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

NARA: Anchor-Conditioned Relation-Aware Contextualization of Heterogeneous Geoentities

NARA: 基于锚点的异构地理实体关系感知上下文化

Jina Kim, Gengchen Mai, Lingyi Zhao, Khurram Shafique, Yao-Yi Chiang

机构 * Department of Computer Science and Engineering, University of Minnesota（明尼苏达大学计算机科学与工程系） ； Department of Geography and the Environment, University of Texas at Austin（德克萨斯大学奥斯汀分校地理与环境系） ； Novateur Research Solutions（Novateur研究解决方案） 纠错

AI总结 NARA通过统一框架联合建模语义、几何和空间关系，提升异构地理实体的上下文表示能力，在建筑功能分类、交通速度预测和POI推荐中表现优异。

Simulation Distillation: Pretraining World Models in Simulation for Rapid Real-World Adaptation

模拟蒸馏：在模拟中预训练世界模型以实现快速真实世界适应

Jacob Levy, Tyler Westenbroek, Kevin Huang, Fernando Palafox, Patrick Yin, Shayegan Omidshafiei, Dong-Ki Kim, Abhishek Gupta, David Fridovich-Keil

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Washington（华盛顿大学） ； FieldAI 纠错

AI总结 本文提出SimDist框架，利用物理模拟器生成大量动作条件机器人经验，通过蒸馏结构先验提升世界模型性能，实现高效真实世界适应。

Comments Robotics: Science and Systems 2026

Agent-BRACE: Decoupling Beliefs from Actions in Long-Horizon Tasks via Verbalized State Uncertainty

Agent-BRACE: 通过 verbalized 状态不确定性解耦信念与行动以应对长 horizon 任务

Joykirat Singh, Zaid Khan, Archiki Prasad, Justin Chih-Yao Chen, Akshay Nambi, Hyunji Lee, Elias Stengel-Eskin, Mohit Bansal

机构 * UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Microsoft Research（微软研究院） 纠错

AI总结 Agent-BRACE 通过解耦信念状态模型与策略模型，利用强化学习优化，在长 horizon 部分可观测任务中提升性能，实现上下文窗口恒定且任务相关信息保留。

Comments Code: https://github.com/joykirat18/Agent-BRACE

Can Graphs Help Vision SSMs See Better?

能否通过图帮助视觉状态空间模型看得更好？

Dhruv Parikh, Anvitha Ramachandran, Haoyang Fan, Mustafa Munir, Rajgopal Kannan, Viktor Prasanna

机构 * USC（美国南加州大学） ； UT Austin（德克萨斯大学奥斯汀分校） ； DEVCOM ARL Army Research Office, USA（美国陆军战争学院研发办公室） 纠错

AI总结 本文提出GraphScan，通过图诱导动态扫描操作提升视觉状态空间模型性能，通过语义路由替代坐标条件插值，在分类、检测等任务中取得最佳效果。

Comments Technical Report

Discovery of Interpretable Surrogates via Agentic AI: Application to Gravitational Waves

通过代理AI发现可解释的替代模型：应用于引力波

Tousif Islam, Digvijay Wadekar, Tejaswi Venumadhav, Matias Zaldarriaga, Ajit Kumar Mehta, Javier Roulet, Barak Zackay

机构 * Kavli Institute for Theoretical Physics, University of California Santa Barbara（加州大学圣芭芭拉分校凯文利理论物理研究所） ； Center for Gravitational Physics, University of Texas at Austin（德克萨斯大学奥斯汀分校重力物理中心） ； Department of Physics, University of California at Santa Barbara（加州大学圣芭芭拉分校物理系） ； International Centre for Theoretical Sciences, Tata Institute of Fundamental Research（塔塔基础研究机构国际理论科学研究中心） ； School of Natural Sciences, Institute for Advanced Study（高级研究院自然科学学院） ； Chennai Mathematical Institute（钦奈数学研究所） ； Kavli Institute for Cosmological Physics, The University of Chicago（芝加哥大学凯文利宇宙物理研究所） ； Department of Particle Physics & Astrophysics, Weizmann Institute of Science（魏茨曼科学研究所粒子物理与天体物理系） 纠错

AI总结 本文提出GWAgent，一种基于大语言模型的流程，直接从模拟数据构建可解释的分析替代模型。通过物理指导的域假设提升模型精度，实现高精度、快速且可解释的引力波模拟替代。

Comments 25 pages, 9 figures, codes available at https://github.com/tousifislam/GWAgent

gwBenchmarks: Stress-Testing LLM Agents on High-Precision Gravitational Wave Astronomy

gwBenchmarks: 对高精度引力波天文学中LLM代理的应力测试

Tousif Islam, Digvijay Wadekar, Zihan Zhou

机构 * Kavli Institute for Theoretical Physics, University of California Santa Barbara, Kohn Hall, Lagoon Rd, Santa Barbara, CA 93106（加州大学圣芭芭拉分校凯弗利理论物理研究所） ； Center for Gravitational Physics, University of Texas at Austin, Austin, TX 78712, USA（德克萨斯大学奥斯汀分校引力物理中心） ； Department of Physics, Princeton University, Princeton, NJ 08540, USA（普林斯顿大学物理系） 纠错

AI总结 本文研究了最先进的LLM编码代理能否完成端到端的科学建模任务，通过八个任务测试其精度和物理系统推理能力，发现代理在复杂任务上表现不佳，无法达到领域要求。

Comments 26 pages, 4 figures

Curriculum Learning-Guided Progressive Distillation in Large Language Models

基于课程学习的渐进蒸馏：大型语言模型中的知识蒸馏

Jincheng Cao, Fanzhi Zeng, Leqi Liu, Aryan Mokhtari

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

AI总结 本文提出CLPD框架，通过结合数据难度与教师强度，改进知识蒸馏方法，实验证明其在推理任务中优于传统方法。

Sparsity and Out-of-Distribution Generalization

稀疏性与分布外泛化

Scott Aaronson, Lin Lin Lee, Jiawei Li

机构 * UT Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 本文提出稀疏性解释分布外泛化的原理，认为世界通过区分特征呈现，稀疏假设在特征重叠时能实现泛化，通过定理扩展了样本复杂度界限。

Detecting In-Person Conversations in Noisy Real-World Environments with Smartwatch Audio and Motion Sensing

利用智能手表音频和运动传感检测嘈杂真实环境中的面对面对话

Alice Zhang, Callihan Bertley, Dawei Liang, Edison Thomaz

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

AI总结 本文提出一种新型方法，通过智能手表融合音频和运动数据，检测面对面对话，实验表明融合惯性数据能显著提升检测性能，实验室和半自然环境下分别达到82.0%和77.2%的宏F1分数。

Comments Accepted to ACM Transactions on Intelligent Systems and Technology