Online Localized Conformal Prediction
在线局部置信预测
机构 * University of Wisconsin - Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出OLCP方法，结合在线适应与协变量依赖的局部化，以更好地反映异质性，并通过模拟和实验证明其在长期覆盖性上的有效性。
高校专区
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
Fine-tuning a vision-language model for fracture-surface morphology recognition
对骨折表面形貌识别进行视觉-语言模型的微调
机构 * Department of Materials Science & 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 Electrical & Computer Engineering, University of Wisconsin–Madison（威斯康星大学麦迪逊分校电气与计算机工程系） ； KRAFTON ； Ludo Robotics
AI总结 本文通过微调开源视觉-语言模型，利用定制化的13168张骨折表面图像数据集，提升了对骨折表面形貌的识别能力，展示了在材料表征中的应用潜力。
Learning Visual Feature-Based World Models via Residual Latent Action
通过残差潜在动作学习基于视觉特征的世界模型
机构 * Rutgers University（罗格斯大学） ； Purdue University（普渡大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出RLA-WM世界模型，通过流匹配预测残差潜在动作，优于现有特征和视频扩散模型，且在速度和效率上更优，同时开发了两项机器人学习技术。
PACEvolve++: Improving Test-time Learning for Evolutionary Search Agents
PACEvolve++: 提高进化搜索代理的测试时学习
机构 * Google（谷歌） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Google DeepMind（谷歌DeepMind）
AI总结 PACEvolve++通过强化学习框架提升进化搜索代理的测试时策略适应能力，采用可训练顾问生成并评估假设，结合前沿模型生成可执行候选，实现更快收敛和更稳定的测试时训练。
Active Learning for Communication Structure Optimization in LLM-Based Multi-Agent Systems
基于大语言模型多智能体系统的通信结构优化的主动学习
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出基于信息论的任务选择框架，通过估计任务信息量优化多智能体系统通信结构，在有限预算下提升性能并减少token使用。
SlopCodeBench: Benchmarking How Coding Agents Degrade Over Long-Horizon Iterative Tasks
SlopCodeBench：评估编码代理在长周期迭代任务中性能退化的基准测试
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Washington State University（华盛顿州立大学） ； MIT（麻省理工学院）
AI总结 本文提出SlopCodeBench，通过36个问题和196个检查点评估编码代理在长周期迭代任务中的性能退化，发现代理代码在结构上逐渐退化并产生冗余代码，人类代码退化更慢。
Comments Code and Leaderboards are located at https://www.scbench.ai
Contact-Grounded Policy: Dexterous Visuotactile Policy with Generative Contact Grounding
接触导向策略：具备生成接触基础的灵活视觉-触觉策略
机构 * Purdue University（普渡大学） ； Meta Reality Labs Research（Meta现实实验室） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出Contact-Grounded Policy，通过预测机器人状态和触觉反馈的耦合轨迹，生成接触基础的灵活视觉-触觉策略，优于现有基线方法。
Detecting Distillation Data from Reasoning Models
从推理模型中检测蒸馏数据
机构 * Department of Statistics and Data Science, Southern University of Science and Technology（统计与数据科学系，南方科技大学） ； Department of Computer Sciences, University of Wisconsin–Madison（计算机科学系，威斯康星大学麦迪逊分校）
AI总结 本文提出基于输出token概率偏差的检测方法，用于识别推理模型蒸馏数据中的问题，通过量化生成token与高置信度参考概率的偏差，提升检测性能，实验表明在蒸馏数据集上AUC提升达31%。
