University of Wisconsin-Madison（威斯康星大学麦迪逊分校）

Multi-Cycle Spatio-Temporal Adaptation in Human-Robot Teaming

人类-机器人协同中的多周期空间-时间适应

Alex Cuellar, Michael Hagenow, Julie Shah

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； UW Madison Department of Computer Science（威斯康星大学麦迪逊分校计算机科学系） 纠错

AI总结 本文提出RAPIDDS框架，通过联合适应任务调度和机器人运动扩散模型，提升人类-机器人协同的效率与空间适应性，通过仿真和物理机器人实验验证了其有效性。

Comments 8 pages, 7 figures

Regression with Large Language Models for Materials and Molecular Property Prediction

利用大语言模型进行材料和分子性质预测的回归

Ryan Jacobs, Maciej P. Polak, Lane E. Schultz, Hamed Mahdavi, Vasant Honavar, Dane Morgan

机构 * Department of Materials Science and Engineering, University of Wisconsin-Madison（威斯康星大学麦迪逊分校材料科学与工程系） ； Department of Computer Science and Engineering, The Pennsylvania State University（宾夕法尼亚州立大学计算机科学与工程系） ； College of Information Sciences and Technology, The Pennsylvania State University（宾夕法尼亚州立大学信息科学与技术学院） ； Artificial Intelligence Research Laboratory, The Pennsylvania State University（宾夕法尼亚州立大学人工智能研究实验室） ； Center for Artificial Intelligence Foundations and Scientific Applications, The Pennsylvania State University（宾夕法尼亚州立大学人工智能基础与科学应用中心） 纠错

AI总结 本文探讨了大语言模型在材料和分子性质回归任务中的能力，通过在QM9数据集和28种材料属性上评估LLaMA 3，发现其在生成损失微调下能提供与随机森林或全连接神经网络相当的回归结果，但误差率较高。

Fine-Tuning Small Reasoning Models for Quantum Field Theory

对量子场论进行小规模推理模型的微调

Nathaniel S. Woodward, Zhiqi Gao, Yurii Kvasiuk, Kendrick M. Smith, Frederic Sala, Moritz Münchmeyer

机构 * Department of Physics, University of Wisconsin-Madison（威斯康星大学麦迪逊分校物理系） ； Department of Computer Science, University of Wisconsin-Madison（威斯康星大学麦迪逊分校计算机科学系） ； Perimeter Institute for Theoretical Physics（理论物理研究所） 纠错

AI总结 本文研究了在训练大型语言模型时，领域特定物理推理能力的发展，通过微调小规模推理模型，生成合成问题和人类编写的问题，进行强化学习和监督微调实验，分析推理错误的变化，并公开数据管道和训练数据。

LogosKG: Hardware-Optimized Scalable and Interpretable Knowledge Graph Retrieval

LogosKG：硬件优化的可扩展且可解释的知识图谱检索

He Cheng, Yifu Wu, Saksham Khatwani, Maya Kruse, Dmitriy Dligach, Timothy A. Miller, Majid Afshar, Yanjun Gao

机构 * LARK Lab, University of Colorado Anschutz（洛克拉克实验室，科罗拉多大学安施图茨分校） ； University of Colorado Boulder（科罗拉多大学波德分校） ； Loyola University Chicago（芝加哥洛克拉克大学） ； Harvard Medical School（哈佛医学院） ； Boston Children’s Hospital（波士顿儿童医院） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 LogosKG通过符号知识图谱和硬件高效操作实现大规模知识图谱的多跳检索，提升效率与可解释性，展示出在生物医学知识与大语言模型推理对齐分析中的应用价值。

Comments Accepted to the ACL 2026 Main Conference. 9 pages

DUALVISION: RGB-Infrared Multimodal Large Language Models for Robust Visual Reasoning

DUALVISION：用于鲁棒视觉推理的RGB-红外多模态大语言模型

Abrar Majeedi, Zhiyuan Ruan, Ziyi Zhao, Hongcheng Wang, Jianglin Lu, Yin Li

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Amazon（亚马逊） ； Northeastern University（东北大学） 纠错

AI总结 本文提出DUALVISION，通过局部化交叉注意力融合IR-RGB信息，提升多模态大语言模型在视觉退化条件下的性能，并引入DV-204K和DV-500数据集进行评估。

Comments Accepted at CVPR Findings 2026

Easy Samples Are All You Need: Self-Evolving LLMs via Data-Efficient Reinforcement Learning

易于获取的样本足矣：通过数据高效的强化学习实现自演化大语言模型

Zhiyin Yu, Bo Zhang, Qibin Hou, Zhonghai Wu, Xiao Luo, Lei Bai

机构 * Peking University（北京大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Nankai University（南开大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 本文提出EasyRL方法，通过结合易标注数据的知识转移与逐步分治策略，实现大语言模型的数据高效自演化，实验表明仅使用10%的易标注数据即可超越现有最佳基线。

Comments Accepted to Findings of ACL 2026

RIFT: A RubrIc Failure Mode Taxonomy and Automated Diagnostics

RIFT：一种基于Rubric的故障模式分类和自动诊断

Zhengyang Qi, Charles Dickens, Derek Pham, Amanda Dsouza, Armin Parchami, Frederic Sala, Paroma Varma

机构 * Snorkel AI ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 本文提出RIFT框架，通过系统化分类rubric的故障模式，提升评估的可靠性与有效性，通过人类标注和自动指标验证了其一致性与实用性。

Lingua-SafetyBench: A Benchmark for Safety Evaluation of Multilingual Vision-Language Models

Lingua-SafetyBench: 一个多语言视觉-语言模型安全评估基准

Enyi Shi, Pengyang Shao, Yanxin Zhang, Chenhang Cui, Jiayi Lyu, Xiaobo Xia, Fei Shen, Tat-Seng Chua

机构 * School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院） ； School of Computer Science, University of Wisconsin–Madison（威斯康星大学麦迪逊分校计算机科学系） ； School of Engineering Science, University of the Chinese Academy of Sciences（中国科学院工程科学学院） ； NExT++ Research Centre, National University of Singapore（新加坡国立大学NExT++研究中心） 纠错

AI总结 本文提出Lingua-SafetyBench，通过10万多个多语言图像-文本对评估多模态模型的安全性，发现非高资源语言和非拉丁文在文本主导风险下安全性更差，强调需要专门的语言和模态对齐策略以提升安全性和公平性。