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

Understanding Parallel Samplers in Masked Diffusion via Random Walks on Graphs

通过图上的随机游走理解掩码扩散中的并行采样器

Vansh Bansal, Cho Cholyeon, Syamantak Kumar, Sujay Sanghavi, Purnamrita Sarkar

机构 * UT Austin SDS（德克萨斯大学奥斯汀分校统计与数据科学系） ； UT Austin CS（德克萨斯大学奥斯汀分校计算机科学系） ； UT Austin ECE（德克萨斯大学奥斯汀分校电气与计算机工程系） 纠错

AI总结 提出以图上随机游走为可验证沙盒，研究掩码扩散模型中的并行采样策略，理论上证明最低熵等并行采样并非普遍优于随机采样，并开发了二分采样器，实验表明不同图适用不同采样器。

CalVerT: Augmenting Agents with Calibrated Verifier Telemetry Improves Action and Learning in Knowledge-Intensive Tasks

CalVerT: 通过校准验证器遥测增强智能体在知识密集型任务中的行动与学习

Ashwin Vinod, Ying Ding, Elias Stengel-Eskin

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CalVerT方法，通过向智能体状态添加校准的自信心分数和基础验证器分数，减少过度依赖参数知识或冗余检索，提升知识密集型问答的准确性和效率。

Comments Code: https://github.com/ashwinn-v/CalVerT

Energy-based Compositional Diffusion Planning

基于能量的组合扩散规划

Tao Sun, Utkarsh Aashu Mishra, Jiaxin Lu, Danfei Xu, Iro Armeni

机构 * Stanford University（斯坦福大学） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 提出能量基组合扩散器（ECD），将全局轨迹建模为局部桥势之和的最小化，通过保守修正场和边界反应项改进启发式拼接，实现线性时间复杂度的马尔可夫分数近似，在OGBench任务中达到最优成功率。

Comments ICML 2026

Beyond 'One Language, One Script': Quantifying Orthographic Bias in Multilingual VLMs with PuMVR

超越“一种语言，一种文字”：用PuMVR量化多语言视觉语言模型中的正字法偏差

Prabhjot Singh, Bhushan Pawar, Madhu Reddiboina

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

AI总结 提出PuMVR基准，通过旁遮普语三种文字的图像推理任务，量化多语言视觉语言模型中的文字依赖偏差，发现文字一致性率低至24.8%，视觉输入无法消除偏差。

Comments 22 pages, 4 figures. Accepted to the 4th Workshop on Cross-Cultural Considerations in NLP (C3NLP) @ ACL 2026

FirstPass: Grounding AI Scientific Judgment in Multi-Round Editorial Outcomes

FirstPass: 在多轮编辑结果中奠定AI科学判断的基础

Prabhjot Singh, Somnath Luitel, Manmeet Singh, Josh Durkee

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； RediMinds Inc.（RediMinds公司） ； Disaster Science Operations Center, Western Kentucky University（西肯塔基大学灾害科学运营中心） 纠错

AI总结 针对同行评审AI在领域覆盖、对话建模和评估标准上的不足，提出FirstPass数据集和微调模型，利用Nature Communications多轮评审对话，通过响应损失掩码实现80.5%的编辑结果预测准确率，并生成接近人类长度的评审意见。

Comments Accepted at the AI for Science Workshop at the 43rd International Conference on Machine Learning (ICML 2026). 9 pages, 2 figures, 6 tables

How Much Coordination Gain Is Real? A Paired Noise-Floor Protocol for Multi-Agent LLM Benchmarks

真正的协调增益有多大？多智能体LLM基准测试的配对噪声底线协议

Alibek T Kaliyev, Artem Maryanskyy

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

AI总结 针对多智能体LLM协调基准测试中微小增量不可靠的问题，提出配对噪声底线协议，通过配置等价对比发现典型效应量低于观测噪声包络，并定义协调活跃pass^k作为最低报告标准。

Comments 11 pages, 4 figures

On the Curse of Dimensionality in Private Sparse Covariance Estimation and PCA

私有稀疏协方差估计与PCA中的维度灾难

Syamantak Kumar, Shourya Pandey, Purnamrita Sarkar, Kevin Tian

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

AI总结 研究差分隐私下稀疏协方差矩阵估计和PCA的样本复杂度，发现当特征向量稀疏时，poly(k, log d)样本足够，否则需poly(d)样本，揭示了私有与非私有版本间的指数差距。