Path Planning in Physically Viable World Models
物理可行世界模型中的路径规划
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 提出物理可行世界模型，通过物理仿真生成修改后的场景，使机器人能在部署前评估未来地形变化对路径可行性的影响。
Comments 18 pages, 7 figures, submitted to CORL
高校专区
University of Texas at Austin（得克萨斯大学奥斯汀分校）
GenSP: Consistent Spherical Parameterization via Learning Shape Generative Models
GenSP：通过学习形状生成模型实现一致的球面参数化
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Colorado Boulder（科罗拉多大学博尔德分校）
AI总结 提出GenSP框架，通过学习神经生成模型预测从单位球面到形状的连续映射，并通过逆映射获得一致的球面参数化，显著降低几何畸变并提升跨形状一致性。
Comments Accepted at ECCV 2026. Sai Karthikey Pentapati and Shashank Gupta contributed equally to this work
Distill to Detect: Exposing Stealth Biases in LLMs through Cartridge Distillation
蒸馏检测：通过弹药筒蒸馏揭露大语言模型中的隐蔽偏见
机构 * Stanford University（斯坦福大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Foundation AI–Cisco Systems Inc.（Foundation AI–思科系统公司）
AI总结 提出Distill to Detect (D2D)方法，通过蒸馏模型与基座之间的分布偏移到KV缓存前缀适配器中，放大隐蔽偏见信号至可检测程度，并基于Fisher加权投影理论解释其有效性。
Comments Accepted to the ICML 2026 Workshops on TAIGR, AI4GOOD, Mechanistic Interpretability, and CoLoRAI
Laplace-Fisher Gate Identities for Optimal Matrix-Gated Blended Score Estimation
Laplace--Fisher 门恒等式用于最优矩阵门控混合得分估计
机构 * The Oden Institute for Computational Engineering and Sciences（奥登计算工程与科学研究院） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； The Department of Aerospace Engineering & Engineering Mechanics（航空航天工程与机械系）
AI总结 针对非归一化目标采样中的得分估计问题，提出矩阵值门控混合得分估计方法，推导出方差最优门公式（Laplace-Fisher 门恒等式），并证明有限参考一致性，应用于贝叶斯逆问题的归一化密度评估。
Comments Provisional report
OopsieVerse: A Safety Benchmark with Damage-Aware Simulation for Robot Manipulation
OopsieVerse: 一个具有损伤感知仿真的机器人操作安全基准
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 提出OopsieVerse框架，通过DamageSim检测和量化接触力、温度等损伤信号，在OmniGibson和RoboCasa仿真器中实现损伤感知，用于安全策略学习与评估。
Comments Project website: https://robin-lab.cs.utexas.edu/oopsieverse/. The first two authors contributed equally; order decided by dice roll. Accepted to Robotics: Science and Systems (RSS 2026)
CoDex: Learning Compositional Dexterous Functional Manipulation without Demonstrations
CoDex: 无需演示学习组合式灵巧功能性操作
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 提出零演示框架CoDex，结合视觉语言模型与强化学习，自主发现并执行涉及物体内部机制操控的灵巧操作策略，在多种工具任务中验证了其有效性。
Comments IEEE International Conference on Robotics and Automation (ICRA) 2026. Project page: https://robin-lab.cs.utexas.edu/CoDex/
Geometry-Preserving Orthonormal Initialization for Low-Rank Adaptation in RLVR
保持几何的正交初始化用于RLVR中的低秩适应
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Meta Superintelligence Labs（Meta超级智能实验室） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 针对RLVR中LoRA初始化问题，提出保持几何的正交初始化方法（RLPO和RLMO），理论证明其最小化与全微调差距，实验表明稳定训练且优于标准LoRA。
Comments 30 pages, accepted to ICML 2026
Learning All-Terrain Locomotion for a Planetary Rover with Actively Articulated Suspension
学习具有主动铰接悬挂的行星探测车的全地形运动
机构 * Jet Propulsion Laboratory, California Institute of Technology（喷气推进实验室，加州理工学院） ； Center for Autonomy, University of Texas at Austin（自主性中心，德克萨斯大学奥斯汀分校） ； Space Systems Laboratory, University of Maryland（空间系统实验室，马里兰大学）
AI总结 提出一种带有主动万向悬挂的四轮行星探测车概念，利用强化学习训练单一神经网络控制器，实现自主障碍协商和全地形运动，通过策略整合和零样本迁移在物理车上验证。
Comments 21 pages, 26 figures
Vision-Default, Prior-Override: Causal Mechanisms of Perception-Knowledge Conflict in Vision-Language Models
视觉默认，先验覆盖：视觉-语言模型中感知-知识冲突的因果机制
机构 * University of Tübingen（图宾根大学） ； Harvard University（哈佛大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 通过激活修补和消融实验，发现VLM中视觉默认激活，而先验知识依赖少量因果注意力头（2.5-4.8%），形成不对称因果结构。
Comments 14 pages, 11 figures, 8 tables
Boundary condition fidelity for bottom-hole pressure and CO2 plume prediction in geological carbon storage
地质碳封存中井底压力与CO2羽流预测的边界条件保真度
机构 * Department of Earth and Planetary Sciences, Jackson School of Geosciences, The University of Texas at Austin（德克萨斯大学奥斯汀分校杰克逊地球科学学院地球与行星科学系） ； Bureau of Economic Geology, The University of Texas at Austin（德克萨斯大学奥斯汀分校经济地质局） ； Hildebrand Department of Petroleum and Geosystems Engineering, The University of Texas at Austin（德克萨斯大学奥斯汀分校希尔德布兰德石油与地质系统工程系）
AI总结 研究通过对比十种截断域边界处理方法与全域参考模拟，评估边界条件保真度对井底压力和CO2羽流预测的影响，发现保留角点孔隙体积是关键，而透射率修正并非普遍有益，渐进修正结合透射率修正效果最佳。
What We are Missing in Multimodal LLM Evaluation?
我们在多模态大语言模型评估中缺失了什么？
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文分析现有多模态大语言模型评估基准的不足，识别出时空连贯性、物理世界理解、多模态一致性和选择性注意等关键缺失，强调填补这些空白对衡量多模态智能真实进展的重要性。
Learning from the Self-future: On-policy Self-distillation for dLLMs
从自我未来学习：面向扩散LLM的在线自蒸馏
机构 * Tsinghua University（清华大学） ； Technical University of Munich（慕尼黑工业大学） ； Nanyang Technological University（南洋理工大学） ； University of British Columbia（不列颠哥伦比亚大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； ELLIS Institute Tubingen（ELLIS蒂宾根研究所） ； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； Tubingen AI Center（蒂宾根人工智能中心）
AI总结 提出首个面向扩散大语言模型的在线自蒸馏框架d-OPSD，通过自我生成答案作为后缀条件实现从自我未来经验学习，并将监督从词元级转向步骤级，在推理基准上以约10%的优化步骤超越RLVR和SFT基线。
Comments Preprint
Causal-rCM: A Unified Teacher-Forcing and Self-Forcing Open Recipe for Autoregressive Diffusion Distillation in Streaming Video Generation and Interactive World Models
Causal-rCM：一种用于流式视频生成和交互式世界模型中自回归扩散蒸馏的统一教师强制与自我强制开放配方
机构 * Tsinghua University（清华大学） ； UT Austin（德克萨斯大学奥斯汀分校） ； NVIDIA（英伟达）
AI总结 提出Causal-rCM框架，将扩散蒸馏扩展到自回归视频扩散，通过教师强制（前向散度）与自我强制（反向散度）互补，实现流式视频生成和交互式世界模型，在帧级和块级设置中达到最先进性能。
Comments Technical Report
Physics Question Scene Graph: Fine-grained Evaluation of Physical Plausibility in Text-to-Video Generation
物理问题场景图：文本到视频生成中物理合理性的细粒度评估
机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； AI2（艾伦人工智能研究所） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 提出物理问题场景图（PQSG），一种基于层次化问题的评估流程，通过图结构问题检查视频在对象、动作和物理规律上的忠实度，实现细粒度评估。
Comments ECCV 2026. Code and data: https://github.com/atinpothiraj/pqsg
Memory Retrieval in Visuomotor Policies for Long-Horizon Robot Control
视觉运动策略中的记忆检索用于长期机器人控制
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 提出HALO策略，通过注意力记忆检索机制和视觉语言模型先验蒸馏，解决长期控制中的虚假相关和记忆误差累积问题，实现从长达8分钟历史中检索任务相关信息。
Comments 16 pages, 5 tables, 8 figures
RGB: RL Guided Whole-Body MPPI for Humanoid Control
RGB: 强化学习引导的全身MPPI用于人形机器人控制
机构 * Center for Humanoid Research, Korea Institute of Science and Technology (KIST)（韩国科学技术研究院（KIST）仿人机器人研究中心） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Department of Mechanical Engineering, Yonsei University（延世大学机械工程系） ； School of Electrical Engineering, Korea University（高丽大学电气工程学院）
AI总结 提出RL引导的全身MPPI框架，利用预训练RL策略作为采样先验，通过MPPI成本项在线修正，无需重新训练即可实现鲁棒精确的全身控制。
Comments 7pages
OpenThoughts-Agent: Data Recipes for Agentic Models
OpenThoughts-Agent: 智能体模型的数据配方
机构 * UC Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； JSC（于利希超级计算中心） ； LAION ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Bespoke Labs ； Laude Institute ； UCLA（加州大学洛杉矶分校） ； Harvard University & Harvard Medical School（哈佛大学与哈佛医学院） ； TU Munich & Munich Center for Machine Learning（慕尼黑工业大学与慕尼黑机器学习中心） ； New York University（纽约大学） ； Medical University of South Carolina（南卡罗来纳医科大学） ； The LLM Data Company ； BenchFlow ； Independent Researcher（独立研究员） ； Northeastern University（东北大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of Washington（华盛顿大学） ； TU Darmstadt（达姆施塔特工业大学） ； University of Southern California（南加州大学） ； UC San Diego（加州大学圣地亚哥分校） ； Amazon（亚马逊） ； Microsoft（微软） ； Korea University（高丽大学） ； Cornell Tech（康奈尔科技） ； University of Michigan（密歇根大学）
AI总结 提出全开放数据筛选流水线，通过100多次消融实验研究任务来源与多样性，构建10万样本训练集，在7个智能体基准上平均44.8%准确率，较最强开源模型提升3.9个百分点。
Assessing Distribution Shift in Human Activity Recognition for Domain Generalization
评估人类活动识别中的分布偏移以进行域泛化
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 系统评估设备类型、传感器位置、采样率和用户行为四种分布偏移对HAR模型的影响，建立统一基准并评估28种域泛化方法，发现现有方法泛化能力有限。
Comments 22 pages with references
FedSteer: Taming Extreme Gradient Staleness in Federated Learning with Corrective Projections and Caching
FedSteer: 通过校正投影和缓存驯服联邦学习中的极端梯度陈旧性
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Avignon（阿维尼昂大学） ； Singapore University of Technology and Design（新加坡科技与设计大学） ； University of Washington（华盛顿大学）
AI总结 针对联邦学习中客户端参与不均导致的梯度陈旧问题，提出FedSteer方法，利用客户端梯度缓存构建子空间，通过投影和缓存策略校正陈旧梯度，显著提升训练稳定性与精度。
Comments UAI 2026
Understanding Parallel Samplers in Masked Diffusion via Random Walks on Graphs
通过图上的随机游走理解掩码扩散中的并行采样器
机构 * UT Austin SDS（德克萨斯大学奥斯汀分校统计与数据科学系） ； UT Austin CS（德克萨斯大学奥斯汀分校计算机科学系） ； UT Austin ECE（德克萨斯大学奥斯汀分校电气与计算机工程系）
AI总结 提出以图上随机游走为可验证沙盒，研究掩码扩散模型中的并行采样策略，理论上证明最低熵等并行采样并非普遍优于随机采样，并开发了二分采样器，实验表明不同图适用不同采样器。
CalVerT: Augmenting Agents with Calibrated Verifier Telemetry Improves Action and Learning in Knowledge-Intensive Tasks
CalVerT: 通过校准验证器遥测增强智能体在知识密集型任务中的行动与学习
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 提出CalVerT方法，通过向智能体状态添加校准的自信心分数和基础验证器分数，减少过度依赖参数知识或冗余检索，提升知识密集型问答的准确性和效率。
Comments Code: https://github.com/ashwinn-v/CalVerT
Energy-based Compositional Diffusion Planning
基于能量的组合扩散规划
机构 * Stanford University（斯坦福大学） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 提出能量基组合扩散器（ECD），将全局轨迹建模为局部桥势之和的最小化，通过保守修正场和边界反应项改进启发式拼接，实现线性时间复杂度的马尔可夫分数近似，在OGBench任务中达到最优成功率。
Comments ICML 2026
Beyond 'One Language, One Script': Quantifying Orthographic Bias in Multilingual VLMs with PuMVR
超越“一种语言，一种文字”：用PuMVR量化多语言视觉语言模型中的正字法偏差
机构 * RediMinds Inc.（RediMinds公司） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 提出PuMVR基准，通过旁遮普语三种文字的图像推理任务，量化多语言视觉语言模型中的文字依赖偏差，发现文字一致性率低至24.8%，视觉输入无法消除偏差。
Comments 22 pages, 4 figures. Accepted to the 4th Workshop on Cross-Cultural Considerations in NLP (C3NLP) @ ACL 2026
FirstPass: Grounding AI Scientific Judgment in Multi-Round Editorial Outcomes
FirstPass: 在多轮编辑结果中奠定AI科学判断的基础
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； RediMinds Inc.（RediMinds公司） ； Disaster Science Operations Center, Western Kentucky University（西肯塔基大学灾害科学运营中心）
AI总结 针对同行评审AI在领域覆盖、对话建模和评估标准上的不足，提出FirstPass数据集和微调模型，利用Nature Communications多轮评审对话，通过响应损失掩码实现80.5%的编辑结果预测准确率，并生成接近人类长度的评审意见。
Comments Accepted at the AI for Science Workshop at the 43rd International Conference on Machine Learning (ICML 2026). 9 pages, 2 figures, 6 tables
How Much Coordination Gain Is Real? A Paired Noise-Floor Protocol for Multi-Agent LLM Benchmarks
真正的协调增益有多大？多智能体LLM基准测试的配对噪声底线协议
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 针对多智能体LLM协调基准测试中微小增量不可靠的问题，提出配对噪声底线协议，通过配置等价对比发现典型效应量低于观测噪声包络，并定义协调活跃pass^k作为最低报告标准。
Comments 11 pages, 4 figures
On the Curse of Dimensionality in Private Sparse Covariance Estimation and PCA
私有稀疏协方差估计与PCA中的维度灾难
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 研究差分隐私下稀疏协方差矩阵估计和PCA的样本复杂度，发现当特征向量稀疏时，poly(k, log d)样本足够，否则需poly(d)样本，揭示了私有与非私有版本间的指数差距。
Pruning via Causal Attribution Preserves Reasoning Performance in Large Language Models
基于因果归因的剪枝保留大型语言模型的推理性能
机构 * Edison Academy Magnet School（爱迪生学院磁石学校） ； Massachusetts Institute of Technology（麻省理工学院） ； State University of New York College at Plattsburgh（纽约州立大学普拉茨堡学院） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Independent Researcher（独立研究员）
AI总结 提出无需训练的因果归因剪枝（CAP）方法，通过测量注意力头对推理任务的因果影响进行细粒度剪枝，在20%稀疏度下相比Wanda在ARC-Challenge上准确率提升高达61%。
Comments Accepted at the ICLR 2026 Workshop on LLM Reasoning. 13 pages, 2 figures
Deep Learning-Based Lunar Crater Terrain Relative Navigation
基于深度学习的月球陨石坑地形相对导航
机构 * NASA（美国国家航空航天局） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 提出一种结合深度学习陨石坑检测器和扩展卡尔曼滤波的地形相对导航算法，在初始位置偏差达5公里时仍能将导航误差降至数百米。
PragReST: Self-Reinforcing Counterfactual Reasoning for Pragmatic Language Understanding
PragReST：用于语用语言理解的自我强化反事实推理
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 提出PragReST框架，通过自监督构建语用问答数据、生成反事实推理轨迹，结合监督微调和强化学习提升大语言模型的语用推理能力，在四个基准上显著优于基线模型。
Comments First two authors contributed equally. Code and models: https://github.com/jihyung803/PragReST
Modeling Doppler Shifts in Radial-Velocity Data with Deep Learning toward Earth-mass Exoplanet Detection
利用深度学习建模径向速度数据中的多普勒频移以探测地球质量系外行星
机构 * Department of Astronomy, University of Geneva 51 chemin de Pegasi, 1290 Versoix, Switzerland. Instituto de Astrofı\'isica de Andaluc\'ia (CSIC), Glorieta de la Astronom\'ia s/n, E-18008 Granada, Spain. Institute of Space Sciences (CSIC), Carrer de Can Magrans s/n, E-08193 Barcelona, Spain. Department of Astronomy, University of Texas at Austin, 2515 Speedway, Austin, TX 78712, USA. Instituto de Astrofísica e Ciências do Espaço, Universidade do Porto, CAUP, Rua das Estrelas, 4150-762 Porto, Portugal. Department of Physics, University of Oxford, OX13RH Oxford, UK.
AI总结 针对恒星活动干扰，提出结合物理启发光谱表示与深度学习的框架，通过交叉验证和遗传算法优化，可靠恢复振幅≥25 cm/s、周期10-550天的行星信号，并发布Python包doppleriann。
Comments 20 pages, 14 figures. Accepted for publication in Astronomy & Astrophysics
