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

First Proof Second Batch

首次证明第二批

Mohammed Abouzaid, Nikhil Srivastava, Rachel Ward, Lauren Williams

机构 * Stanford University（斯坦福大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Harvard University（哈佛大学） ； Polish Academy of Sciences（波兰科学院） ； UC Berkeley（加州大学伯克利分校） ； Brown University（布朗大学） ； ETH Zürich（苏黎世联邦理工学院） ； MIT（麻省理工学院） ； Weierstrass Institute（魏尔斯特拉斯研究所） ； Duke University（杜克大学） ； Sorbonne Université（索邦大学） ； Boston College（波士顿学院） ； Université du Québec à Montréal（魁北克大学蒙特利尔分校） ； UCLA（加州大学洛杉矶分校） ； University of Michigan（密歇根大学） ； University of Maryland（马里兰大学） 纠错

AI总结 测试多个AI系统在十个数学研究问题上的解题能力，评估当前AI解决研究级数学问题的水平。

Pareto LoRA: Mitigating Modality Imbalance in Unified Multimodal Models via Pareto-Optimal Gradient Integration

Pareto LoRA：通过帕累托最优梯度集成缓解统一多模态模型中的模态不平衡

Xiwen Wei, Mark Nutter, Madhusudhanan Srinivasan, Radu Marculescu

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Advanced Micro Devices, Inc.（超威半导体公司） 纠错

AI总结 针对统一多模态模型在LoRA微调中语言梯度主导优化导致图像生成质量下降的问题，提出帕累托最优梯度集成策略Pareto LoRA，通过调节梯度方向和强度平衡文本与图像目标，在CoMM基准上显著提升图像感知质量达44.9%。

Towards Distributed Inference of LLMs on a P2P Network

面向P2P网络的LLM分布式推理

Shabari S Nair, Krishanu Saini

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

AI总结 提出一种去中心化的前缀缓存感知路由方案，用于P2P网络中的LLM推理，通过本地基数树和异步反熵更新缓存信息，避免集中协调和KV缓存传输，在低延迟和偏斜前缀分布下提升性能。

Learning Interface Breakup: A Geometry-Conditioned Latent Surrogate for Spray Formation

学习界面破碎：一种用于喷雾形成的几何条件潜在代理模型

Julius H Ramlau, Friedrich Hastedt, Tolga Birdal, Ehecatl-Antonio del Río Chanona, Nausheen S Basha, Omar K Matar

机构 * University of California, Berkeley（加州大学伯克利分校） ； Technical University of Munich（慕尼黑技术大学） ； Istanbul Technology University（伊斯坦布尔技术大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） 纠错

AI总结 提出一种几何条件潜在代理模型，通过编码自适应网格细化（AMR）的单元密度场，在797个两相喷嘴模拟上训练，实现瞬态破碎动力学的高效预测，推理速度比Basilisk CFD快6×10^4倍。

Comments 11 pages, 5 figures, accepted to ICML AI4Physics 2026

Taylor-Calibrate: Principled Initialization for Hybrid Linear Attention Distillation

Taylor-Calibrate：混合线性注意力蒸馏的原则性初始化

Zhongzhu Zhou, Qingyang Wu, Junxiong Wang, Mayank Mishra, Shuaiwen Leon Song, Ben Athiwaratkun, Chenfeng Xu

机构 * The University of Sydney（悉尼大学） ； Together AI ； University of California, Berkeley（加州大学伯克利分校） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Microsoft（微软） 纠错

AI总结 提出Taylor-Calibrate方法，利用泰勒引导的教师注意力统计初始化混合线性注意力学生模型，显著减少蒸馏所需训练令牌数。

Comments 24 pages, 9 figures

STRIDE: Strategic Trajectory Reasoning via Discriminative Estimation for Verifiable Reinforcement Learning

STRIDE: 通过判别估计进行策略轨迹推理以实现可验证强化学习

Qinjian Zhao, Zhihao Dou, Dinggen Zhang, Xiangyu Li, Chaoda Song, Zhongwei Wan, Xinpeng Li, Yanyan Zhang, Kaijie Chen, Qingtao Pan, Chengcheng Feng, Zhiqiang Gao, Xiaoyu Xia

机构 * Kean University（基恩大学） ； Case Western Reserve University（凯斯西储大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； The Ohio State University（俄亥俄州立大学） ； Tongji University（同济大学） ； Duke Kunshan University（昆山杜克大学） ； Royal Melbourne Institute of Technology（皇家墨尔本理工大学） 纠错

AI总结 提出STRIDE框架，通过对比成功与失败轨迹估计n-gram策略模式的判别偏好，结合推理显著性熵识别关键策略模式，实现细粒度信用分配，提升可验证强化学习的推理性能。

FD-SLAM: Fast Dense Radar-Inertial SLAM with Frequency-Domain Loop Closure and Pose Graph Optimization

FD-SLAM: 基于频域闭环和位姿图优化的快速密集雷达-惯性SLAM

Nader J. Abu-Alrub, Nathir A. Rawashdeh

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

AI总结 提出FD-SLAM，通过频域闭环检测和位姿图优化提升密集雷达-惯性SLAM的精度与鲁棒性，在公开数据集上达到先进水平。

Lesion-DDPM: Lesion-Enhanced 3D Diffusion for MS MRI Synthesis

Lesion-DDPM：用于MS MRI合成的病灶增强3D扩散模型

Weidong Zhang, Yongchan Jung, Shafayat Mowla Anik, Furen Xiao, Vasudevan Janarthanan, Enkhzaya Chuluunbaatar, Byeong Kil Lee, Jeeho Ryoo

机构 * University of Texas at Arlington（德克萨斯大学阿灵顿分校） ； University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校） ； University of Texas at Dallas（德克萨斯大学达拉斯分校） ； National Taiwan University Hospital（国立台湾大学医院） ； National University of Mongolia（蒙古国立大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 提出Lesion-DDPM，一种3D条件扩散框架，通过多级解剖掩膜注入和病灶加权重建损失，实现病灶感知的FLAIR合成，在MS病灶分割下游任务中显著提升Dice分数。

A Bilateral Teleoperation Framework for Dexterous Manipulation

灵巧操作的双边遥操作框架

Stefano Dalla Gasperina, Dong Ho Kang, Haiyun Zhang, Aldo Galvan, Job D. Ramirez, Aaron Kim, Mark Helwig, Kazuto Yokoyama, Takahisa Ueno, Tetsuya Narita, Ann Majewicz-Fey, Ashish D. Deshpande, Luis Sentis

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Sony Group Corporation（索尼集团公司） ； Meta Reality Labs Research（Meta现实实验室） 纠错

AI总结 提出模块化双边遥操作框架，集成操作端输入与机器人端灵巧手及柔顺臂，通过位置重定向、差分控制、多尺度触觉反馈和共享控制实现灵巧操作，验证了协调控制与接触感知能力。

Comments 4 pages, 7 figures, 1 appendix,

DOG-DPO:Dynamic Optimization in Geometry for Safety Alignment

DOG-DPO：几何中的动态优化用于安全对齐

Yi Nian, Tiankai Yang, Yudi Zhang, Qi Pan, Zelong Xu, Shenzhe Zhu, Qingqing Luan, Yue Huang, Xiangliang Zhang, Yue Zhao

机构 * University of Southern California（南加州大学） ； Iowa State University（爱荷华州立大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； UT Austin（德克萨斯大学奥斯汀分校） ； Independent Researcher（独立研究员） ； University of Notre Dame（圣母大学） 纠错

AI总结 提出DOG-DPO框架，将偏好对表示为模型表示空间中的方向，通过几何分解和多样性覆盖选择子集，仅用11%数据即可恢复大部分安全增益。

No Hidden Prompts Needed! You Can Game AI Peer Review with Presentation-Only Revisions

无需隐藏提示！仅通过展示性修改即可欺骗AI同行评审

Xu Yang, Zhizhou Sha, Junbo Li, Jian Yu, Yifan Sun, Matthew Zhao, Jinrui Fang, Xinyue Guo, Yining Wu, Xu Hu, Yifu Luo, Qiang Liu, Zhangyang Wang

机构 * 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） ； University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Independent Researcher（独立研究者） 纠错

AI总结 研究通过仅修改论文的展示层面（如摘要、贡献框架等）而不改变科学内容，利用AI评审反馈进行对抗性重打包，成功提升评分，揭示AI评审易被表面印象误导的结构性缺陷。

Comments 35 pages, 5 figures

GENIE: A Fine-Grained Measure for Novelty

GENIE：一种细粒度新颖性度量方法

Ramya Namuduri, Manya Wadhwa, Anshun Asher Zheng, Greg Durrett, Junyi Jessy Li

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） 纠错

AI总结 提出GENIE指标，通过任务特定特征细粒度衡量模型生成内容的新颖性，克服整体指标无法捕捉高维新颖性的局限。

Foresight: Iterative Reasoning About Clues that Matter for Navigation

Foresight: 关于导航关键线索的迭代推理

Arthur Zhang, Carl Qi, Donne Su, Xiangyun Meng, Amy Zhang, Joydeep Biswas

机构 * UT Austin（德克萨斯大学奥斯汀分校） ； FieldAI 纠错

AI总结 提出Foresight框架，利用微调VLM交替提出和批评图像空间运动计划，通过人类反馈学习奖励模型进行强化学习后训练，实现无地图导航中稀疏语言指令下的迭代运动优化，任务成功率提升37%。

Comments 22 pages, 10 figures, 3 tables

A Stabilized Path-Space Approach to Diffusion-Based Posterior Sampling

一种稳定的路径空间方法用于基于扩散的后验采样

Evan Scope Crafts, Umberto Villa, Saviz Mowlavi, Yanting Ma, Hassan Mansour, Wael H. Ali

机构 * Oden Institute for Computational Engineering and Sciences, The University of Texas at Austin（德克萨斯大学奥斯汀分校奥登计算工程与科学研究所） ； Mitsubishi Electric Research Laboratories (MERL)（三菱电机研究实验室） ； Department of Biomedical Engineering, The University of Texas at Austin（德克萨斯大学奥斯汀分校生物医学工程系） ； Mitsubishi Electric Research Laboratories（三菱电机研究实验室） 纠错

AI总结 提出一种稳定的路径空间框架，通过随机最优控制与信任域优化，实现非线性逆问题中准确且鲁棒的后验采样。

A unified complexity bound for logconcave sampling

对数凹采样的统一复杂度界

Yunbum Kook, Santosh S. Vempala

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

AI总结 本文通过In-and-Out算法与指数提升，给出了从热启动采样任意对数凹分布的简单、统一且近乎紧的界，主要创新是提升了提升分布的Poincaré常数界。

Comments 5 pages

Learning Object Manipulation from Scratch via Contrastive Interaction

通过对比交互从零开始学习物体操作

Tongle Shen, Caleb Chuck, Fan Feng, Biwei Huang

机构 * UC San Diego（加州大学圣地亚哥分校） ； UT Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 针对对比强化学习在交互密集操作任务中表现不佳的问题，提出交互加权重采样方法，通过保留模式边界提升多模态分段非线性可达性表示，在仿真和真实机器人空气曲棍球任务中取得显著改进。

CS-YODAS: A Mined Dataset of In-the-Wild Code-Switched Speech

CS-YODAS：一个挖掘自真实环境的代码转换语音数据集

Brian Yan, Qingzheng Wang, Matthew Wiesner, Anuj Diwan, Olga Iakovenko, Alexander Polok, Injy Hamed, Shuichiro Shimizu, Iris Emerman Thomas Hain, David R. Mortensen, Peter Viechnicki, Shinji Watanabe

机构 * Carnegie Mellon University（卡内基梅隆大学） ； 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） ； University of Sheffield（谢菲尔德大学） ； Brno University of Technology（布尔诺理工大学） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； Kyoto University（京都大学） 纠错

AI总结 本文提出CS-YODAS数据集，通过可扩展的人机协同流程从多语言YouTube数据中挖掘真实代码转换语音，涵盖7种基质语言共313小时，并分析其分布特征与语言对切换模式。

A History-Aware Visually Grounded Critic for Computer Use Agents

面向计算机使用代理的历史感知视觉基础批评家

Jaewoo Lee, Zaid Khan, Archiki Prasad, Justin Chih-Yao Chen, Supriyo Chakraborty, Kartik Balasubramaniam, Sambit Sahu, Elias Stengel-Eskin, Hyunji Lee, Mohit Bansal

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

AI总结 提出HiViG框架，通过历史感知的视觉基础多模态批评家，在测试时评估动作并拦截错误，在多个GUI基准上提升成功率。

Comments Code: https://github.com/G-JWLee/HiViG

Data-Driven Runway and Taxiway Exits Prediction of Landing Aircraft: A Case Study at Hartsfield-Jackson Atlanta International Airport

基于数据驱动的着陆飞机跑道和滑行道出口预测：以哈茨菲尔德-杰克逊亚特兰大国际机场为例

Alex Porcayo, Yutian Pang, Maria Thomas, John-Paul Clarke

机构 * Department of Aerospace Engineering and Engineering Mechanics, The University of Texas at Austin（德克萨斯大学奥斯汀分校航空航天工程与工程力学系） 纠错

AI总结 针对机场场面运行效率问题，提出两阶段数据驱动决策辅助模型，分别预测着陆飞机选择的跑道出口及是否穿越活跃起飞跑道，在亚特兰大机场数据上验证，XGBoost和LightGBM表现最优，进近速度是出口选择的关键因素。

Co-GLANCE: Uncertainty-Aware Active Perception for Heterogeneous Robot Teaming

Co-GLANCE: 异构机器人团队的不确定性感知主动感知

Michal P. Podolinsky, Neel P. Bhatt, Pranay Samineni, Rohan Siva, Christian Ellis, Ufuk Topcu

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

AI总结 提出Co-GLANCE系统，通过蒸馏视觉语言模型实现实时遮挡分割与机器人分配，结合共形预测与选择性弃权提供统计保证的不确定性量化，驱动主动感知，在真实场景中遮挡分割和分配准确率分别提升25%和36%，推理延迟降低350倍。

Comments Code, videos, and dataset available at https://co-glance.github.io/

Physics-Guided Sequence-Based Generative Framework for Acoustic Metamaterial Inverse Design

物理引导的序列生成框架用于声学超材料逆向设计

Yijie Li, Jiahao Xu, Ching-Chih Tsao, Lili Qiu, Jingxian Wang

机构 * National University of Singapore（新加坡国立大学） ； UT Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 提出MetaSeq框架，将声学超材料表示为结构化序列，通过序列到序列模型结合物理求解器和强化学习，实现宽带逆向设计，误差降低45%。

Friend or Foe? Language as an ideological switch in open-weight LLMs under Russian disinformation stress

朋友还是敌人？俄罗斯虚假信息压力下开放权重大语言模型中的语言意识形态开关

Anna Małgorzata Kamińska, Tetiana Klynina

机构 * Institute of Culture Studies, University of Silesia in Katowice（文化研究学院，卡托维察大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； National Aviation University（国家航空大学） 纠错

AI总结 本文通过控制实验发现，针对不同语言社区微调的大语言模型在俄罗斯虚假信息压力下，其抵抗能力与预期文化对齐方向相反，揭示了微调悖论。

Trajectory-Refined Distillation

轨迹精炼蒸馏

Li Jiang, Haoran Xu, Yichuan Ding, Amy Zhang

机构 * McGill University（麦吉尔大学） ； Mila Quebec AI Institute（米拉魁北克人工智能研究所） ； UT Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 提出轨迹精炼蒸馏（TRD），通过教师指导修正学生轨迹中的前缀错误，解决在线策略蒸馏中的前缀失败问题，提升大语言模型的单次准确率和推理覆盖。

Comments under review

ARAPDiffusion: ARAP Regularization for Diffusion-Based Deformable Shape Space Learning

ARAPDiffusion: 基于ARAP正则化的扩散变形形状空间学习

Haibo Liu, Jinghan Ke, Haitao Yang, Xiangru Huang, Georgios Pavlakos, Qixing Huang

机构 * University of Texas at Austin（德克萨斯大学） ； Westlake University（西拉丘学院） 纠错

AI总结 提出ARAPDiffusion，一种潜在扩散模型，通过注入ARAP变形模型作为正则化损失，学习变形形状集合的连续形状空间，减少对大量3D训练数据的依赖。