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

Toward a foundational thermal model for residential buildings

迈向住宅建筑的基础热模型

Ting-Yu Dai, Kingsley Nweye, Dev Niyogi, Zoltan Nagy

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Eindhoven University of Technology（埃因霍温理工大学） 纠错

AI总结 本文提出一种融合物理知识的Transformer架构，用于构建通用住宅建筑热模型，通过模拟提取静态特征和旋转位置嵌入注意力机制，在不同气候区实现高精度预测和零样本迁移。

GameScope: A Multi-Attribute, Multi-Codec Benchmark Dataset for Gaming Video Quality Assessment

GameScope：一个多属性、多编码器的视频游戏质量评估基准数据集

Rajesh Sureddi, Shreshth Saini, Avinab Saha, Alan C. Bovik

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Colorado Boulder（科罗拉多大学博尔德分校） 纠错

AI总结 GameScope是首个多编码器、多属性的视频游戏质量评估数据集，包含4048个视频样本，涵盖H.264、H.265和AV1等主流编码，提供细粒度质量属性，评估了多个视频质量方法，包括超越所有基准的视觉语言模型。

Minimizing Collateral Damage in Activation Steering

最小化激活引导中的附带损害

Tam Nguyen, Tu Anh Nguyen, Sina Alemohammad, Richard G. Baraniuk

机构 * Department of Electrical \& Computer Engineering, Rice University, Houston, USA ； Department of Computational ； Applied Mathematics, Rice University, Houston, USA ； Department of Electrical \& Computer Engineering, The University of Texas at Austin, Austin, USA 纠错

AI总结 本文提出了一种基于约束优化的框架，通过数学形式化附带损害并优化激活变化，以更精确地控制大语言模型行为，同时减少对无关任务性能的影响。

Towards Multi-Agent Autonomous Reasoning in Hydrodynamics

向流体力学中的多智能体自主推理迈进

Jinpai Zhao, Albert Cerrone, Joannes Westerink, Clint Dawson

机构 * Oden Institute（奥登研究所） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Notre Dame（北德克萨斯大学） 纠错

AI总结 本文提出一种多智能体系统，通过分层执行图协调专业智能体，解决单智能体在流体力学中的上下文饱和问题，实现高精度和可靠性。

When Less Is More: Simplicity Beats Complexity for Physics-Constrained InSAR Phase Unwrapping

少即是多：为物理约束的InSAR相位解包裹，简单胜于复杂

Prabhjot Singh, Manmeet Singh

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； RediMinds Inc.（RediMinds公司） ； Western Kentucky University（韦伯斯特-肯特大学） 纠错

AI总结 本文挑战高复杂度计算机视觉架构在物理约束地物回归中的适用性，证明卷积局部性在平滑场回归中优于现代复杂度，提出简单物理约束的ML4RS方法。

Comments 9 pages, 5 figures, 2 tables. Oral presentation, ML4RS Workshop @ ICLR 2026

Quant VideoGen: Auto-Regressive Long Video Generation via 2-Bit KV-Cache Quantization

Quant VideoGen：通过2位KV缓存量化实现自回归长视频生成

Haocheng Xi, Shuo Yang, Yilong Zhao, Muyang Li, Han Cai, Xingyang Li, Yujun Lin, Zhuoyang Zhang, Jintao Zhang, Xiuyu Li, Zhiying Xu, Jun Wu, Chenfeng Xu, Ion Stoica, Song Han, Kurt Keutzer

机构 * University of California, Berkeley（加州大学伯克利分校） ； NVIDIA ； Massachusetts Institute of Technology（麻省理工学院） ； Amazon（亚马逊） ； 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Quant VideoGen，通过语义感知平滑和渐进残差量化技术，有效降低KV缓存内存消耗，提升长视频生成质量与效率。

Comments Accepted by ICML 2026. 11 pages, 7 figures

EntroLLM: Entropy Encoded Weight Compression for Efficient Large Language Model Inference on Edge Devices

EntroLLM：基于熵编码的权重压缩用于边缘设备上高效的大语言模型推理

Arnab Sanyal, Gourav Datta, Prithwish Mukherjee, Sandeep P. Chinchali, Michael Orshansky

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Georgia Institute of Technology（佐治亚理工学院） ； Case Western Reserve University（凯斯西储大学） 纠错

AI总结 EntroLLM结合混合量化和熵编码技术，通过提升权重压缩率和编码效率，在边缘设备上实现高效的大语言模型推理，实验显示存储节省达30%-65%，推理速度提升31.9%-146.6%。

Comments 4 pages, 1 reference page