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

First Proof Second Batch

首次证明第二批

Mohammed Abouzaid, Nikhil Srivastava, Rachel Ward, Lauren Williams

机构 * 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） ； Harvard University（哈佛大学） ； Polish Academy of Sciences（波兰科学院） ； UC Berkeley（加州大学伯克利分校） ； Brown University（布朗大学） ； ETH Zürich（苏黎世联邦理工学院） ； MIT（麻省理工学院） ； Weierstrass Institute（魏尔斯特拉斯研究所） ； Duke University（杜克大学） ； Sorbonne Université（索邦大学） ； Boston College（波士顿学院） ； Université du Québec à Montréal（魁北克大学蒙特利尔分校） ； UCLA（加州大学洛杉矶分校） ； University of Michigan（密歇根大学） ； University of Maryland（马里兰大学） 纠错

AI总结 测试多个AI系统在十个数学研究问题上的解题能力，评估当前AI解决研究级数学问题的水平。

Pareto LoRA: Mitigating Modality Imbalance in Unified Multimodal Models via Pareto-Optimal Gradient Integration

Pareto LoRA：通过帕累托最优梯度集成缓解统一多模态模型中的模态不平衡

Xiwen Wei, Mark Nutter, Madhusudhanan Srinivasan, Radu Marculescu

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Advanced Micro Devices, Inc.（超威半导体公司） 纠错

AI总结 针对统一多模态模型在LoRA微调中语言梯度主导优化导致图像生成质量下降的问题，提出帕累托最优梯度集成策略Pareto LoRA，通过调节梯度方向和强度平衡文本与图像目标，在CoMM基准上显著提升图像感知质量达44.9%。

Towards Distributed Inference of LLMs on a P2P Network

面向P2P网络的LLM分布式推理

Shabari S Nair, Krishanu Saini

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Department of Computer Science, The University of Texas at Austin（德克萨斯大学奥斯汀分校计算机科学系） 纠错

AI总结 提出一种去中心化的前缀缓存感知路由方案，用于P2P网络中的LLM推理，通过本地基数树和异步反熵更新缓存信息，避免集中协调和KV缓存传输，在低延迟和偏斜前缀分布下提升性能。

ThinkJEPA: Empowering Latent World Models with Large Vision-Language Reasoning Model

ThinkJEPA：赋予潜在世界模型大型视觉-语言推理能力

Haichao Zhang, Yijiang Li, Shwai He, Tushar Nagarajan, Mingfei Chen, Jianglin Lu, Ang Li, Yun Fu

机构 * Northeastern University（东北大学） ； University of California San Diego（加州大学圣地亚哥分校） ； University of Maryland（马里兰大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Washington（华盛顿大学） 纠错

AI总结 提出ThinkJEPA框架，结合密集JEPA分支与稀疏VLM思考者分支，通过分层金字塔表示提取模块，实现细粒度运动建模与长程语义引导，在手部操作轨迹预测任务上超越基线。

Comments 10 pages, 5 figures

Statistical Learning from Attribution Sets

从归因集合中进行统计学习

Lorne Applebaum, Robert Busa-Fekete, August Y. Chen, Claudio Gentile, Tomer Koren, Aryan Mokhtari

机构 * Google Research（谷歌研究） ； Cornell University（康奈尔大学） ； Tel Aviv University（特拉维夫大学） ； UT Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 针对隐私约束下广告点击与转化无法直接关联的问题，提出基于归因集合的无偏损失估计方法，实现经验风险最小化的泛化保证，并优于行业启发式方法。

Comments COLT 2026. 45 pages

Vulcan: Instance-specialized, Verifiable Systems Heuristics Through LLM-driven Search

Vulcan：通过LLM驱动的搜索实现实例特化的可验证系统启发式方法

Rohit Dwivedula, Divyanshu Saxena, Sujay Yadalam, Eric Hayden Campbell, Daehyeok Kim, Aditya Akella

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

AI总结 提出Vulcan框架，利用LLM生成系统启发式方法，通过隔离决策逻辑和受限语言Anvil保证安全，在调度、缓存和内存管理上取得显著性能提升。

Comments 19 pages