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

Transition-Related Potentials as Markers of Narrative Comprehension in Continuous EEG

作为连续脑电图中叙事理解标记的转换相关电位

Bálint Csanády, Péter Vedres, Kristóf Zsolt Makó, Orsolya Papp-Zipernovszky, Márta Volosin, Dávid Apagyi, András Lukács, András Bálint Kovács, Zoltan Nadasdy

机构 * ELTE Eötvös Loránd University（埃尔特大学） ； Budapest University of Technology（布达佩斯技术大学） ； HUN-REN Wigner Research Centre for Physics（HUN-REN威金物理研究所） ； Semmelweis University（塞梅尔维斯大学） ； University of Miskolc（米什科尔茨大学） ； University of Szeged（塞格德大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 研究利用连续脑电图探索叙事理解，提取与电影转换对齐的电位，发现转换相关电位受叙事背景影响，可用深度神经网络从连续记录中恢复，为分析观众理解电影叙事提供半自动框架，还可用于其他连续刺激。

Comments 40 pages, 14 figures

Beyond Episodic Evaluation: Memory Architectural Bottlenecks in Sequential Embodied Question Answering

超越情节性评估：序列式具身问答中的内存架构瓶颈

Zikui Cai, Kaushal Janga, Tan Dat Dao, Seungjae Lee, Shivin Dass, Mingyo Seo, Kaiyu Yue, Mintong Kang, Nandhu Pillai, Monte Hoover, Aadi Palnitkar, Ruchit Rawal, Ruijie Zheng, Bo Li, Yuke Zhu, Roberto Martín-Martín, Tom Goldstein, Furong Huang

机构 * University of Maryland, College Park（马里兰大学帕克分校） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 研究序列式具身问答中不同内存架构表现，发现仅保留现有记忆不足，短视情节数据训练的智能体有时间不匹配问题。强调结构化、基于空间记忆的必要性，实验表明其能打破准确性-效率权衡，对真实机器人连续智能操作至关重要。

Comments Accepted to IROS 2026

Dimension-Free Convergence of Discrete Diffusion Models: Adjoint Equations Induce the Right Space

离散扩散模型的维度无关收敛性：伴随方程诱导了正确的空间

Kelvin Kan, Xingjian Li, Benjamin J. Zhang, Tuhin Sahai, Stanley Osher, Markos A. Katsoulakis

机构 * Department of Mathematics（数学系） ； Oden Institute School of Data Science and Society（数据科学与社会学院） ； UCLA（加州大学洛杉矶分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； Computational and Applied Sciences Group（计算与应用科学组） ； Department of Mathematics and Statistics（数学与统计学系） ； SRI International（SRI国际） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） 纠错

AI总结 本文提出了一种基于伴随方程的统一框架，实现了任何积分概率度量（IPM）下的维度无关收敛保证，克服了传统KL和TV方法在处理大规模状态空间时的局限性。

Playing Along: Learning a Double-Agent Defender for Belief Steering via Theory of Mind

扮演：通过理论思维学习双代理守护者以实现信念引导

Hanqi Xiao, Vaidehi Patil, Zaid Khan, Hyunji Lee, Elias Stengel-Eskin, Mohit Bansal

机构 * UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 本文提出ToM-SB挑战，通过强化学习训练双代理模型以提升信念引导和理论思维能力，结果显示结合两者奖励的模型在对抗任务中表现更优。

Comments First two authors contributed equally. Code: https://github.com/The-Inscrutable-X/AIDoubleAgentDefenders

PILD: Physics-Informed Learning via Diffusion

PILD：通过扩散进行物理引导学习

Tianyi Zeng, Tianyi Wang, Jiaru Zhang, Zimo Zeng, Feiyang Zhang, Yiming Xu, Sikai Chen, Junfeng Jiao, Christian Claudel, Xinbo Chen

机构 * Shanghai Jiao Tong University, Shanghai, China（上海交通大学） ； The University of Texas at Austin, Austin, TX, USA（德克萨斯大学奥斯汀分校） ； Zhejiang University, Hangzhou, Zhejiang, China（浙江大学） ； Tongji University, Shanghai, China（同济大学） ； University of Wisconsin-Madison, Madison, WI, USA（威斯康星大学麦迪逊分校） 纠错

AI总结 PILD通过引入虚拟残差观测和条件嵌入模块，结合物理约束与扩散模型，提升工程和科学任务中生成模型的准确性、稳定性和泛化能力。

Comments 34 pages, 13 figures, 14 tables

Optimal Recalibration of an Online Predictor

在线预测器的最优重新校准

Lunjia Hu, Kevin Tian, Chutong Yang

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

AI总结 本文提出一种在线算法，实现在线预测器的最优重新校准，同时达到ε-校准和ε²-校准，改进了以往单独实现这些属性的工作。

Total Variation Distance Estimation in Autoregressive Models

自回归模型中的总变差距离估计

Eric Price, Kevin Tian, Zhiyang Xun, 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 研究自回归模型中两个分布的总变差距离估计问题。在样本、对数概率、噪声对数概率三种访问模型下，分别给出不同查询次数的估计方法，并通过实验验证算法的稳健性和实用性，即便KL散度无穷时也能估计。

Comments 39 pages, 11 figures, code is available at https://github.com/XunZhiyang/llm-tv-estimation

Streaming Sliced Optimal Transport

流式切片最优传输

Khai Nguyen

机构 * Department of Statistics（统计系） ； Data Sciences, University of Texas at Austin, USA（数据科学系，德克萨斯大学奥斯汀分校） 纠错

AI总结 本文提出流式切片最优传输（Stream-SW）方法，通过流式估计一维Wasserstein距离来提升计算效率，适用于样本流中的切片最优传输估计，具有低内存复杂度和理论误差保证。

Comments Accepted to ICML 2026, 21 pages, 8 figures, 7 tables

Abstraction Induces the Brain Alignment of Language and Speech Models

抽象诱导语言和语音模型的脑对齐

Emily Cheng, Aditya R. Vaidya, Richard Antonello

机构 * The University of Texas at Austin, USA（德克萨斯大学奥斯汀分校） ； Zuckerman Mind Brain Behavior Institute, Columbia University, USA（祖克曼心智-大脑-行为研究所，哥伦比亚大学） 纠错

AI总结 研究发现语言和语音模型通过共享的意义抽象与大脑对齐，中间层的高内在维度和语义内容增强了大脑预测性。

Comments ICML 2026 camera-ready version

Journal ref ICML 2026

Avoiding Obfuscation with Prover-Estimator Debate

通过证明者-估计者辩论避免混淆

Jonah Brown-Cohen, Geoffrey Irving, Georgios Piliouras, Lijie Chen, Jiawei Li, Zhiyang Xun

机构 * Google DeepMind（谷歌DeepMind） ； UK AI Security Institute（英国人工智能安全研究所） ； UC Berkeley（加州大学伯克利分校） ； UT Austin（得克萨斯大学奥斯汀分校） 纠错

AI总结 研究如何训练强大AI系统，利用证明者-估计者辩论放大人类判断。针对现有递归辩论协议的混淆论证问题，提出新协议，在一定假设下确保诚实辩论者能用与对手相当的计算效率策略获胜。

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

FinBench: Time-Gated Calibration and Uncertainty Benchmarking for Agentic Financial Forecasting

FinBench：用于智能金融预测的时间门控校准与不确定性基准测试

Rishab Ghosh, Vinay Devarakonda

机构 * UT Austin（得克萨斯大学） 纠错

AI总结 介绍用于金融预测的FinBench基准，它通过时间门控避免前瞻偏差，用适当评分规则评估。任务要求模型输出正回报概率和预测区间，用多种分数评估，通过小型试点运行展示校准敏感指标能区分不同预测行为。

Comments 9 pages, 3 figures

FormulaCode: Evaluating Agentic Optimization on Large Codebases

FormulaCode: 评估在大规模代码库上进行代理优化

Atharva Sehgal, James Hou, Akanksha Sarkar, Ishaan Mantripragada, Swarat Chaudhuri, Jennifer J. Sun, Yisong Yue

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； California Institute of Technology（加州理工学院） ； Cornell University（康奈尔大学） 纠错

AI总结 FormulaCode是一个评估大型真实代码库上代理优化能力的基准，包含957个从科学Python仓库挖掘出的性能瓶颈，配以专家撰写的补丁和平均264.6个社区维护的性能工作负载，揭示了前沿LLM代理在多目标优化上的重大挑战。

Comments ICML Camera Ready Version

OMAC: A Holistic Optimization Framework for LLM-Based Multi-Agent Collaboration

OMAC：一种面向基于大语言模型的多智能体协作的综合优化框架

Shijun Li, Hilaf Hasson, Joydeep Ghosh

机构 * Department of Electrical and Computer Engineering, The University of Texas at Austin, Austin, United States（得克萨斯大学奥斯汀分校电子与计算机工程系） ； Intuit AI Research, Mountain View, United States（Intuit AI研究） 纠错

AI总结 本文提出OMAC框架，通过五个关键优化维度提升基于大语言模型的多智能体系统性能，采用语义初始化器和对比比较器算法实现单维和多维联合优化。

Comments Accepted as a Oral paper at ICML 2026

Fairness-Aware Multi-Group Target Detection in Online Discussion

具有公平性的多群体目标检测在线讨论中

Soumyajit Gupta, Maria De-Arteaga, Matthew Lease

机构 * Dept. 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） ； Department of Data, Analytics, Technology, and Artificial Intelligence, ESADE（ESADE大学数据、分析、技术和人工智能系） ； The Information School, The University of Texas at Austin（德克萨斯大学奥斯汀分校信息学院） 纠错

AI总结 本文研究了在线讨论中目标群体检测的公平性影响，提出了一种公平性意识的多群体目标检测方法，减少了群体间的偏见并提升了预测性能。

Journal ref 2026 ACM Conference on Fairness, Accountability, and Transparency (FAccT)

PE-Field 4D: Video Generation Models as Canvas

PE-Field 4D：作为画布的视频生成模型

Yunpeng Bai, Haoxiang Li, Qixing Huang

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Pixocial Technology（皮克社交科技） 纠错

AI总结 研究视频生成中扩散变换器控制场景几何形状的挑战，通过重新审视位置编码作用，引入几何感知交叉注意力机制及相关编码方案，构建可控视频生成框架，提升视点相关编辑任务的空间可控性且保留模型生成先验。

Neuro-Symbolic AI for LEED compliance: Document-Centric Benchmarking, Deterministic Numeric Checking, and When Multimodal Hurts

用于LEED合规的神经符号人工智能：以文档为中心的基准测试、确定性数值检查以及多模态何时有害

Aritro De, Juliana Felkner

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

AI总结 研究小型本地部署语言模型对LEED文档筛选及符号组件作用，引入神经符号管道，通过对齐PDF、检索证据、语言模型验证和数值检查器检查来验证合规性，实验表明特定模型在任务中表现较好，管道及基线提供了参考。

SLAC: Safe and Efficient Real-Robot Reinforcement Learning via Unsupervised Simulation Pre-Training

SLAC：通过无监督模拟预训练实现安全高效的真实机器人强化学习

Jiaheng Hu, Peter Stone, Roberto Martín-Martín

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Sony AI（索尼人工智能） ； Amazon Robotics（亚马逊机器人技术） 纠错

AI总结 研究旨在解决高自由度机器人强化学习难题，提出SLAC方法，利用低保真模拟器预训练潜在动作空间，通过定制无监督方法训练并用于新型离策略算法，在双手移动操纵任务中达领先性能，高效学习复杂任务。

Comments Preliminary version at CoRL 2025

Derivation of effective gradient flow equations and dynamical truncation of training data in Deep Learning

深度学习中的有效梯度流方程推导与训练数据的动态截断

Thomas Chen

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

AI总结 针对ReLU激活函数的深度学习，推导了基于梯度下降的累积偏差和权重的显式方程，揭示了数据簇以指数速率被动态截断的机制，为监督学习的可解释性提供新视角。

Comments AMS Latex, 37 pages

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。

Adapting Generalist Vehicle Models for High-Speed MPC Across Terrains

使通用车辆模型适应不同地形的高速模型预测控制

Rwik Rana, Jesse Quattrociocchi, Christian Ellis, Nathan Tsoi, Garrett Warnell, Joydeep Biswas

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； DEVCOM Army Research Laboratory（陆军研究实验室） 纠错

AI总结 研究高速越野自主中通用车辆模型适应不同地形的问题，提出OptCar方法，通过历史条件动态适应模块，利用有限真实数据和合成展开微调通用模型，在多种实验中表现良好，提升了跨地形性能。