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

OpenSafeIntent: Evaluating Intent-Calibrated Safe Completion Across Dual-Use Prompt Sets

OpenSafeIntent: 评估跨双用途提示集的意图校准安全补全

Rheeya Uppaal, Seungwoo Lyu, Selina Sung, Junjie Hu

机构 * 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） ； Department of CSE Korea University（计算机科学与工程系韩国大学） 纠错

AI总结 提出OpenSafeIntent基准，通过控制任务不变而改变意图的提示集，评估模型在意图变化时是否校准辅助行为，发现提示级安全掩盖重要失败。

Comments Preprint

WARP: Weight-Space Analysis for Recovering Training Data Portfolios

WARP: 基于权重空间分析恢复训练数据组合

Tzu-Heng Huang, Aditya Goyal, John Cooper, Frederic Sala

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

AI总结 提出WARP框架，通过模型合并生成伪检查点，从权重空间几何特征恢复微调模型的训练数据域混合比例，在BERT和GPT-2上平均MAE分别低至0.046和0.104。

Comments This work appears in the ICML 2026 Workshop on Weight-Space Symmetries (WSS): from Foundations to Practical Applications. Our source code is available at github.com/SprocketLab/WARP

Multi-Head Recurrent Memory Agents

多头递归记忆智能体

Jiatong Li, Samuel Yeh, Sharon Li

机构 * 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） 纠错

AI总结 针对递归记忆智能体在长上下文中性能退化问题，提出多头递归记忆（MHM）框架，通过分阶段选择-更新策略隔离记忆头，显著提升记忆保持率和端到端准确性。

Comments 19 pages, 11 figures, 5 tables

How Much Future Helps? A Controlled Study of Future-Privileged Supervision for Causal Egocentric Gaze Estimation

未来有多大帮助？面向因果自我中心视线估计的未来特权监督受控研究

Jia Li, Wenjie Zhao, Fnu Atisri, Sanskriti Aripineni, Shijian Deng, Jon E. Froehlich, Yuhang Zhao, Yapeng Tian

机构 * The University of Texas at Dallas（德克萨斯大学达拉斯分校） ； University of Washington（华盛顿大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 提出一种受控框架，通过训练时访问未来帧但推理时丢弃的未来感知分支，研究未来上下文对因果视线估计的影响，发现最优未来视野约1.7-3.3秒。

Comments Accepted to the 7th International Workshop on Eye and Gaze in Computer Vision (GAZE 2026), CVPR 2026. Best Paper Award

BIFROST: Bridging Invariant Feature Representation for Observation-space Sim2Real Transfer

BIFROST: 桥接不变特征表示用于观测空间Sim2Real迁移

Yunfu Deng, Josiah P. Hanna

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

AI总结 提出BIFROST方法，通过跨域双模拟目标学习共享历史编码器，将导致等价长期行为的观测-动作序列映射到相近潜状态，实现零样本sim2real迁移。

Sim2Real-AD: A Modular Sim-to-Real Framework for Deploying VLM-Guided Reinforcement Learning in Real-World Autonomous Driving

Sim2Real-AD：一种模块化的仿真到现实框架，用于在现实世界自动驾驶中部署基于VLM的强化学习

Zilin Huang, Zhengyang Wan, Zihao Sheng, Boyue Wang, Junwei You, Sikai Chen

机构 * Department of Civil and Environmental Engineering, University of Wisconsin-Madison（威斯康星大学麦迪逊分校土木与环境工程系） ； Google（谷歌） 纠错

AI总结 本文提出Sim2Real-AD框架，实现无需真实世界强化学习数据将CARLA训练的VLM引导强化学习策略零样本迁移到全尺寸车辆。框架包含几何观察桥、物理感知动作映射、两阶段渐进训练和实时部署流水线。

Comments 33 pages, 16 figures

DriveVLM-RL: Neuroscience-Inspired Reinforcement Learning with Vision-Language Models for Safe and Deployable Autonomous Driving

DriveVLM-RL：受神经科学启发的强化学习与视觉语言模型用于安全可部署的自动驾驶

Zilin Huang, Zihao Sheng, Zhengyang Wan, Yansong Qu, Junwei You, Sicong Jiang, Sikai Chen

机构 * Department of Civil and Environmental Engineering, University of Wisconsin-Madison（威斯康星大学麦迪逊分校土木与环境工程系） ； Lyles School of Civil and Construction Engineering, Purdue University（普渡大学莱尔斯土木与建设工程学院） ； Department of Civil Engineering, McGill University（麦吉尔大学土木工程系） 纠错

AI总结 提出DriveVLM-RL框架，通过双通路架构将VLM集成到RL中，实现安全可部署的自动驾驶，在CARLA中显著优于基线。

Comments 33 pages, 16 figures