Path Planning in Physically Viable World Models
物理可行世界模型中的路径规划
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 提出物理可行世界模型，通过物理仿真生成修改后的场景，使机器人能在部署前评估未来地形变化对路径可行性的影响。
Comments 18 pages, 7 figures, submitted to CORL
高校专区
University of Texas at Austin（得克萨斯大学奥斯汀分校）
GenSP: Consistent Spherical Parameterization via Learning Shape Generative Models
GenSP：通过学习形状生成模型实现一致的球面参数化
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Colorado Boulder（科罗拉多大学博尔德分校）
AI总结 提出GenSP框架，通过学习神经生成模型预测从单位球面到形状的连续映射，并通过逆映射获得一致的球面参数化，显著降低几何畸变并提升跨形状一致性。
Comments Accepted at ECCV 2026. Sai Karthikey Pentapati and Shashank Gupta contributed equally to this work
Distill to Detect: Exposing Stealth Biases in LLMs through Cartridge Distillation
蒸馏检测：通过弹药筒蒸馏揭露大语言模型中的隐蔽偏见
机构 * Stanford University（斯坦福大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Foundation AI–Cisco Systems Inc.（Foundation AI–思科系统公司）
AI总结 提出Distill to Detect (D2D)方法，通过蒸馏模型与基座之间的分布偏移到KV缓存前缀适配器中，放大隐蔽偏见信号至可检测程度，并基于Fisher加权投影理论解释其有效性。
Comments Accepted to the ICML 2026 Workshops on TAIGR, AI4GOOD, Mechanistic Interpretability, and CoLoRAI
Laplace-Fisher Gate Identities for Optimal Matrix-Gated Blended Score Estimation
Laplace--Fisher 门恒等式用于最优矩阵门控混合得分估计
机构 * The Oden Institute for Computational Engineering and Sciences（奥登计算工程与科学研究院） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； The Department of Aerospace Engineering & Engineering Mechanics（航空航天工程与机械系）
AI总结 针对非归一化目标采样中的得分估计问题，提出矩阵值门控混合得分估计方法，推导出方差最优门公式（Laplace-Fisher 门恒等式），并证明有限参考一致性，应用于贝叶斯逆问题的归一化密度评估。
Comments Provisional report
