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

Product-of-Experts Training Reduces Dataset Artifacts in Natural Language Inference

专家产品训练减少自然语言推理中的数据集痕迹

Aby Mammen Mathew

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

AI总结 本文提出PoE训练方法，通过降低偏见模型过度自信的例子权重，减少数据集痕迹，提升推理准确性与减少偏见依赖。

Comments 10 pages, 3 figures, 4 tables. Single-author paper

Zero to Autonomy in Real-Time: Online Adaptation of Dynamics in Unstructured Environments

从零到自主：在无结构环境中动态的在线适应

William Ward, Sarah Etter, Jesse Quattrociocchi, Christian Ellis, Adam J. Thorpe, Ufuk Topcu

机构 * Oden Institute for Computational Engineering & Science, University of Texas at Austin（德纳学院计算工程与科学研究所，德克萨斯大学奥斯汀分校） ； Department of Computer Science, University of Texas at Austin（计算机科学系，德克萨斯大学奥斯汀分校） ； DEVCOM Army Research Laboratory（陆军研究实验室） 纠错

AI总结 本文提出了一种结合函数编码器和递推最小二乘法的在线适应方法，通过流式里程计更新潜变量，实现实时动态适应，提升在无结构环境中的安全性和规划效率。

Comments Initial submission to RA-L

Improving the Distributional Alignment of LLMs using Supervision

通过监督改进大型语言模型的分布对齐

Gauri Kambhatla, Sanjana Gautam, Angela Zhang, Alex Liu, Ravi Srinivasan, Junyi Jessy Li, Matthew Lease

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

AI总结 本文通过简单监督提升LLM在不同群体上的分布对齐，分析了三个数据集的对齐效果，并为未来研究提供基准。

Comments ACL Main 2026

VLM-3R: Vision-Language Models Augmented with Instruction-Aligned 3D Reconstruction

VLM-3R：融合指令对齐3D重建的视觉-语言模型

Zhiwen Fan, Jian Zhang, Renjie Li, Junge Zhang, Runjin Chen, Hezhen Hu, Kevin Wang, Huaizhi Qu, Shijie Zhou, Dilin Wang, Zhicheng Yan, Hongyu Xu, Justin Theiss, Tianlong Chen, Jiachen Li, Zhengzhong Tu, Zhangyang Wang, Rakesh Ranjan

机构 * UT Austin（德克萨斯大学奥斯汀分校） ； XMU（厦门大学） ； TAMU（德克萨斯大学阿灵顿分校） ； UCR（加州大学河滨分校） ； UNC（北卡罗来纳大学教堂山分校） ； Meta ； UCLA（加州大学洛杉矶分校） 纠错

AI总结 本文提出VLM-3R，通过融合3D重建指令微调，实现单目视频的3D空间辅助与具身推理，提升了视觉-空间推理和时间3D上下文理解的准确性和可扩展性。

Comments Project Page: https://vlm-3r.github.io/

GAIR: Location-Aware Self-Supervised Contrastive Pre-Training with Geo-Aligned Implicit Representations

GAIR：具有地理对齐隐式表示的定位感知自监督对比预训练

Zeping Liu, Ni Lao, Zhangyu Wang, Junfeng Jiao, Gengchen Mai

机构 * SEAI Lab, Department of Geography and the Environment, The University of Texas at Austin（地理与环境系SEAI实验室，德克萨斯大学奥斯汀分校） ； Google LLC, Mountain View, CA, USA（谷歌公司，山景城，加利福尼亚州，美国） ； SIT Lab, School of Computing and Information Science, The University of Maine（计算与信息科学系SIT实验室，缅因大学） ； Urban Information Lab, School of Architecture, The University of Texas at Austin（城市信息实验室，建筑系，德克萨斯大学奥斯汀分校） 纠错

AI总结 GAIR通过引入隐式神经表示模块，解决地理空间任务中多模态数据的局部化表示问题，实现跨模态的地理对齐，提升空间关系建模能力。

Comments Accepted by ISPRS Journal of Photogrammetry and Remote Sensing