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

Personal Visual Context Learning in Large Multimodal Models

个人视觉上下文学习在大型多模态模型中

Zihui Xue, Ami Baid, Sangho Kim, Mi Luo, Kristen Grauman

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

AI总结 本文提出个人视觉上下文学习（Personal VCL）以解决个性化查询，通过Personal-VCL-Bench评估，发现现有模型在利用视觉证据和聚合多视觉观察方面存在显著不足，提出Agentic Context Bank方法提升性能。

Comments Project website: https://vision.cs.utexas.edu/projects/PersonalVCL/

Controllability in preference-conditioned multi-objective reinforcement learning

偏好条件多目标强化学习中的可控性

Pau de las Heras Molins, Beyazit Yalcinkaya, Lasse Peters, David Fridovich-Keil, Georgios Bakirtzis

机构 * LTCI, Télécom Paris, Institut Polytechnique de Paris（LTCI，巴黎电信学院，巴黎理工学院） ； University of California, Berkeley（加州大学伯克利分校） ； TU Delft（代尔夫特理工大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 本文提出一种新的评估指标，用于衡量偏好条件多目标强化学习中控制能力的可靠性，以解决现有指标无法准确反映偏好变化对智能体行为影响的问题。

CREATE: Testing LLMs for Associative Creativity

CREATE：测试大型语言模型的联想创造力

Manya Wadhwa, Tiasa Singha Roy, Harvey Lederman, Junyi Jessy Li, Greg Durrett

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

AI总结 CREATE基准测试评估模型的创造性联想能力，要求生成高特异性和多样性的概念连接路径，展现模型在复杂搜索空间中的创造力表现。

AU-Harness: An Open-Source Toolkit for Holistic Evaluation of Audio LLMs

AU-Harness：音频大语言模型的开放式工具包

Hoang Nguyen, Sidharth Surapaneni, Akshay Kalkunte, Jash Mehta, Aman Tiwari, Oluwanifemi Bamgbose, Khyati Mahajan, Jash Shah, Shruthan Radhakrishna, Sathwik Tejaswi Madhusudhan, Vikas Yadav, Sai Rajeswar

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

AI总结 AU-Harness通过优化处理流程和并行执行，实现151%的速度提升，提供标准化提示协议和灵活配置，促进音频大语言模型的系统性发展。

Micro-Defects Expose Macro-Fakes: Detecting AI-Generated Images via Local Distributional Shifts

微缺陷暴露宏观伪造：通过局部分布偏移检测AI生成图像

Boxuan Zhang, Jianing Zhu, Qifan Wang, Jiang Liu, Ruixiang Tang

机构 * Rutgers University（罗格斯大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Meta AI ； Advanced Micro Devices（先进微器件公司） 纠错

AI总结 本文提出MDMF框架，通过放大微小统计异常为宏观分布偏移，利用局部分布偏移检测AI生成图像，实验表明其在多个基准上表现优异。

Comments 41 pages, 10 figures

Learning Agile Striker Skills for Humanoid Soccer Robots from Noisy Sensory Input

从嘈杂感觉输入中学习人形足球机器人敏捷进攻技能

Zifan Xu, Myoungkyu Seo, Dongmyeong Lee, Hao Fu, Jiaheng Hu, Jiaxun Cui, Yuqian Jiang, Zhihan Wang, Anastasiia Brund, Joydeep Biswas, Peter Stone

机构 * Department of Computer Science, The University of Texas at Austin（德克萨斯大学计算机科学系） 纠错

AI总结 本文提出基于强化学习的系统，使人形机器人能适应不同球门配置持续稳健踢球，通过四阶段训练提升踢球准确性和得分成功率。

Beyond the Black Box: An Interpretable Machine Learning Framework for Predicting Electronic Structure Microdescriptors and Structure-Performance Relationships in Fe-based Catalytic Systems

超越黑箱：一种可解释的机器学习框架，用于预测铁基催化系统中电子结构微描述符和结构-性能关系

Oyinkansola Romiluyi

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

AI总结 本文提出一种可解释的机器学习框架，通过SHAP分析和树形集成方法，预测铁基催化剂的电子结构微描述符及结构-性能关系，提升了催化剂筛选效率。

Comments 27 pages, 10 figures

Semantic Voting: Execution-Grounded Consensus for LLM Code Generation

语义投票：基于执行的共识机制用于大语言模型代码生成

Shan Jiang, Zijian Yi, Chenguang Zhu

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

AI总结 本文研究了大语言模型代码生成中基于执行的共识机制，通过比较不同方法发现输入质量对结果影响更大，语义投票在多数配置中表现最佳。

Sketch-and-Verify: Structured Inference-Time Scaling via Program Sketching

Sketch-and-Verify: 通过程序草图实现推理时间扩展

Shan Jiang, Zijian Yi, Chenguang Zhu

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SKETCHVERIFY方法，通过程序草图生成多样化候选方案，验证后选择最优，提升模型性能，同时探讨K与M的权衡关系。

Queryable LoRA: Instruction-Regularized Routing Over Shared Low-Rank Update Atoms

可查询的LoRA：基于共享低秩更新原子的指令正则化路由

Omatharv Bharat Vaidya, Connor T. Jerzak, Nhat Ho, Chandrajit Bajaj

机构 * Department of Computer Science（计算机科学系） ； Department of Government（政府系） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Department of Statistics and Data Sciences（统计与数据科学系） 纠错

AI总结 本文提出一种数据自适应的参数高效微调方法，通过共享可查询的记忆体实现动态路由，结合指令正则化提升模型适应性与稳定性。

Sanity Checks for Long-Form Hallucination Detection

长形式幻觉检测的合理性检查

Geigh Zollicoffer, Minh Vu, Hongli Zhan, Raymond Li, Manish Bhattarai

机构 * Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of British Columbia（不列颠哥伦比亚大学） 纠错

AI总结 本文提出一种控制不变性方法，通过强制和移除测试区分推理本身与最终答案的表面关联，展示轻量级评分器TRACT在未扰动轨迹上的有效性。

DARE: Diffusion Language Model Activation Reuse for Efficient Inference

DARE：扩散语言模型激活重用以提高推理效率

Natalia Frumkin, Bokun Wang, Hung-Yueh Chiang, Chi-Chih Chang, Mohamed S. Abdelfattah, Diana Marculescu

机构 * Chandra Family Department of Electrical and Computer Engineering（查德拉家族电子与计算机工程系） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Cornell University（康奈尔大学） 纠错

AI总结 DARE通过利用扩散语言模型中token级冗余性，提高推理效率，减少计算量，同时保持生成质量。

CoreQ: Learning-Free Mismatch Correction and Successive Rounding for Quantization

CoreQ: 无学习的不匹配校正与连续舍入用于量化

Seohyeon Cha, Huancheng Chen, Dongjun Kim, Haoran Zhang, Kevin Chan, Gustavo de Veciana, Haris Vikalo

机构 * The University of Texas at Austin（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 CoreQ提出一种无学习的PTQ框架，通过几何分解得到闭式系数校正不匹配，减少过拟合并提升性能，适用于多种LLM场景。