Google（谷歌）

UNIGEOCLIP: Unified Geospatial Contrastive Learning

UNIGEOCLIP：统一地理对比学习

Guillaume Astruc, Eduard Trulls, Jan Hosang, Loic Landrieu, Paul-Edouard Sarlin

机构 * LASTIG, Univ Gustave Eiffel, IGN, ENSG, France（LASTIG，古斯塔夫·埃菲尔大学，法国国家地理林业信息研究所，法国国家地理科学学院，法国） ； Google, Switzerland（谷歌，瑞士） ； CNES, France（法国国家空间研究中心，法国） ； LIGM, CNRS, Univ Gustave Eiffel, ENPC, Institut Polytechnique de Paris, Marne-la-Vallée, France（LIGM，法国国家科学研究中心，古斯塔夫·埃菲尔大学，巴黎高科桥梁学院，巴黎理工学院，马恩拉瓦莱，法国） 纠错

AI总结 UNIGEOCLIP通过统一嵌入空间对五种地理模态进行联合对齐，提升多模态地理数据的对比学习性能，优于单一模态模型和坐标基线。

Journal ref CVPR 2026 EarthVision

LitPivot: Developing Well-Situated Research Ideas Through Dynamic Contextualization and Critique within the Literature Landscape

LitPivot：通过文献景观中的动态情境化和批判发展良好的研究想法

Hita Kambhamettu, Bhavana Dalvi Mishra, Andrew Head, Jonathan Bragg, Aakanksha Naik, Joseph Chee Chang, Pao Siangliulue

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Allen Institute for AI（艾伦人工智能研究所） ； Google（谷歌） 纠错

AI总结 本文提出LitPivot，通过动态情境化和批判在文献景观中发展研究想法，通过文献检索和反馈提升想法质量。

Smart Paste: Automatically Fixing Copy/Paste for Google Developers

Smart Paste：自动修复Google开发者复制/粘贴问题

Vincent Nguyen, Guilherme Herzog, José Cambronero, Marcus Revaj, Aditya Kini, Alexander Frömmgen, Maxim Tabachnyk

机构 * Google（谷歌） 纠错

AI总结 本文提出Smart Paste，通过迭代开发和扩展，为Google开发者环境提供粘贴后编辑建议，显著提升代码效率，接受率高达45%。

Comments 11 pages

How to Spin an Object: First, Get the Shape Right

如何旋转一个物体：首先，确保形状正确

Rishabh Kabra, Drew A. Hudson, Sjoerd van Steenkiste, Joao Carreira, Niloy J. Mitra

机构 * Google DeepMind（谷歌DeepMind） ； University College London（伦敦大学学院） 纠错

AI总结 本文提出unPIC框架，通过多视图几何先验和外观解码器分析图像到3D流程，发现CROCS表示在几何预测和多视图一致性方面优于其他方法。

TAPNext++: What's Next for Tracking Any Point (TAP)?

TAPNext++: 追踪任意点（TAP）的下一步

Sebastian Jung, Artem Zholus, Martin Sundermeyer, Carl Doersch, Ross Goroshin, David Joseph Tan, Sarath Chandar, Rudolph Triebel, Federico Tombari

机构 * Google（谷歌） ； Google DeepMind（谷歌DeepMind） ； German Aerospace Center (DLR)（德国航空航天中心） ； Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院） ； Mila - Quebec AI Institute（米拉-魁北克人工智能研究所） ； Université de Montréal（蒙特利尔大学） ； Chandar Research Lab（钱达尔研究实验室） ； Polytechnique Montréal（蒙特利尔综合理工学院） ； Canada CIFAR AI Chair（加拿大CIFAR人工智能主席） ； Technical University Munich (TUM)（慕尼黑工业大学） 纠错

AI总结 TAPNext++通过训练长序列和引入重检指标提升追踪性能，在保持低内存计算开销的同时实现更长序列的追踪。

Comments 8 pages, will be publised at CVPR Findings 2026, Website https://tap-next-plus-plus.github.io

Replicable Composition

可复制组合

Kiarash Banihashem, MohammadHossein Bateni, Hossein Esfandiari, Samira Goudarzi, MohammadTaghi Hajiaghayi

机构 * University of Maryland, College Park（马里兰大学帕克分校） ； Google Research（谷歌研究院） 纠错

AI总结 研究解决如何在保持可复制性的同时联合解决多个问题，提出新的组合定理并改进样本复杂度。

Comments Abstract shortened due to Arxiv requirements

Putting the Value Back in RL: Better Test-Time Scaling by Unifying LLM Reasoners With Verifiers

为RL重新注入价值：通过统一LLM推理器与验证器实现更好的测试时间扩展

Kusha Sareen, Morgane M Moss, Alessandro Sordoni, Rishabh Agarwal, Arian Hosseini

机构 * Mila, McGill University（Mila，麦吉尔大学） ； Mila, Université de Montréal（Mila，蒙特利尔大学） ； Microsoft Research, Mila（微软研究院，Mila） ； Google DeepMind, Mila（谷歌DeepMind，Mila） 纠错

AI总结 本文提出RL$^V$方法，通过联合训练LLM作为推理器和生成验证器，提升测试时间计算效率和任务准确性，实现20%以上的MATH准确率提升和8-32倍的计算效率提升。

Enabling Global, Human-Centered Explanations for LLMs:From Tokens to Interpretable Code and Test Generation

使大语言模型具备全球、以人为本的解释能力：从token到可解释的代码和测试生成

Dipin Khati, Daniel Rodriguez-Cardenas, David N. Palacio, Alejandro Velasco, Michele Tufano, Denys Poshyvanyk

机构 * Microsoft（微软） ； Google（谷歌） 纠错

AI总结 本文提出code rationales框架，通过将token级解释映射到高层编程类别，实现大语言模型代码生成的全局可解释性，验证了其在减少解释不确定性方面的有效性。

Comments Accepted to ICSE 2026

Generative UI: LLMs are Effective UI Generators

生成用户界面：LLM在生成用户界面方面非常有效

Yaniv Leviathan, Dani Valevski, Matan Kalman, Danny Lumen, Eyal Segalis, Eyal Molad, Shlomi Pasternak, Vishnu Natchu, Valerie Nygaard, Srinivasan, Venkatachary, James Manyika, Yossi Matias

机构 * Google Research（谷歌研究院） 纠错

AI总结 本文提出生成用户界面的概念，展示通过适当提示和工具，现代LLM能生成高质量的定制UI。尽管生成速度不计，人类更偏好其输出，且在50%的情况下与专家相当。同时发布PAGEN数据集以评估生成用户界面的实现。

Beyond Fluency: Toward Reliable Trajectories in Agentic IR

超越流畅性：迈向可靠的代理信息检索轨迹

Anushree Sinha, Srivaths Ranganathan, Debanshu Das, Abhishek Dharmaratnakar

机构 * Google（谷歌） 纠错

AI总结 本文探讨了代理信息检索中轨迹完整性与因果归因的重要性，提出通过验证门和系统性回避策略来减少累积误差和欺骗性流畅性，强调过程正确性而非终点准确性。

FM-SIREN & FM-FINER: Implicit Neural Representation Using Nyquist-based Orthogonality

基于奈奎斯特原理的隐式神经表示：FM-SIREN与FM-FINER

Mohammed Alsakabi, Wael Mobeirek, John M. Dolan, Ozan K. Tonguz

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Google（谷歌） 纠错

AI总结 本文提出FM-SIREN和FM-FINER，通过为周期性激活分配奈奎斯特原理指导的神经元特定频率乘数，减少隐式神经表示中的特征冗余，提升多任务信号重建性能。