Google（谷歌）

Beyond Single Tokens: Distilling Discrete Diffusion Models via Discrete MMD

超越单个标记：通过离散MMD蒸馏离散扩散模型

Emiel Hoogeboom, David Ruhe, Jonathan Heek, Thomas Mensink, Tim Salimans

机构 * Google DeepMind Amsterdam（谷歌深思亚马逊） 纠错

AI总结 本文提出D-MMD方法，通过离散MMD蒸馏离散扩散模型，实现高质量和多样性的生成，优于传统方法。

A Subgoal-driven Framework for Improving Long-Horizon LLM Agents

一种用于提升长周期LLM代理的子目标驱动框架

Taiyi Wang, Sian Gooding, Florian Hartmann, Oriana Riva, Edward Grefenstette

机构 * Google DeepMind（谷歌DeepMind） 纠错

AI总结 本文提出子目标分解规划框架和MiRA强化学习框架，通过实时规划和密集奖励信号提升LLM在长周期任务中的表现，成功率达到43.0%。

Comments 50 pages, 15 figures

Matryoshka Gaussian Splatting

俄罗斯套娃高斯点撒技术

Zhilin Guo, Boqiao Zhang, Hakan Aktas, Kyle Fogarty, Jeffrey Hu, Nursena Koprucu Aslan, Wenzhao Li, Canberk Baykal, Albert Miao, Josef Bengtson, Chenliang Zhou, Weihao Xia, Cristina Nader Vasconcelos, Cengiz Oztireli

机构 * University of Cambridge（剑桥大学） ； Chalmers University of Technology（挑战者技术大学） ； Google（谷歌） 纠错

AI总结 本文提出Matryoshka Gaussian Splatting，通过随机预算训练实现连续LOD，保持高容量渲染质量，实现单模型的速度-质量平衡。

Comments project page: https://zhilinguo.github.io/MGS

A Unified Framework to Quantify Cultural Intelligence of AI

一种统一框架用于量化人工智能的文化智能

Sunipa Dev, Vinodkumar Prabhakaran, Rutledge Chin Feman, Aida Davani, Remi Denton, Charu Kalia, Piyawat Lertvittayakumjorn, Madhurima Maji, Rida Qadri, Negar Rostamzadeh, Renee Shelby, Romina Stella, Hayk Stepanyan, Erin van Liemt, Aishwarya Verma, Oscar Wahltinez, Edem Wornyo, Andrew Zaldivar, Saška Mojsilović

机构 * Google Research（谷歌研究） 纠错

AI总结 本文提出统一框架量化AI的文化智能，通过理论构建整合多维度指标，提出文化智能的定义与评估方法，探讨数据收集与测量挑战。

Hidden Breakthroughs in Language Model Training

语言模型训练中的隐藏突破

Sara Kangaslahti, Elan Rosenfeld, Naomi Saphra

机构 * Harvard University（哈佛大学） ； Google Research（谷歌研究） 纠错

AI总结 本文提出POLCA方法，通过分解损失变化来揭示训练过程中的隐藏转折点，通过合成任务验证其在模型能力解读中的潜力。

Comments ICLR 2026 Camera-ready

A Power Transform

一种幂变换

Jonathan T. Barron

机构 * Google（谷歌） 纠错

AI总结 本文提出一种新型幂变换，证明其能统一多种损失函数、核函数、概率分布、 bump 函数和神经网络激活函数。

Wearable Foundation Models Should Go Beyond Static Encoders

可穿戴基础模型应超越静态编码器

Yu Yvonne Wu, Yuwei Zhang, Hyungjun Yoon, Ting Dang, Dimitris Spathis, Tong Xia, Qiang Yang, Jing Han, Dong Ma, Sung-Ju Lee, Cecilia Mascolo

机构 * Dartmouth College, USA（达特茅斯学院） ； University of Cambridge, UK（剑桥大学） ； The University of Melbourne, Australia（墨尔本大学） ； Google Research, UK（谷歌研究） ； Tsinghua University, China（清华大学） 纠错

AI总结 本文提出可穿戴基础模型需超越静态编码器，通过结构丰富数据、纵向感知多模态建模和代理推理系统实现连续性健康支持。

Comments 13 pages

SurfaceXR: Fusing Smartwatch IMUs and Egocentric Hand Pose for Seamless Surface Interactions

SurfaceXR: 结合智能手表IMU与第一人称手姿态实现无缝表面交互

Vasco Xu, Brian Chen, Eric J. Gonzalez, Andrea Colaço, Henry Hoffmann, Mar Gonzalez-Franco, Karan Ahuja

机构 * University of Chicago（芝加哥大学） ； Northwestern University（西北大学） ； Northwestern University and Google（西北大学和谷歌） ； Google（谷歌） 纠错

AI总结 SurfaceXR通过融合智能手表IMU与第一人称手姿态数据，提升表面交互的准确性和舒适性，实验验证其在触控跟踪和8类手势识别上的显著优势。

Comments Accepted to IEEE VR 2026 as a TVCG journal paper

Linear Social Choice with Few Queries: A Moment-Based Approach

基于少量查询的线性社会选择：基于矩的方法

Luise Ge, Daniel Halpern, Gregory Kehne, Yevgeniy Vorobeychik

机构 * Washington University in St. Louis（华盛顿大学圣路易斯分校） ； Google Research（谷歌研究） 纠错

AI总结 本文研究了在极低通信预算下，通过少量 pairwise 比较选择最大化社会福利的候选人，同时探讨了矩信息在社会选择中的应用。