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

SEAOTTER: Sensor Embedded Autoencoding with One-Time Transcode for Efficient Reconstruction

SEAOTTER: 基于传感器嵌入自编码器与一次性转码的高效重建

Dan Jacobellis, Neeraja J. Yadwadkar

机构 * Department of Electrical and Computer Engineering（电气与计算机工程系） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 提出SEAOTTER框架，结合传感器嵌入自编码器与可学习JPEG转码，在200:1压缩比下实现比AVIF快7倍编码、3.5倍解码，并提升ImageNet top-1准确率8%，同时保持JPEG兼容性。

EqGINO: Equivariant Geometry-Informed Fourier Neural Operators for 3D PDEs

EqGINO: 面向3D PDE的等变几何信息傅里叶神经算子

Sungwon Kim, Juho Song, Seungmin Shin, Guimok Cho, Sangkook Kim, Chanyoung Park

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

AI总结 提出EqGINO框架，通过在谱域强制执行各向同性，实现离散对称性的精确等变，并泛化到任意连续旋转，有效建模3D PDE的坐标不变物理规律。

Comments ICML 2026

WaterSIC: Information-Theoretically (Near) Optimal Linear Layer Quantization

WaterSIC: 信息论（近乎）最优的线性层量化

Egor Lifar, Semyon Savkin, Or Ordentlich, Yury Polyanskiy

机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Stanford University（斯坦福大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 针对密集线性层低精度量化问题，提出WaterSIC算法，通过为权重矩阵不同列分配不同量化率，实现与信息论极限仅0.255比特的差距，并在Llama和Qwen系列大语言模型上达到1-4比特量化的最优性能。

Best of Both Worlds: Multimodal Reasoning and Generation via Unified Discrete Flow Matching

两全其美：通过统一离散流匹配实现多模态推理与生成

Onkar Susladkar, Tushar Prakash, Gayatri Deshmukh, Kiet A. Nguyen, Jiaxun Zhang, Adheesh Juvekar, Tianshu Bao, Lin Chai, Sparsh Mittal, Inderjit S Dhillon, Ismini Lourentzou

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Google Research（谷歌研究） ； Sony Research, India（索尼印度研究） ； Indian Institute of Technology, Roorkee（印度理工学院罗尔基分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 提出UniDFlow框架，通过任务特定低秩适配器解耦理解与生成，并利用基于参考的多模态偏好对齐优化忠实性与可控性，在多个基准上达到最先进性能。