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

OpenLongTail: Generative Scaling of Long-Tail Driving Data

OpenLongTail：长尾驾驶数据的生成式扩展

Lulin Liu, Nuo Chen, Yan Wang, Bangya Liu, Wenyan Cong, Hezhen Hu, Boris Ivanovic, Hao Wang, Ziyao Zeng, Xinyu Gong, Yang Zhou, Zixiang Xiong, Dilin Wang, Zhangyang Wang, Weisong Shi, Ruohan Zhang, Marco Pavone, Zhiwen Fan

机构 * Texas A&M University（德克萨斯农工大学） ； NVIDIA（英伟达） ； UW–Madison（威斯康星大学麦迪逊分校） ； UT Austin（德克萨斯大学奥斯汀分校） ； Yale University（耶鲁大学） ； Adobe（奥多比公司） ； Meta ； University of Delaware（特拉华大学） ； Stanford University（斯坦福大学） 纠错

AI总结 研究针对长尾驾驶数据稀缺影响策略扩展的问题，提出开源生成数据引擎OpenLongTail，通过姿态外推视图合成管道及普吕克射线几何增强，合成异构数据提升闭环驾驶稳健性，验证了其多方面有效性。

Comments Project page: https://openlongtail.github.io/

B-spline Policy: Accelerating Manipulation Policies via B-spline Action Representations

B样条策略：通过B样条动作表示加速操纵策略

Xiaoshen Han, Haoyu Xiong, Haonan Chen, Chaoqi Liu, Antonio Torralba, Yuke Zhu, Yilun Du

机构 * Harvard（哈佛大学） ； MIT（麻省理工学院） ； UT Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 研究提出B样条策略，将动作参数化为连续B样条曲线，可集成到标准策略学习管道，通过直接预测参数实现。实验表明该策略能显著减少任务完成时间，在模拟和现实任务中优于基线方法且成功率高。

Group Invariant Spectral Embedding

群不变谱嵌入

Yeari Vigder, Paulina Hoyos, David Thong, Joakim andén, Joe Kileel, Amit Moscovich

机构 * Tel Aviv University（特拉维夫大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； KTH Royal Institute of Technology（皇家理工学院） 纠错

AI总结 研究高维数据集降维和聚类问题，核心方法是将对称纳入谱嵌入的亲和核，通过分析具有对称的黎曼数据流形，证明相关图拉普拉斯算子收敛，在特定数据集验证后表明该方法能恢复数据内在几何，优于标准谱嵌入。

GrAInS: Gradient-based Attribution for Inference-Time Steering of LLMs and VLMs

GrAInS：基于梯度的大语言模型和视觉语言模型推理时引导方法

Duy Nguyen, Archiki Prasad, 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） 纠错

AI总结 研究针对推理时引导LLMs和VLMs的方法局限，提出GrAInS。该方法基于梯度归因识别关键令牌构建引导向量，推理时调整激活。实验显示其性能优于微调及现有基线，能在保持模型流畅性和通用能力的同时提升多项指标。

Comments Accepted to ACL 2026

Transformer-Based Inverse Microrheology for Experimental Mechanics at Ultra-High Strain Rates

基于Transformer的超高应变率下实验力学的逆微流变学

Lehu Bu, Zhaohan Yu, Danila Frolkin, Junyoung Kim, Qihang Shi, Jan N. Fuhg, Shaoting Lin, Jin Yang

机构 * Materials Science Graduate Program, Texas Materials Institute, The University of Texas at Austin（材料科学研究生项目，德克萨斯材料研究所，德克萨斯大学奥斯汀分校） ； Department of Mechanical Engineering, Michigan State University（机械工程系，密歇根州立大学） ； Department of Aerospace Engineering and Engineering Mechanics, The University of Texas at Austin（航空航天工程与工程力学系，德克萨斯大学奥斯汀分校） ； The Oden Institute of Computational Science and Engineering, University of Texas at Austin（奥登计算科学与工程研究所，德克萨斯大学奥斯汀分校） ； Department of Mechanical Engineering, University of Wisconsin-Madison（机械工程系，威斯康星大学麦迪逊分校） 纠错

AI总结 研究针对传统流变工具在超高应变率下表征软材料的局限，提出基于Transformer的气泡动力学框架BDT，集成物理模拟与神经网络，从气泡动力学快速逆表征软材料粘弹性，无需迭代优化，加速参数推断并能表征多种材料行为。

A Descriptive and Normative Theory of Human Beliefs in RLHF

基于人类反馈强化学习中的人类信念描述性与规范性理论

Sylee Dandekar, Shripad Deshmukh, Frank Chiu, W. Bradley Knox, Scott Niekum

机构 * College of Information and Computer Sciences University of Massachusetts Amherst（信息与计算机科学学院 马萨诸塞大学阿姆赫斯特分校） ； Department of Computer Science The University of Texas at Austin（计算机科学系 德州大学奥斯汀分校） 纠错

AI总结 研究 RLHF 中人类信念作用，提出新偏好模型，通过人类和综合实验，证实人类对智能体能力信念影响偏好，指出减少信念与能力不匹配可提升 RLHF 并给出新实践方向。

Comments Published at TMLR