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

ISO: An RLVR-Native Optimization Stack

ISO：一种原生 RLVR 的优化栈

Hanqing Zhu, Wenyan Cong, Zhizhou Sha, Sagnik Mukherjee, Xinyuan Song, David González-Martínez, Xiaoxia Wu, Yuandong Tian, Shiwei Liu, David Z. Pan, Zhangyang "Atlas" Wang

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； UIUC（伊利诺伊大学香槟分校） ； Emory University（埃默里大学） ； Together AI（联合人工智能公司） ； Recursive Superintelligence Inc（递归超级智能公司） ； ELLIS Institute Tübingen（图宾根埃利斯研究所） 纠错

AI总结 研究 RLVR 中缺失的优化层，提出等谱优化（ISO）框架，包括离线的 ISO-Merger 和在线的 ISO-Optimizer。通过光谱继承，在推理和编码任务中，用更少训练步骤提高准确率，为 RLVR 优化层问题提供了具体解决方案。

Comments Preprint

Signed Rectified Flow: Negativity-Controlled Generation

带符号整流流：负性控制生成

Runlong Liao, Baiyu Su, Lizhang Chen, Qiang Liu

机构 * UT Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 研究提出带符号整流流（Signed RF），通过推广整流流，基于带符号测度构建生成模型，能将概率集中在正区域并排除负区域。分析其连续性方程并给出解释，推动实用算法，在多应用中提升性能，改进了保真度 - 多样性权衡等。

DuSPiT: Dual-Branch Sub-Patch Pixel Diffusion Transformer

DuSPiT：双分支子补丁像素扩散变换器

Yunpeng Bai, Yossi Gandelsman, Michaël Gharbi

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

AI总结 研究针对像素空间扩散中单一表示兼顾全局与细节的问题，提出双分支子补丁像素扩散变换器DuSPiT。通过分离全局与局部处理，利用两分支交互，实现更丰富细节和更好质量效率权衡，优于此前的像素空间扩散变换器。

The Tractability Landscape of Sampling with Inexact Scores

使用不精确分数进行采样的可处理性景观

Anming Gu, Kevin Tian, Hubert Yang, Yusong Zhu

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

AI总结 研究使用不精确分数进行采样时，给出允许以消失总变差偏差采样的不精确得分预言机访问类型刻画，指出比[YW26]次高斯假设更弱误差会排除无偏采样可处理性，加强相关结论。

Comments 5 pages, 1 figure

VOFA: Visual Object Goal Pushing with Force-Adaptive Control for Humanoids

VOFA：基于力适应控制的人形机器人视觉目标推动

Zichao Hu, Zifan Xu, Dongsik Chang, He Yin, Linh Tran, Roberto Martín-Martín, Peter Stone, Jingyu Qiao, Joydeep Biswas

机构 * 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） ； Amazon Inc.（亚马逊公司） ； Sony AI（索尼人工智能） 纠错

AI总结 本文提出VOFA系统，通过视觉引导实现对未知物理属性物体的精准推动，解决重物操控中的未知质量和地面摩擦问题，实现在仿真和现实中的高成功率表现。

Comments Accepted at IROS 2026. Project website: https://amrl.cs.utexas.edu/VOFA