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

ScenePilot-4K: A Large-Scale First-Person Dataset and Benchmark for Vision-Language Models in Autonomous Driving

ScenePilot-4K：一个大规模第一视角数据集和基准，用于自动驾驶中视觉-语言模型的安全感知学习与评估

Yujin Wang, Yutong Zheng, Wenxian Fan, Tianyi Wang, Hongqing Chu, Li Zhang, Bingzhao Gao, Daxin Tian, Jianqiang Wang, Hong Chen

机构 * Tongji University（同济大学） ； UT Austin（德克萨斯大学奥斯汀分校） ； Fudan University（复旦大学） ； Beihang University（北京航空航天大学） ； Tsinghua University（清华大学） 纠错

AI总结 本文提出ScenePilot-4K数据集，包含3847小时视频和27.7亿帧图像，用于评估视觉-语言模型在自动驾驶中的场景理解、空间感知、运动规划和语义对齐能力，揭示模型在几何感知和规划推理方面的局限性。

Context parroting: A simple but tough-to-beat baseline for foundation models in scientific machine learning

上下文鹦鹉：一种简单但难以击败的基础模型基准，用于科学机器学习中的基础模型

Yuanzhao Zhang, William Gilpin

机构 * Santa Fe Institute（圣塔菲研究所） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 本文指出基础模型常通过简单鹦鹉策略预测，而非鹦鹉时易出现收敛到均值等失败模式。简单鹦鹉模型在低维混沌、湍流等动态系统预测中表现优于主流模型，且计算成本低。

Comments International Conference on Learning Representations (ICLR 2026)

Single-Round Scalable Analytic Federated Learning

单轮可扩展的分析联邦学习

Alan T. L. Bacellar, Mustafa Munir, Felipe M. G. França, Priscila M. V. Lima, Radu Marculescu, Lizy K. John

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Federal University of Rio de Janeiro（里约热内卢联邦大学） ； Instituto de Telecomunicações, Porto（波尔图电信研究所） 纠错

AI总结 本文提出SAFLe框架，通过引入分桶特征结构头部和稀疏分组嵌入，实现非线性可扩展性，证明其等价于高维线性回归，从而在单轮分析联邦学习中实现高效可扩展的联邦视觉解决方案。

Comments To appear in Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2026

Efficient Tree-Structured Deep Research with Adaptive Resource Allocation

高效树状深度研究与自适应资源分配

Lunyiu Nie, Nedim Lipka, Ryan A. Rossi, Swarat Chaudhuri

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

AI总结 本文提出ParallelResearch框架，通过动态分解复杂查询为树状子任务，解决深度研究中序列处理的瓶颈问题，实现高效并行处理，实验显示性能提升达5倍。

Comments ICLR 2026 Workshop on Agents in the Wild (Spotlight)

Are LLMs Good For Quantum Software, Architecture, and System Design?

大语言模型在量子软件、架构和系统设计中是否有效？

Sourish Wawdhane, Poulami Das

机构 * UT Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 本文探讨大语言模型在量子系统设计中的应用，评估了九种前沿模型与研究生在量子计算问题上的表现，提出未来研究方向。

Comments 2 pages

Why Cognitive Robotics Matters: Lessons from OntoAgent and LLM Deployment in HARMONIC for Safety-Critical Robot Teaming

为何认知机器人很重要：来自OntoAgent和HARMONIC中LLM部署的启示

Sanjay Oruganti, Sergei Nirenburg, Marjorie McShane, Jesse English, Michael Roberts, Christian Arndt, Ramviyas Parasuraman, Luis Sentis

机构 * Rensselaer Polytechnic Institute（伦斯勒理工学院） ； University of Georgia（佐治亚大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 研究探讨了在物理世界部署具身体AI代理所需的认知能力，通过HARMONIC架构评估LLM是否能复制OntoAgent的认知能力，发现LLM在知识状态评估上存在缺陷。