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

RoboTTT: Context Scaling for Robot Policies

RoboTTT：机器人策略的上下文扩展

Yunfan Jiang, Yevgen Chebotar, Ruijie Zheng, Fengyuan Hu, Yunhao Ge, Jimmy Wu, Tianyuan Dai, Scott Reed, Li Fei-Fei, Yuke Zhu, Linxi "Jim" Fan

机构 * NVIDIA（英伟达公司） ； Stanford University（斯坦福大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 研究提出RoboTTT，将测试时训练集成到机器人基础模型，通过序列动作强制和截断反向传播扩展视觉运动上下文到8K时间步长，解锁新能力，提升多任务性能，证明上下文长度是机器人基础模型新扩展轴。

Comments Project website: http://research.nvidia.com/labs/gear/robottt/

Mask-Aware Policy Gradients for Diffusion Language Models

用于扩散语言模型的掩码感知策略梯度

Haran Raajesh, Kulin Shah, Adam Klivans, Philipp Krähenbühl

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

AI总结 研究针对强化学习扩展到MDLMs的难题，将MDLM生成形式化为两阶段动作MDP，使策略梯度分解为令牌项和掩码项，结合优化这两项在数学推理和编码基准测试中取得了最优成绩。

Comments Accepted at COLM 2026

Controlled Reformulation Testing for Logical Consistency in Large Language Models

大语言模型中逻辑一致性的可控重新表述测试

Alexander Gu, Alan Chen

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

AI总结 研究大语言模型在逻辑等价问题表面形式改变时的逻辑一致性，提出CRTBench基准，评估多个前沿LLMs，发现存在准确率 - 一致性差距，揭示失败集中在逻辑非平凡变换，表明仅靠准确率无法评估LLMs的逻辑推理。

Comments 10 pages

The Severance Problem: LLMs are Unaware of the Person Beyond the Prompt

分离问题：大语言模型未意识到提示之外的人

Dor Litvak, Liu Leqi

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

AI总结 研究指出个人AI助手存在不良行为，源于语言模型的“分离问题”。提出通过“分离模式”将结构化无知纳入语言模型上下文的解决方案，经实证，五个模型家族采用此模式后能减少不良行为，模型在信息缺失时会询问澄清问题。

ACID: Adaptive Caching for vIDeo generation

ACID：用于视频生成的自适应缓存

Om Agrawal, Saurabh Agarwal, Aditya Akella

机构 * UT Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 研究视频扩散模型推理慢问题，提出ACID自适应缓存方法，通过监测漂移信号变化动态切换阈值，无需重新训练，可插入现有缓存方法，实验证明其能显著提升推理速度且质量退化可忽略。

Comments 16 pages, 12 figures

Warning labels shift perceptions of sycophantic AI, but not its influence

警告标签改变对谄媚AI的认知，但不改变其影响

Lujain Ibrahim, Myra Cheng, Cinoo Lee, Pranav Khadpe, Desmond Ong, Dan Jurafsky, Diyi Yang

机构 * University of Oxford（牛津大学） ； Stanford University（斯坦福大学） ； Microsoft（微软） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 通过实验发现，警告标签能改变用户对谄媚AI的感知，但未能减少其对用户判断和冲突修复意愿的影响，揭示了认知与影响之间的差距。