Google（谷歌）

CollabEval: Statistically Efficient Collaborative Model Evaluation via Matrix Completion

CollabEval：通过矩阵补全实现统计高效的协作模型评估

Adam Fisch, Daniel Deutsch, Joshua Maynez, Alekh Agarwal, Jonathan Berant, William Cohen, Amir Globerson, Jacob Eisenstein

机构 * Google DeepMind（谷歌DeepMind） ； Google Research（谷歌研究） 纠错

AI总结 提出CollabEval方法，将模型评估视为矩阵补全问题，利用不同模型历史运行间的依赖关系，借助预测驱动推理构建分数矩阵低秩近似，以减少置信区间大小和点估计均方误差。

Active Learning on Adversarially Corrupted Graphs

对抗性损坏图上的主动学习

Marco Bressan, Nicolò Cesa-Bianchi, Tommaso d`Orsi, Emmanuel Esposito, Silvio Lattanzi

机构 * Università degli Studi di Milano（米兰大学） ； Bocconi University（博科尼大学） ； Google Research（谷歌研究院） 纠错

AI总结 针对恶意实体篡改网络的场景定义模型，设计主动学习算法，通过少量标签查询高效找出损坏顶点子集，所设计算法依对手能力和图的顶点扩展多项式地确定查询复杂度。

Comments 37 pages, presented at COLT 2026

Journal ref Proceedings of Thirty Ninth Conference on Learning Theory, pages 859--895, July 2026

FM-ChangeNet: Learning Change through Pathwise Feature Transport

FM-ChangeNet：通过路径特征传输学习变化

Roie Kazoom, George Leifman, Genady Beryozkin

机构 * Google Research（谷歌研究院） 纠错

AI总结 提出FM-ChangeNet框架，将双时态推理重构为特征空间连续传输，构建中间潜态并学习速度场，其不仅是传输机制，还表征变化，架构含跨时态对齐等，实验表明该框架能产生更优变化表征并达最优性能。

RoboVista: Evaluating Vision Language Models for Diverse Robot Applications

RoboVista：评估用于各种机器人应用的视觉语言模型

Shuangyu Xie, Kaiyuan Chen, Ziyang Chen, Simeon Adebola, Yixuan Huang, Zehan Ma, Tianshuang Qiu, Wentao Yuan, Dhruv Shah, Pannag R. Sanketi, Ken Goldberg

机构 * University of California, Berkeley（加州大学伯克利分校） ； Princeton University（普林斯顿大学） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 研究针对机器人多样应用，提出模块化评估框架Robot Question Answering及基准RoboVista，其源于真实机器人系统等，含多任务类型VQA实例，实验表明现有视觉语言模型有差距，且与现实任务执行相关。

Comments Accepted to RSS 2026. Project website: https://berkeleyautomation.github.io/robovista/

How to Build Digital Humans? From Priors to Photorealistic Avatars

如何构建数字人？从先验知识到逼真的虚拟形象

Wojciech Zielonka, Tobias Kirschstein, Timo Bolkart, Simon Giebenhain, Vanessa Sklyarova, Xiang Deng, Donglai Xiang, Shunsuke Saito, Yebin Liu, Matthias Niessner, Justus Thies

机构 * Meta ； Technical University of Munich（慕尼黑技术大学） ； Google（谷歌） ； Tsinghua University（清华大学） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） ； NVIDIA ； Technical University of Darmstadt（达姆施塔特技术大学） ； ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 概述可控3D人类虚拟形象创建，聚焦先验学习和形象创建阶段，定义现有虚拟形象表示并分类，回顾全身和头部虚拟形象等方法，概述原则、推荐文献并讨论挑战与方向。

Comments Eurographics 2026 State-of-the-Art Report (STAR). Project page: https://wojciechzielonka.com/how-to-build-digital-humans/

The Role of Rigor in Artificial Intelligence

严谨性在人工智能中的作用

Timothy Nguyen

机构 * Google DeepMind（谷歌DeepMind） 纠错

AI总结 从严谨性角度系统分析人工智能，介绍概念、认知、操作严谨性的框架，用其剖析相关问题，指出人工智能独特发展轨迹源于严谨性交互，有助于解释其发展与不确定性及面临的挑战。

Comments To appear in D. Rickles and T. Thebault (eds.) Philosophy of Rigor (Routledge, 2026)

HyperVAttention: Efficient Sparse Attention with Spatio-Temporal Clustering for Video Diffusion

HyperVAttention：用于视频扩散的具有时空聚类的高效稀疏注意力

Dongyeun Lee, Amir Zandieh, Vahab Mirrokni, Junmo Kim, Insu Han

机构 * KAIST（韩国科学技术院） ； Google Research（谷歌研究院） 纠错

AI总结 针对视频扩散中自注意力机制的二次复杂度问题，提出HyperVAttention框架，通过3D局部窗口聚类等方法解决聚类开销大及CTA利用率低的瓶颈，提升视频扩散中无训练稀疏注意力的质量和速度。

Comments 21 pages, 8 figures

Diagnosing and Mitigating Compounding Failures in Agentic Persuasion via Taxonomic Strategy Retrieval

诊断与缓解智能体说服中的复合失败：基于分类策略检索

Sana Ayromlou, Purvi Sehgal, Pradyumna Narayana

机构 * Google（谷歌） 纠错

AI总结 针对智能体在主观任务中因语义泄露导致的复合错误，提出分类策略RAG（TS-RAG），通过离散类别瓶颈解耦论证结构与主题内容，显著提升抽象逻辑迁移能力，并在非对称部署中增强轻量级说服者性能。