Apple（苹果）

Learning Long-term Motion Embeddings for Efficient Kinematics Generation

学习长期运动嵌入以实现高效的运动学生成

Nick Stracke, Kolja Bauer, Stefan Andreas Baumann, Miguel Angel Bautista, Josh Susskind, Björn Ommer

机构 * Munich Center for Machine Learning（慕尼黑机器学习中心） ； Apple（苹果公司） 纠错

AI总结 本文提出通过学习长期运动嵌入高效生成真实运动，利用压缩的运动嵌入和条件流匹配模型实现目标驱动的运动生成。

Comments for the project page and code, view https://compvis.github.io/long-term-motion

Can Large Language Models Infer Causal Relationships from Real-World Text?

大语言模型能否从现实文本中推断因果关系？

Ryan Saklad, Aman Chadha, Oleg Pavlov, Raha Moraffah

机构 * Worcester Polytechnic Institute（伍斯特理工学院） ； Apple（苹果公司） 纠错

AI总结 本文探讨大语言模型能否从现实文本中推断因果关系，构建了首个现实世界数据集，发现最佳模型在因果推断上的F1分数仅为0.535。

What do your logits know? (The answer may surprise you!)

你的logits知道什么？（答案可能让你吃惊！)

Masha Fedzechkina, Eleonora Gualdoni, Rita Ramos, Sinead Williamson

机构 * Apple（苹果公司） 纠错

AI总结 本文通过视觉语言模型探讨不同表征层级中信息压缩的泄露问题，揭示了通过top-k logit和低维投影可能泄露任务无关信息的核心发现。

FS-DFM: Fast and Accurate Long Text Generation with Few-Step Diffusion Language Models

FS-DFM: 一种快速且准确的长文本生成方法：基于少步扩散语言模型

Amin Karimi Monsefi, Nikhil Bhendawade, Manuel Rafael Ciosici, Dominic Culver, Yizhe Zhang, Irina Belousova

机构 * The Ohio State University（俄亥俄州立大学） ； Apple（苹果公司） 纠错

AI总结 FS-DFM通过减少采样步骤数提升生成速度，同时保持生成质量，在语言模型基准测试中实现与传统扩散模型相当的性能，显著降低采样延迟和吞吐量。

Comments Accepted to ICLR 2026