University of Washington（华盛顿大学）

Ask-E: An Environment for Calibrated Question Generation

Ask-E：一个用于校准型问题生成的环境

Sarah Pratt, Jae Sung Park, Scott Geng, Ali Farhadi

机构 * University of Washington（华盛顿大学） ； Allen Institute for AI（艾伦人工智能研究所） 纠错

AI总结 本研究提出Ask-E环境，以两个现有语言模型的能力范围定义目标技能水平，通过生成仅能被其中一个模型解决的问题来校准模型，该环境可用于基准测试与训练，且训练后模型在下游数学基准上表现提升。

A Disturbance in the Force: Force Actuation on the RAVEN II Surgical Robot with Parallel Motor-Cable Units

力的扰动：采用并联电机-线缆单元对RAVEN II手术机器人进行力驱动

Haonan Peng, Dun-Tin Chiang, Jordan Hendricks, Andrew Lewis, Jared Shing, Haokun Feng, Yun-Hsuan Su, Blake Hannaford

机构 * University of Washington（华盛顿大学） ； Mount Holyoke College（曼荷莲学院） 纠错

AI总结 针对手术机器人力反馈难题，开发含6个电机-线缆单元的并联系统，实现无干扰力驱动，力驱动误差小于1N，为获取训练数据提供支持。

In Situ Training of Implicit Neural Compressors for Scientific Simulations via Sketch-Based Regularization

隐式神经压缩器的原地训练：基于草图的正则化

Cooper Simpson, Stephen Becker, Alireza Doostan

机构 * Applied Mathematics, University of Washington, Seattle（华盛顿大学应用数学系，西雅图） ； Applied Mathematics, University of Colorado, Boulder（科罗拉多大学应用数学系，伯尔德） ； Ann and H.J. Smead Department of Aerospace Engineering Sciences, University of Colorado, Boulder（科罗拉多大学伯尔德分校安与H.J. 塞梅德航空航天工程科学系） 纠错

AI总结 本文提出基于草图正则化的隐式神经压缩器原地训练方法，通过有限内存缓冲区实现高压缩率下的重建性能，展示草图能近似匹配离线方法性能。

Comments 18 pages, 8 figures, 5 tables

Journal ref Journal of Computational Physics, Volume 566, 2026

Improving Attributed Long-form Question Answering with Intent Awareness

通过意图意识提升带有属性的长形式问答

Xinran Zhao, Aakanksha Naik, Jay DeYoung, Joseph Chee Chang, Jena D. Hwang, Tongshuang Wu, Varsha Kishore

机构 * Allen Institute for AI（艾伦人工智能研究所） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Washington（华盛顿大学） 纠错

AI总结 本文提出通过增强模型意图意识来提升长报告生成质量，通过结构化标签方案提取隐含意图，改进零样本生成能力并生成高质量合成数据，实验显示在科学报告生成任务中模型性能平均提升2.9和12.3个百分点。

Comments 39 pages, 7 figures

Journal ref ICLR 2026