Google（谷歌）

ORBIT++: Benchmarking SfM in the Wild with 360° Video

ORBIT++: 基于360°视频的野外运动恢复结构（SfM）基准测试

Sara Sabour, Linyi Jin, Richard Tucker, Amir Hertz, Marcus Brubaker, Saurabh Saxena, Junhwa Hur, Andrea Tagliasacchi, Deqing Sun, David J. Fleet, Richard Szeliski, Noah Snavely

机构 * Google DeepMind（谷歌DeepMind） ； Simon Fraser University（西蒙菲莎大学） ； University of Toronto（多伦多大学） 纠错

AI总结 该研究针对现有SfM方法在复杂视频中失效且缺乏对应可靠基准的问题，提出基于360°视频的ORBIT基准，实验显示多种SfM方法在该基准上表现不佳，为相关研究提供了测试平台。

Comments A revision was Accepted at CVPR 2026

Subzero matrix completion for sparse data analysis: large-scale learning of latent low-rank structure

用于稀疏数据分析的亚零矩阵补全：潜在低秩结构的大规模学习

Lawrence K. Saul, Ningyuan Huang, Dennis Bollweg, Jeff Soules, Diana C. Halikias

机构 * Flatiron Institute（弗莱堡研究所） ； Courant Institute, NYU（纽约大学库朗数学研究所） ； Google Research（谷歌研究院） 纠错

AI总结 本文针对稀疏非负矩阵补全问题，提出可扩展的随机交替最小二乘算法，结合稀疏优化与CUDA内核加速，成功应用于果蝇连接组突触权重矩阵分析，揭示其潜在低秩结构的预测能力。

Sorting from Counterexamples

基于反例的排序

Noga Alon, Shay Moran, Shlomo Moran

机构 * Princeton University（普林斯顿大学） ； Tel Aviv University（特拉维夫大学） ； Technion – Israel Institute of Technology（以色列理工学院） ； Google Research（谷歌研究院） 纠错

AI总结 研究未知线性顺序学习问题，反例可能不真实且k未知，确定最优查询复杂度，还研究低维几何表示的目标排序情况，给出上下界并指出无噪声项的差距。

DySCo: Dynamically consistent data-driven downscaling of extremes in climate projections

DySCo：气候预测中极端事件的动态一致数据驱动降尺度方法

S. Stamatelopoulos, M. Wang, I. Lopez-Gomez, L. Zepeda-Nunez, Z. Y. Wan, R. Carver, F. Sha, T. P. Sapsis

机构 * Massachusetts Institute of Technology（麻省理工学院） ； City University of Hong Kong（香港城市大学） ； Google Research（谷歌研究院） 纠错

AI总结 针对气候降尺度中动态一致性缺失的挑战，提出DySCo框架，通过数据驱动的张弛法重构训练动态配对轨迹，训练两阶段算子，在保持统计性能的同时提升动态一致性，优于现有方法。

Pandora's AI Model Routing Box: Efficient Allocation with Costly Value Estimation

潘多拉的AI模型路由盒：带代价价值估计的高效分配

Adam Fisch, Shubhendu Trivedi, Fantine Huot, William W. Cohen, Michael Kaisers, Mirella Lapata, Kate Larson, Jacob Eisenstein

机构 * Google DeepMind（谷歌DeepMind） 纠错

AI总结 该研究针对异构AI系统的查询路由问题，提出带代价价值估计的Pandora's Router集中式策略及Pandora's Bidder去中心化策略，可在保证路由质量的同时减少高成本估计器的使用，还能在不同场景优化分配效率。

CONSCIENTIA: Can LLM Agents Learn to Strategize? Emergent Deception and Trust in a Multi-Agent NYC Simulation

CONSCIENTIA：LLM代理能否学会策略性行为？多智能体纽约市模拟中的涌现欺骗与信任

Aarush Sinha, Arion Das, Soumyadeep Nag, Charan Karnati, Shravani Nag, Chandra Vadhan Raj, Aman Chadha, Vinija Jain, Suranjana Trivedy, Amitava Das

机构 * University of Copenhagen（哥本哈根大学） ； IIIT Ranchi（印度信息技术学院兰契分校） ； ISI Kolkata（印度统计学院加尔各答分校） ； NIT Andhra Pradesh（印度国家理工学院安得拉邦分校） ； IGDTUW（英迪拉·甘地德里技术女子大学） ； IIT Kharagpur（印度理工学院卡哈拉格普尔分校） ； Google DeepMind（谷歌DeepMind） ； Google（谷歌） ； AI Institute, University of South Carolina（南卡罗来纳大学人工智能研究所） 纠错

AI总结 研究通过多智能体模拟探讨LLM在对抗性环境中的策略行为，发现智能体在导航中表现出有限的策略性，包括选择性信任与欺骗，但易受对抗性说服影响。

When Models Fabricate Credentials: A Behavioral Audit of Professional Personas and AI Identity Disclosure

当模型伪造资质：测量专业身份如何抑制诚实的自我表征

Alex Diep

机构 * Google（谷歌） 纠错

AI总结 研究探讨了语言模型在被赋予专业身份时，如何在维持身份与披露AI本质之间平衡，发现专业身份显著抑制诚实自我表征，且模型身份比规模对行为影响更大。

Comments 38 pages, 13 figures, 15 tables. Revised version with clarified claims and updated presentation

Dynamic Cogeneration of Bug Reproduction Test in Agentic Program Repair

代理程序修复中的动态共生测试生成

Runxiang Cheng, Michele Tufano, José Cambronero, Renyao Wei, Sherry Shi, Grant Uy, Pat Rondon, Franjo Ivančić

机构 * Google, USA（谷歌（美国）） 纠错

AI总结 本文研究了在程序修复中动态共生生成测试的方法，通过在同一补丁中生成修复和测试用例，提高修复的可信度并减少维护成本。

Learning with Local Search MCMC Layers

基于局部搜索MCMC层的学习

Germain Vivier-Ardisson, Mathieu Blondel, Axel Parmentier

机构 * Google DeepMind（谷歌DeepMind） ； ENPC Paris（巴黎高等电力学院） ； ENPC Marne-la-Vallée（马恩拉瓦尔贝勒高等电力学院） 纠错

AI总结 本文提出一种基于局部搜索MCMC层的学习方法，将局部搜索邻域系统转化为MCMC提议分布，构建可微随机组合层，在多个组合优化任务上验证了其降低学习计算负担的效果。

Model Directions, Not Words: Mechanistic Topic Models Using Sparse Autoencoders

模型方向，而非词语：使用稀疏自编码器的机制性主题模型

Carolina Zheng, Nicolas Beltran-Velez, Sweta Karlekar, Claudia Shi, Achille Nazaret, Asif Mallik, Amir Feder, David M. Blei

机构 * Columbia University（哥伦比亚大学） ； Google Research（谷歌研究院） ； Independent（独立研究者） 纠错

AI总结 本文提出机制性主题模型（MTMs），利用稀疏自编码器学习可解释特征，以揭示深层概念主题，并通过topic judge评估框架验证其有效性。

Comments Accepted for publication in Transactions of the Association for Computational Linguistics (TACL). 26 pages, 10 figures