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

M$^3$Eval: Multi-Modal Memory Evaluation through Cognitively-Grounded Video Tasks

M$^3$Eval: 通过认知基础视频任务的多模态记忆评估

Jie Huang, Ruixun Liu, Sirui Sun, Xinyi Yang, Yin Li, Yixin Zhu, Yiwu Zhong

机构 * School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院） ； State Key Laboratory of General Artificial Intelligence, Peking University（北京大学通用人工智能国家重点实验室） ； Yuanpei College, Peking University（北京大学元培学院） ； Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院） ； School of Psychological and Cognitive Sciences, Peking University（北京大学心理学与认知科学学院） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 提出首个多模态模型记忆评估框架M$^3$Eval，通过认知心理学设计的视频任务系统评估模型在记忆保持、忠实性和鲁棒性上的表现，发现模型在并行视频流处理、干扰模式、时空记忆和符号记忆方面的显著缺陷。

Comments We present an evaluation designed for multi-modal memory in multi-modal models

MAOAM: Unified Object and Material Selection with Vision-Language Models

MAOAM: 基于视觉语言模型的统一对象与材质选择

Jaden Park, Valentin Deschaintre, Jason Kuen, Kangning Liu, Iliyan Georgiev, Krishna Kumar Singh, Yong Jae Lee, Michael Fischer

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Adobe Research（Adobe研究） 纠错

AI总结 提出MAOAM框架，利用视觉语言模型和分割头，通过文本或点击交互实现对象和材质的精确选择，并设计数据生成流水线解决材质选择数据缺乏问题。

Comments Accepted to SIGGRAPH 2026 Conference. Project page: \href{https://jadenpark0.github.io/project_pages/maoam/}{here}

Archi: Agentic Operations at the CMS Experiment

Archi: CMS实验中的代理操作

Pietro Lugato, Luca Lavezzo, Jason Mohoney, Hasan Ozturk, Muhammad Hassan Ahmed, Juan Pablo Salas, Viphava Ohm, Krittin Phornsiricharoenphant, Gabriele Benelli, Mariarosaria D'Alfonso, Manasvita Joshi, Warren Nam, Aron Soha, Samantha Sunnarborg, Austin Swinney, Jack Tucker, Dmytro Kovalskyi, Tim Kraska, Christoph Paus

机构 * Massachusetts Institute of Technology（麻省理工学院） ； CMS Collaboration（CMS合作组） ； CERN（欧洲核子研究中心） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Fermi National Accelerator Laboratory（费米国家加速器实验室） ； Brown University（布朗大学） ； Harvard University（哈佛大学） 纠错

AI总结 提出Archi开源框架，整合异构数据源并部署可配置、私有的代理，用于CMS实验计算操作支持，在真实查询中表现有效。

Can Generalist Agents Automate Data Curation?

通用智能体能否自动化数据筛选？

Feiyang Kang, Hanze Li, Adam Nguyen, Mahavir Dabas, Jiaqi W. Ma, Frederic Sala, Dawn Song, Ruoxi Jia

机构 * Virginia Tech（弗吉尼亚理工大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出Curation-Bench基准，通过通用编码智能体自动化数据筛选循环，实验表明现成智能体可达到强基线，但存在执行-研究差距，而结构化方法引导的智能体能在十分之一数据预算下自主组合出优于强基线的数据选择策略。

Comments Preprint

MaskForge: Structure-Aware Adaptive Attacks for Jailbreaking Diffusion Large Language Models

MaskForge：用于越狱扩散大语言模型的结构感知自适应攻击

Yingzi Ma, Zhengyue Zhao, Xiaogeng Liu, Minhui Xue, Yue Zhao, Chaowei Xiao

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Southern California（南加州大学） ； Responsible AI Research (RAIR) Centre, The University of Adelaide（阿德莱德大学负责任人工智能研究中心） 纠错

AI总结 提出MaskForge，一种全黑盒自适应攻击方法，通过优化结构模式库实现扩散大语言模型的红队测试，平均攻击成功率达79.3%。

Comments 28 pages, 7 figures, 11 tables. Preprint

SPLIT-PINN: Separable Probability Learning Technique via Physics-Informed Neural Networks for High-Dimensional Probabilistic Modeling

SPLIT-PINN: 基于物理信息神经网络的可分离概率学习技术用于高维概率建模

Pouria Behnoudfar, Deekshith Naidu Ponnana, Noah J. Schmelzer, Janith Wanni, George T. Gray, Dan J. Thoma, Curt A. Bronkhorst, Nan Chen, Wenxiao Pan

机构 * Department of Mechanical Engineering, University of Wisconsin-Madison（威斯康星大学麦迪逊分校机械工程系） ； Department of Mathematics, University of Wisconsin-Madison（威斯康星大学麦迪逊分校数学系） ； Department of Civil Engineering, Johns Hopkins University（约翰霍普金斯大学土木工程系） ； Materials Physics and Applications Division, Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室材料物理与应用 division） ； 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） 纠错

AI总结 提出一种基于物理信息神经网络的可分离概率学习技术（SPLIT-PINN），通过将漂移场分解为边际校正项并施加正交约束，从数据中推断高维输运主导的联合概率密度函数演化，实现对多晶材料微观结构状态演变的准确概率预测。

CounterFace: A Synthetic Face Dataset for Fine-Grained Counterfactual Evaluation of Face Recognition Systems

CounterFace: 用于人脸识别系统细粒度反事实评估的合成人脸数据集

Guruprasad Viswanathan Ramesh, Ashish Hooda, Shimaa Ahmed, Harrison J Rosenberg, Ramya Korlakai Vinayak, Kassem Fawaz

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Visa Research（Visa研究） 纠错

AI总结 提出CounterFace数据集，通过全自动流水线生成包含20种面部属性和8种人口统计因素的11,821个反事实人脸对，用于细粒度评估人脸识别系统在特定属性-人口统计组合下的性能退化。

Comments Code available at https://github.com/Guruprasad68/counterface_facct2026. Dataset available for non-commercial research upon request

An Optimal Control Approach to Sequential Machine Teaching

用最优控制方法进行序列机器教学

Laurent Lessard, Xuezhou Zhang, Xiaojin Zhu

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

AI总结 本文提出了一种基于最优控制的序列机器教学方法，通过将问题转化为时间最优控制问题，解决了寻找最短训练序列以驱动学习算法达到目标模型的问题，并在案例研究中展示了该方法的优越性。

Regularization vs. Relaxation: A conic optimization perspective of statistical variable selection

正则化与松弛：从锥优化视角看统计变量选择

Hongbo Dong, Kun Chen, Jeff Linderoth

机构 * Department of Mathematics, Washington State University（数学系，华盛顿州立大学） ； Department of Statistics, University of Connecticut（统计系，康涅狄格大学） ； Department of Industrial and Systems Engineering, University of Wisconsin-Madison（工业与系统工程系，威斯康星大学麦迪逊分校） 纠错

AI总结 本文从锥优化视角探讨变量选择问题，证明MCP和反Huber惩罚函数可视为视角松弛的特例，并通过半定松弛解决，结合Goemans-Williamson方法获得近似解。

Comments Also available on optimization online {http://www.optimization-online.org/DB_HTML/2015/05/4932.html}

On GROUSE and Incremental SVD

关于GROUSE和增量SVD

Laura Balzano, Stephen J. Wright

机构 * University of Michigan（密歇根大学） ； University of Wisconsin, Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 本文改进增量SVD以处理缺失数据，并证明其与特定参数下的GROUSE等价，探讨了增量算法在子空间估计中的应用。