纠错

AI总结 SMoPE通过稀疏专家混合结合任务特定和共享提示策略，有效解决持续学习中的性能与效率权衡问题。

Comments Accepted to ICLR 2026

Panda: A pretrained forecast model for chaotic dynamics

Panda：用于混沌动力学的预训练预测模型

Jeffrey Lai, Anthony Bao, William Gilpin

机构 * Oden Institute UT Austin（奥登学院德克萨斯大学） ； ECE Department UT Austin（电子与计算机工程系德克萨斯大学） ； Department of Physics UT Austin（物理系德克萨斯大学） 纠错

AI总结 Panda是一种预训练模型，通过训练于合成数据集，能够零样本预测混沌系统并有效预测现实世界的时间序列。