Compressing Streaming Neural Audio Encoders via Latent-Space Distillation
通过潜在空间蒸馏压缩流式神经音频编码器
机构 * Apple（苹果公司）
AI总结 本研究提出通过潜在空间蒸馏压缩流式神经音频分词器，以预量化潜在为监督目标，在2.8倍压缩下保持低WER偏差，性能优于同等规模独立训练的分词器。
Comments 15 pages
大厂专区
Apple（苹果）
SimpleDesign: A Joint Model for Protein Sequence and Structure Codesign
SimpleDesign：用于蛋白质序列与结构联合设计的模型
机构 * Mila, Université de Montréal（蒙特利尔大学Mila研究所） ； Apple（苹果公司）
AI总结 SimpleDesign是直接在数据空间训练的单阶段多模态蛋白质设计模型，采用混合Transformer架构，在超200万对序列-结构对训练后，在相关基准测试中性能优异。
Comments Published in Transactions on Machine Learning Research (TMLR), 2026. https://openreview.net/forum?id=wPfw7GkMns
Journal ref Transactions on Machine Learning Research, 08/2026
B2B Customer Conversion Prediction: A Document Representation, Graph Theory, and CatBoost Driven Methodology
B2B客户转化预测：一种基于文档表示、图论与CatBoost的方法
机构 * Purdue University（普渡大学） ； Apple（苹果公司） ； Amazon（亚马逊公司） ； HP Inc.（惠普公司）
AI总结 针对B2B客户转化预测问题，该研究提出结合文档表示、图论与CatBoost的方法，实现91%的预测准确率，并探讨了个性化营销活动推荐方案。
Comments 10 pages, 6 figures. Presented at the 2nd Workshop on End-End Customer Journey Optimization at KDD 2023
DiscoSign: Discourse-Aware Text to Sign Language Gloss Translation
DiscoSign：篇章感知的文本到手语 gloss 翻译
机构 * Apple（苹果公司） ； Northeastern University（东北大学） ； Gallaudet University（加劳德特大学）
AI总结 本研究提出基于LLM的DiscoSign框架，解决手语翻译中的空间共指等三个篇章现象，配套新评估指标，在数据集上显著提升空间一致性，建立首个篇章级手语gloss翻译系统框架
Comments Accepted at EMNLP 2026 Main Conference
REFACTOR-VLA: Unsupervised Library Learning of Typed Motor Programs
REFACTOR-VLA：类型化运动程序的无监督库学习
机构 * Apple（苹果公司）
AI总结 REFACTOR-VLA 是用于学习可复用技能的醒/睡系统，在 LIBERO 数据集上，其改进的训练目标提升了聚类性能，生成了首个 real-LIBERO 任务-语言库，性能优于现有基线。
Comments 30 pages, 5 figures
It Takes Two to Match: Co-Evolving Generative Retriever with Reinforcement Learning
匹配需双方协作：通过强化学习协同进化生成式检索器
机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Apple（苹果公司）
AI总结 本文提出CoGR框架，通过两阶段训练与GRPO强化学习协同优化查询、项侧生成器，在多基准数据集上较最强基线F1值提升10.9%与36.1%，实现更优检索效果。
Multi-View Causal Discovery without Non-Gaussianity: Identifiability and Algorithms
无高斯性假设的多视图因果发现：可识别性与算法
机构 * Inria（法国国家信息与自动化技术研究院） ； CEA（法国国家科学研究中心） ； University of Paris-Saclay（巴黎-萨克勒大学） ； University of Carnegie Mellon（卡内基梅隆大学） ； Apple（苹果公司） ； University of Helsinki（赫尔辛基大学）
AI总结 该研究针对因果发现需强非高斯性假设的问题，利用多视图结构提出多视图线性结构方程模型及相关算法，可估计脑区因果图，在模拟与神经影像数据中验证有效。
Comments Accepted at the 43rd International Conference on Machine Learning (ICML 2026)
PaperGym: Rubric-Centered Evolution for Research-Plan Generation
PaperGym：以评分标准为中心的研究计划生成演化框架
机构 * Zhejiang University（浙江大学） ； Apple（苹果公司）
AI总结 本文提出PaperGym框架，将论文转化为研究计划生成的训练环境，采用评分标准分阶段训练Qwen3系列模型，显著提升了研究规划能力，在多项基准上优于现有方法。
Comments 34 pages, 6 figures, 6 tables. Code: https://github.com/ZJU-REAL/PaperGym. Project page: https://zju-real.github.io/PaperGym. Dataset: https://huggingface.co/datasets/CabbageWyh/PaperGym-Data. Model: https://huggingface.co/CabbageWyh/PaperGym-Model
CaRGo-T: Causal Reasoning Graph-of-Thought improves Multimodal Humor Comprehension
CaRGo-T：因果推理思维图提升多模态幽默理解能力
机构 * Microsoft Research India（微软研究院印度分部） ； LinkedIn（领英公司） ； Nutanix（Nutanix公司） ； Indian Institute of Science（印度科学学院） ； Apple（苹果公司） ； Fujitsu Research India（富士通印度研究院） ； Indian Institute of Technology Kharagpur（印度克勒格布尔印度理工学院）
AI总结 本研究提出CaRGo-T因果推理思维图框架，在四类含讽刺等喜剧内容的数据集上，提升VLMs的幽默理解与检测性能，相关代码已公开。
Comments 18 pages, 5 figures
IndicQE-APE: A Benchmark for Quality Estimation and Automatic Post-Editing for Indic Languages
IndicQE-APE：印度语言质量估计与自动后编辑基准
机构 * IIT Bombay（印度理工学院孟买分校） ； University of Oslo（奥斯陆大学） ； Lancaster University（兰卡斯特大学） ； INESC-ID ； Instituto de Telecomunicações（电信研究所） ； Instituto Superior Técnico（高等技术学院） ； University of Lisbon（里斯本大学） ； Sword Health ； Tilburg University（蒂尔堡大学） ； Zoom Communications（Zoom通信公司） ； Fondazione Bruno Kessler（布鲁诺·凯塞勒基金会） ； Apple（苹果公司） ； Bodhan AI ； IIT Madras（印度理工学院马德拉斯分校） ； University of Surrey（萨里大学）
AI总结 本研究构建了涵盖9个方向对的IndicQE-APE基准，对LLM、COMET指标及APE系统进行QE与APE基准测试，揭示质量信号冲突等因素对文本段排名的影响。
Comments Submitted to WMT 2026 for review
Agent Seer: Synthesizing Scenarios from Specification Understanding
Agent Seer：基于规范理解的场景合成
机构 * Apple（苹果公司）
AI总结 Agent Seer仅用单个MCP规范，无需示例、实时工具访问或领域调优，即可合成高质量测试场景，在7个不同领域的MCP规范上实现完整工具覆盖，为AI智能体评估提供了可扩展方案。
Luce: Relightable Gaussians for 3D Asset Generation
Luce：用于3D资产生成的可重光照高斯模型
机构 * Apple（苹果公司）
AI总结 本文提出Luce，一种用于3D资产生成的可重光照高斯模型，通过多模态高斯云结合PBR材质，在Toys4K数据集及自研AI生成图像基准上均实现了优于基线的单图像到3D生成性能，可保留精细细节。
Comments 27 pages, 19 figures, 5 tables
PROOF-Gen: From Optimized Data to Better Distillation
PROOF-Gen：从优化数据到更好的蒸馏
机构 * Apple（苹果公司）
AI总结 PROOF-Gen通过每场景提示优化从教师工具调用失败中恢复93%的错误轨迹，微调后提升了Qwen3-4B等模型的工具调用性能及部署流程的轨迹质量。
From Preferences to Principles: Rubric-Based Alignment for Grounded Knowledge Answers
从偏好到原则：基于评分规则的接地知识答案对齐
机构 * Apple（苹果公司）
AI总结 本研究针对开放域问答的奖励信号设计难题，提出基于检索证据生成查询特定多维评分规则的奖励框架，经实验验证其比基线方法有显著性能提升，为复杂开放域问答提供更有效的奖励监督。
Comments 18 pages, 5 figures, 3 tables
MM-ToolSandBox: A Unified Framework for Evaluating Visual Tool-Calling Agents
MM-ToolSandBox：一个用于评估视觉工具调用智能体的统一框架
机构 * Apple（苹果公司）
AI总结 介绍MM-ToolSandBox框架，它能支持多图像、多轮任务，通过自动化管道生成场景。评估12个先进模型发现当前模型视觉工具调用能力不足，视觉精度是瓶颈，不同规模模型失败原因不同，该框架和基准已公开。
Comments Benchmark link: https://github.com/apple/ml-mmtoolsandbox
SESSE: Sketch, Expand, Sort, Summarize, Evaluate -- LLM-as-Judge Evaluation via Structured Decomposition
SESSE：草图、扩展、排序、总结、评估——通过结构化分解的大模型作为评判者的评估
机构 * Apple（苹果公司）
AI总结 该研究针对大模型作为评判者评估无法分离质量维度等问题，提出无需训练的SESSE框架，在RewardBench上实现与基线近乎相当的性能，且可提供可解释的审计跟踪。
Towards Unified World Models for Visual Navigation via Memory-Augmented Planning and Foresight
通过记忆增强的规划和前瞻性构建视觉导航的统一世界模型
机构 * University of Washington（华盛顿大学） ； National University of Singapore（新加坡国立大学） ； Apple（苹果公司） ； Microsoft Research（微软研究院） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出UniWM，一种整合视觉前瞻性与规划的统一世界模型，通过记忆机制提升导航鲁棒性和泛化能力，在多个基准测试中显著提升导航成功率。
Comments Accepted to ECCV 2026. 22 pages, 12 figures, code: https://github.com/UWMILab/UniWM
The $\mathbf{P}$-Completeness of Inverted Index Traversal: On the Complexity of Evaluating Boolean Query DAGs
倒排索引遍历的$\mathbf{P}$-完备性：关于布尔查询DAG评估的复杂性
机构 * Apple Inc.（苹果公司）
AI总结 本文证明基于DAG的布尔查询评估问题是$\mathbf{P}$-完备的，并提出一种稀疏感知算法ComputePN，通过正负对偶表示和DAG记忆化，将评估时间严格限制在$O(|Q| \cdot |U_{\mathit{active}}|)$，避免指数爆炸和全量扫描。
Beyond Visual CoT: Internalized Visual Thinking for Proactive Video Reasoning
超越视觉思维链：用于主动视频推理的内化视觉思维
机构 * Apple（苹果公司）
AI总结 该研究提出后训练框架IVT，在训练时内化视觉预测能力，推理时直接生成答案，相较Visual CoT性能相当或更优且延迟降低5倍以上，可实现更高效准确的主动视频推理。
Memory Efficient Audio Synthesis with Decoupled Temporal Depth Diffusion Transformers
基于解耦时间深度扩散变换器的内存高效音频合成
机构 * Apple（苹果公司）
AI总结 研究提出基于解耦时间深度扩散变换器的内存高效音频合成架构，通过特定设计将语义音频令牌转换为RVQ表示，用单个深度解码器和因果滑动窗口注意力降低内存复杂度，在AMX上实现高效合成，提升音频质量。
Comments 11 pages, ICASSP
Never the Number: Structural Abstention for AI Systems Whose Answers Are Consumed as Fact
绝非数字：将答案作为事实使用的AI系统的结构弃权
机构 * Apple Inc.（苹果公司）
AI总结 针对LLM文本转SQL系统返回错误答案且无法区分的问题，提出带生成式外壳的可信内核架构，即结构弃权，在生产案例中验证其可靠性优于两种生成式替代方案。
Comments 26 pages, 5 figures, 5 tables. Technical report. Describes architecture and design principles only; contains no code, schemas, datasets, or performance metrics
GRPO Beyond English: A Large-Scale Study of GRPO in Non-English and Multilingual Settings
超越英语的GRPO：非英语与多语言场景下GRPO的大规模研究
机构 * Apple（苹果公司） ； Hasso Plattner Institute（哈索·普拉特纳研究所） ； ELLIS Unit Potsdam（波茨坦ELLIS单元）
AI总结 该研究针对非英语及多语言场景开展GRPO大规模实证，发现母语训练推理与英语训练差距小、存在跨语言迁移但趋势依赖模型语言，指出非英语RLVR有跨语言增益但需全面评估退化问题。
Retrofitting Linear Attention into Diffusion Language Models
将线性注意力改造融入扩散语言模型
机构 * Apple（苹果公司） ； Google DeepMind（谷歌DeepMind） ； Harvard University（哈佛大学） ； MIT（麻省理工学院）
AI总结 本文提出分块混合注意力，将其融入预训练dLLM LLaDA~2.1得到LLaDA-Hybrid，在保持基准性能的同时提升解码吞吐量与并发请求支持能力。
On the Anisotropy of Score-Based Generative Models
基于得分的生成模型的各向异性研究
机构 * Imperial College London（伦敦帝国学院） ； Apple（苹果公司）
AI总结 该研究针对基于得分的生成模型，引入依赖架构的得分各向异性方向（SADs），通过合成数据和图像基准验证其可捕获模型行为并关联下游性能，为预测生成模型泛化能力提供新方法。
Rubrics as Privileged Information for Open-Ended Generation
作为特权信息的评分规则：面向开放式生成
机构 * Apple（苹果公司）
AI总结 该研究将在线策略自蒸馏扩展至开放式生成，提出以评分规则作为特权信息（RuPI），在Qwen、Llama等模型上，其性能优于评分规则作为奖励的RL及参考完成PI蒸馏方法。
Comments Preprint, under review
Weights or Skills? A Survey of Robot-Learning Techniques: from Action-Predicting Weights to Robots that Write their Own Skills
权重还是技能？机器人学习技术综述：从动作预测权重到自主编写技能的机器人
机构 * San Jose State University（圣何塞州立大学） ； Meta ； Apple（苹果公司） ； Pragya Lab, BITS Pilani Goa（毕拉尼戈亚分校普拉gya实验室）
AI总结 本综述围绕机器人学习的“权重vs技能”轴，梳理两类技术的分类、自我提升机制与开放问题，考察77个代表性系统，为机器人学习领域提供分析框架。
Comments 40 pages, 11 figures, 11 tables
Dimensionality Reduction Meets Network Science: Sensemaking on UMAP's kNN Graph
降维与网络科学相遇：UMAP的kNN图上的意义建构
机构 * Apple（苹果公司）
AI总结 研究探索UMAP内部kNN图的潜力，应用PageRank、k核分解和聚类系数等标准图算法增强数据意义建构，经对MNIST和Fashion MNIST评估，证明这些基于图的分析实用且与专门方法有竞争力或互补。
Comments Accepted to IEEE Workshop on Topology meets Artificial Intelligence (TopoInVis Connect) at IEEE VIS 2026. Code and demo: https://apple.github.io/embedding-atlas/
NarrativeTrack: Evaluating Entity-Centric Reasoning for Narrative Understanding
NarrativeTrack: 评估实体中心推理在叙事理解中的表现
机构 * Apple（苹果公司） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 NarrativeTrack通过细粒度实体中心推理评估多模态大语言模型的叙事理解能力，揭示了感知接地与时间推理之间的根本权衡。
Comments Project Page: https://github.com/apple/ml-NarrativeTrack
A Biometric Sensor Network to Enable Real-Time Measurement of Individual Student Engagement in STEM Lecture Environments
用于STEM课堂环境中实时测量个体学生参与度的生物传感器网络
机构 * J.B. Speed School of Engineering（J.B. 斯皮德工程学院） ； Apple（苹果公司）
AI总结 本研究针对STEM课堂学生参与度测量的侵入性问题，提出由学生处理单元构成的生物传感器网络，支持设备端实时分析与隐私保护，可实现非侵入式的学生参与度实时测量。
Comments Thesis
A Novel XAI-Enhanced Quantum Adversarial Networks for Velocity Dispersion Modeling in MaNGA Galaxies
一种用于MaNGA星系速度弥散建模的新型可解释人工智能（XAI）增强量子对抗网络
机构 * Oracle Financial Services Software Ltd.（Oracle金融服务软件有限公司） ； Indian Institute of Information Technology Dharwad（德瓦德信息学院） ； NVIDIA ； Google AI（谷歌人工智能） ； Apple AI（苹果人工智能）
AI总结 该研究针对量子机器学习精度、鲁棒性与可解释性难以平衡的问题，提出XAI增强的量子对抗网络，经实验验证其在MaNGA星系速度弥散建模中表现稳定，可推动量子机器学习应用发展。
