One Size Fits None: Modeling NYC Taxi Trips
无一大小适用：纽约出租车 trips 的建模
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 研究发现传统出租车小费可预测，而应用程序小费难以建模，表明单一模型无效，需针对不同类别使用专门模型。
Comments 13 pages, 10 figures
高校专区
University of Texas at Austin（得克萨斯大学奥斯汀分校）
RegionRoute: Regional Style Transfer with Diffusion Model
RegionRoute: 区域风格迁移与扩散模型
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Dolby Laboratories, Inc.（杜比实验室）
AI总结 RegionRoute提出一种注意力监督的扩散框架，通过训练对齐风格标记的注意力分数与对象掩码，实现精确的区域风格迁移，提升风格应用的局部化能力。
Learning Street View Representations with Spatiotemporal Contrast
利用时空对比学习街道视图表示
机构 * Institute of Remote Sensing and Geographic Information System, School of Earth and Space Sciences, Peking University（遥感与地理信息系统研究所，地球与空间科学学院，北京大学） ； Department of Civil and Environmental Engineering, The Hong Kong University of Science and Technology（土木与环境工程系，香港科学与技术大学） ； SEAI Lab, Department of Geography and the Environment, University of Texas at Austin（SEAI实验室，地理与环境系，德克萨斯大学奥斯汀分校）
AI总结 本文提出一种基于时空对比学习的街道视图表示学习方法，以提升城市环境相关下游任务的性能。
Lean Finder: Semantic Search for Mathlib That Understands User Intents
Lean Finder: 用于Mathlib的语义搜索，能理解用户意图
机构 * Simon Fraser University（西蒙·弗雷泽大学） ； University of Waterloo（滑铁卢大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 Lean Finder通过语义搜索和用户意图理解，提升了数学家在Lean和mathlib中的搜索效率和准确性。
VeriSoftBench: Repository-Scale Formal Verification Benchmarks for Lean
VeriSoftBench: 仓库级形式验证基准测试用于Lean
机构 * New York University（纽约大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 VeriSoftBench通过500个Lean 4证明义务评估LLM和证明器在仓库级形式验证中的表现，揭示了依赖闭包对证明成功率的影响。
PHAST: Port-Hamiltonian Architecture for Structured Temporal Dynamics Forecasting
PHAST：用于结构时间动态预测的端口-哈密顿架构
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Oden Institute for Computational Engineering and Sciences（计算工程与科学研究所）
AI总结 PHAST通过端口-哈密顿架构在结构时间动态预测中实现稳定长周期预测并恢复物理参数。
Comments 50 pages
AnCoder: Anchored Code Generation via Discrete Diffusion Models
AnCoder：通过离散扩散模型实现锚定代码生成
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 AnCoder通过结构化锚定扩散模型实现高质量代码生成，解决了传统方法无法尊重编程语言结构的问题。
LeafNet: A Large-Scale Dataset and Comprehensive Benchmark for Foundational Vision-Language Understanding of Plant Diseases
LeafNet：一个大规模数据集和全面基准，用于植物病害的基础视觉-语言理解
机构 * School of Electrical Engineering, Korea University（韩国大学电气工程学院） ； Department of Integrative Biology, The University of Texas at Austin（德克萨斯大学奥斯汀分校整合生物学系） ； Department of Software Engineering, FPT University（FPT大学软件工程系）
AI总结 LeafNet通过大规模多模态数据集和基准测试，揭示了VLMs在植物疾病理解中的性能差异，强调了多模态架构在提升诊断精度中的关键作用。
Comments 26 pages, 13 figures and 8 tables
Simultaneous Blackwell Approachability and Applications to Multiclass Omniprediction
同时实现Blackwell可接近性及其在多类全预测中的应用
机构 * Northeastern University（东北大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出了一种多类全预测算法，通过扩展二元算法，实现了样本复杂度为ε^{-(k+1)}的性能，同时解决了多集合同时接近的Blackwell可接近性问题。
Say It My Way: Exploring Control in Conversational Visual Question Answering with Blind Users
说我的方式：探索盲人用户在对话式视觉问答中的控制能力
机构 * University of Maryland（马里兰大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文通过邀请盲人用户定制对话式VQA系统，探讨如何通过提示工程等技术克服系统局限性，并提供新的公开数据集和交互设计见解。
Comments Preprint, Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems
Multi-Objective Alignment of Language Models for Personalized Psychotherapy
多目标对齐语言模型以实现个性化心理治疗
机构 * Department of Computer Science, University of California, Los Angeles, CA, USA（计算机科学系，加州大学洛杉矶分校） ； Department of Psychology, The University of Texas at Austin, Austin, TX, USA（心理学系，德克萨斯大学奥斯汀分校） ； Department of Psychiatry, NYU Grossman School of Medicine, New York, NY, USA（精神病学系，纽约大学格罗斯曼医学院）
AI总结 本文提出多目标对齐框架，通过直接偏好优化提升语言模型在心理治疗中的共情与安全性能，实验显示其在平衡患者偏好与临床安全方面优于传统方法。
The Subjectivity of Respect in Police Traffic Stops: Modeling Community Perspectives in Body-Worn Camera Footage
警察拦车停靠中尊重的主观性：在体测摄像头录像中建模社区视角
机构 * Department of Computer Science, University of Southern California（计算机科学系，南加州大学） ； Department of Psychology, University of Southern California（心理学系，南加州大学） ； Department of Political Science, University of California Riverside（政治学系，加州河滨大学） ； Department of Anthropology, University of California Los Angeles（人类学系，加州大学洛杉矶分校） ； Department of Political Science and International Relations, University of Southern California（政治学与国际关系系，南加州大学） ； Harvard Law School, Harvard University（哈佛法学院，哈佛大学） ； Department of Sociology, The University of Texas at Austin（社会学系，德克萨斯大学奥斯汀分校）
AI总结 本文提出了一种视角意识的建模框架，通过分析体测摄像头录像中的社区视角，提升对尊重评分的预测和理由生成能力，以促进公众信任和程序合法性。
LightCode: Light Analytical and Neural Codes for Channels with Feedback
LightCode: 有反馈信道的分析与神经编码
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Texas A&M University, College Station（德克萨斯农工大学，科勒斯顿）
AI总结 LightCode是一种轻量级神经编码方案，通过结合分析编码与深度学习技术，在低SNR区域实现高可靠性，同时降低计算和内存开销。
Comments 16 pages, 12 figures, To appear in IEEE Journal on Selected Areas in Communications, 2024
Journal ref IEEE JSAC, 43(4):1230-1245, 2025
Balancing Faithfulness and Performance in Reasoning via Multi-Listener Soft Execution
通过多听众软执行平衡忠实与性能
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 REMUL通过多听众强化学习方法提升推理忠实性与性能，改进多个基准的忠实性指标和准确性。
Comments Code: https://github.com/nsivaku/remul
Improving Data Efficiency for LLM Reinforcement Fine-tuning Through Difficulty-targeted Online Data Selection and Rollout Replay
通过难度目标在线数据选择和回放提升大语言模型强化微调的数据效率
机构 * UIUC（伊利诺伊大学香槟分校） ； New York University（纽约大学） ； University of Texas at Austin（得克萨斯大学奥斯汀分校） ； Microsoft（微软）
AI总结 本文提出通过难度目标在线数据选择和回放机制提升大语言模型强化微调的数据效率，实验表明可减少62%的微调时间并保持同等性能。
Comments Accepted at NeurIPS 2025
Decoupled Continuous-Time Reinforcement Learning via Hamiltonian Flow
通过哈密顿流实现解耦的连续时间强化学习
机构 * Google（谷歌） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出了解耦的连续时间强化学习算法，通过哈密顿流更新价值函数，并利用扩散生成器学习优势率函数，实现了在连续控制任务中的优越性能。
TWISTED-RL: Hierarchical Skilled Agents for Knot-Tying without Human Demonstrations
TWISTED-RL：无人类示范的分层技能代理用于打结
机构 * Reichman University（雷赫曼大学） ； Technion – Israel Institute of Technology（技术学院——以色列理工学院） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 TWISTED-RL通过强化学习和拓扑动作实现无示范的复杂打结任务，提升泛化能力和效率。
Covariance-Aware Transformers for Quadratic Programming and Decision Making
具有协方差意识的变换器用于二次规划和决策制定
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Michigan（密歇根大学）
AI总结 本文提出Time2Decide方法，通过显式利用协方差矩阵提升变换器在二次规划和决策制定中的性能。
Controlling Your Image via Simplified Vector Graphics
通过简化矢量图形控制图像
机构 * The University of Texas at Austin, USA（德克萨斯大学奥斯汀分校） ； Clemson University, USA（克莱姆森大学） ； SparcAI Inc., USA（SparcAI公司）
AI总结 本研究提出通过简化矢量图形实现图像元素层面的可控生成，通过分层结构和语义对齐的矢量图形表示，实现对几何、颜色和物体语义的精确控制，适用于图像编辑和精细内容创作。
Comments Preprint
Choosing How to Remember: Adaptive Memory Structures for LLM Agents
选择如何记忆：面向LLM代理的自适应记忆结构
机构 * University of Technology Sydney（悉尼大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； The University of Melbourne（墨尔本大学）
AI总结 本文提出FluxMem框架，通过自适应记忆结构选择和三级记忆层次结构，提升LLM代理在长时间交互中的表现，实验显示平均提升9.18%和6.14%。
RosettaSpeech: Zero-Shot Speech-to-Speech Translation without Parallel Speech
RosettaSpeech: 无需平行语音数据的零样本语音到语音翻译
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Amazon（亚马逊）
AI总结 RosettaSpeech通过单语语音-文本数据和机器翻译监督，实现无需平行语音数据的零样本语音到语音翻译，取得领先的ASR-BLEU得分并保留说话人声音。
Comments 12 pages, 4 figures
Beyond Static Cutoffs: One-Shot Dynamic Thresholding for Diffusion Language Models
超越静态截止值：用于扩散语言模型的单次动态阈值技术
机构 * Rice University（里奇大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出单次动态阈值技术，用于改进扩散语言模型的解码效率，在多个基准测试中提升了准确率与吞吐量的平衡。
Comments 7 pages, NeurIPS 2025 Efficient Reasoning Workshop
FORTE: Tactile Force and Slip Sensing on Compliant Fingers for Delicate Manipulation
FORTE：用于精细操作的柔性指尖触力与滑动感知
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 FORTE通过柔性指尖触觉感知系统实现低延迟的力与滑动反馈，有效提升对易碎、滑腻物体的抓取精度与稳定性。
Cautious Optimizers: Improving Training with One Line of Code
谨慎优化器：通过一行代码提升训练
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 通过一行代码改进优化器，提升Transformer预训练和图像分类性能
When Attention Collapses: How Degenerate Layers in LLMs Enable Smaller, Stronger Models
当注意力崩溃：LLMs中的退化层如何使小型模型更强大
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； New York University（纽约大学） ； UC Berkeley（伯克利加州大学）
AI总结 Inheritune通过继承预训练模型的早期层来构建更小但更强的语言模型，实现模型压缩与性能的平衡。
Comments Published in Transactions on Machine Learning Research (TMLR)
Rubrics as an Attack Surface: Stealthy Preference Drift in LLM Judges
评分标准作为攻击面：LLM裁判中的隐蔽偏好漂移
机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Carnegie Mellon University（卡内基梅隆大学） ； Yale University（耶鲁大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 研究揭示了基于评分标准的LLM裁判中隐蔽的偏好漂移问题，通过评分标准攻击可系统性降低目标领域准确性，影响模型对齐流程。
On the Mechanisms of Collaborative Learning in VAE Recommenders
在VAE推荐系统中协作学习的机制
机构 * Amazon（亚马逊公司） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Monash University（莫纳什大学）
AI总结 本文研究了基于VAE的推荐系统中协作学习的机制，分析了潜在接近性对协作的影响，并提出了锚点正则化器以实现用户与项目间的信号共享。
TensorCommitments: A Lightweight Verifiable Inference for Language Models
张量承诺：一种轻量级可验证的语言模型推断
机构 * The University of Texas at Austin（德克萨斯大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Theseus AI Labs（Theseus AI实验室） ； McGill University（麦吉尔大学）
AI总结 张量承诺通过轻量级的证明方案实现可验证的语言模型推断，提高对抗性攻击的鲁棒性。
Comments 23 pages, 8 figures, under review
Self-Refining Vision Language Model for Robotic Failure Detection and Reasoning
自适应多任务视觉语言模型用于机器人故障检测与推理
机构 * UT Austin（德克萨斯大学） ； Amazon Robotics（亚马逊机器人技术） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 ARMOR是一种自适应多任务视觉语言模型，通过多任务自 refinement 过程提升机器人故障检测与推理性能，实现故障检测率提升30%和推理表现提升100%。
A Multi-Fidelity Control Variate Approach for Policy Gradient Estimation
一种多保真度控制变量化法用于策略梯度估计
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； The University of British Columbia（不列颠哥伦比亚大学） ； DEVCOM Army Research Laboratory（国防部陆军研究实验室）
AI总结 本文提出一种多保真度控制变量化方法，通过结合稀缺目标环境数据和丰富的低保真度模拟数据，提高策略梯度估计的样本效率和收敛速度，适用于有限高保真度数据但丰富低保真度数据的机器人任务。
