Meta

Artificial Intelligence and the Structure of Mathematics

人工智能与数学的结构

Maissam Barkeshli, Michael R. Douglas, Michael H. Freedman

机构 * Meta Superintelligence Labs, Fundamental AI Research（Meta超级智能实验室，基础人工智能研究） ； Department of Physics and Joint Quantum Institute, University of Maryland, College Park（马里兰大学帕克分校物理系与联合量子研究所） ； Center for Mathematical Sciences and Applications, Harvard University（哈佛大学数学科学与应用中心） 纠错

AI总结 本文探讨人工智能如何通过构建新的路径，补充数学逻辑，揭示数学的全球结构。提出AI在数学发现中的关键要素及标准，并反思数学的本质。

Comments 45 pages

Short Data, Long Context: Distilling Positional Knowledge in Transformers

短数据，长上下文：在Transformer中蒸馏位置知识

Patrick Huber, Ernie Chang, Chinnadhurai Sankar, Rylan Conway, Igor Fedorov, Md Rifat Arefin, Adithya Sagar

机构 * Meta Reality Labs（Meta现实实验室） 纠错

AI总结 本文通过基于logit的知识蒸馏，在不使用长上下文预训练的情况下，实现了长上下文检索能力的转移，揭示了位置信息在模型中的传播机制及参数更新模式。

Large-scale Codec Avatars: The Unreasonable Effectiveness of Large-scale Avatar Pretraining

大规模编码者人像：大规模人像预训练的不理性有效性

Junxuan Li, Rawal Khirodkar, Chengan He, Zhongshi Jiang, Giljoo Nam, Lingchen Yang, Jihyun Lee, Egor Zakharov, Zhaoen Su, Rinat Abdrashitov, Yuan Dong, Julieta Martinez, Kai Li, Qingyang Tan, Takaaki Shiratori, Matthew Hu, Peihong Guo, Xuhua Huang, Ariyan Zarei, Marco Pesavento, Yichen Xu, He Wen, Teng Deng, Wyatt Borsos, Anjali Thakrar, Jean-Charles Bazin, Carsten Stoll, Ginés Hidalgo, James Booth, Lucy Wang, Xiaowen Ma, Yu Rong, Sairanjith Thalanki, Chen Cao, Christian Häne, Abhishek Kar, Sofien Bouaziz, Jason Saragih, Yaser Sheikh, Shunsuke Saito

机构 * Codec Avatars Lab, Meta（Meta编解码虚拟化身实验室） 纠错

AI总结 本文提出大规模编码者人像模型，通过预训练和后训练相结合的方法，在大规模数据上实现高保真的人像生成，支持多样化的身份和精细表情控制，同时具备泛化能力和鲁棒性。

Comments Accepted in CVPR2026. Website: https://junxuan-li.github.io/lca

BulletGen: Improving 4D Reconstruction with Bullet-Time Generation

BulletGen: 通过子弹时间生成提升4D重建

Denis Rozumny, Jonathon Luiten, Numair Khan, Johannes Schönberger, Peter Kontschieder

机构 * Meta Reality Labs（Meta 现实实验室） 纠错

AI总结 BulletGen利用生成模型在Gaussian动态场景表示中校正错误并补全缺失信息，通过对扩散视频生成模型输出与4D重建在单个冻结子弹时间步骤的对齐，实现新颖视角合成和2D/3D跟踪任务的最先进结果。

Comments Accepted at CVPR 2026 Workshop "4D World Models: Bridging Generation and Reconstruction"

Boxer: Robust Lifting of Open-World 2D Bounding Boxes to 3D

Boxer：鲁棒的开放世界2D边界框到3D提升

Daniel DeTone, Tianwei Shen, Fan Zhang, Lingni Ma, Julian Straub, Richard Newcombe, Jakob Engel

机构 * Meta Reality Labs Research（Meta现实实验室） 纠错

AI总结 Boxer通过Transformer网络将2D边界框提升到3D，结合多视角融合和几何过滤，实现鲁棒的3D边界框估计，减少对标注数据的依赖，提升开放世界下的定位性能。

Comments project page: http://facebookresearch.github.io/boxer

GLANCE: A Global-Local Coordination Multi-Agent Framework for Music-Grounded Non-Linear Video Editing

GLANCE：一种用于音乐引导非线性视频编辑的全局-局部协调多智能体框架

Zihao Lin, Haibo Wang, Zhiyang Xu, Siyao Dai, Huanjie Dong, Xiaohan Wang, Yolo Y. Tang, Yixin Wang, Qifan Wang, Lifu Huang

机构 * Fudan University（复旦大学） ； Stanford University（斯坦福大学） ； University of Rochester（罗切斯特大学） ； Meta AI 纠错

AI总结 GLANCE提出一种全局-局部协调多智能体框架，通过双环架构实现视频编辑任务的长期规划与分段处理，引入新的协调机制和评估框架，实验表明其在视频生成质量上优于现有方法。

Comments 14 pages, 4 figures, under review

On-the-Fly VLA Adaptation via Test-Time Reinforcement Learning

实时VLA适应 via 测试时强化学习

Changyu Liu, Yiyang Liu, Taowen Wang, Qiao Zhuang, James Chenhao Liang, Wenhao Yang, Renjing Xu, Qifan Wang, Dongfang Liu, Cheng Han

机构 * University of Missouri–Kansas City（密苏里大学堪萨斯城分校） ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； U. S. Naval Research Laboratory（美国海军研究实验室） ； Lamar University（拉马尔大学） ； Meta AI ； Rochester Institute of Technology（罗彻斯特理工学院） 纠错

AI总结 本文提出TT-VLA框架，通过测试时强化学习实现VLA模型的实时策略适应，提升机器人在动态环境中的适应性与稳定性。

MetaEmbed: Scaling Multimodal Retrieval at Test-Time with Flexible Late Interaction

MetaEmbed：通过灵活的后期交互实现测试时多模态检索的扩展

Zilin Xiao, Qi Ma, Mengting Gu, Chun-cheng Jason Chen, Xintao Chen, Vicente Ordonez, Vijai Mohan

机构 * Meta Superintelligence Labs（Meta超级智能实验室） ； Rice University（莱斯大学） 纠错

AI总结 MetaEmbed通过灵活的后期交互机制，在测试时实现多模态检索的扩展，通过多向量检索训练提升信息组织能力，实现在大规模模型下的高效检索性能。

Comments ICLR 2026 Oral

How Humans Help LLMs: Assessing and Incentivizing Human Preference Annotators

人类如何帮助大语言模型：评估和激励人类偏好标注者

Shang Liu, Hanzhao Wang, Zhongyao Ma, Xiaocheng Li

机构 * Imperial College Business School, Imperial College London（帝国理工学院商学院，帝国理工学院） ； University of Sydney Business School, University of Sydney（悉尼大学商学院，悉尼大学） ； Meta 纠错

AI总结 本文研究如何监控人类偏好标注者质量及激励机制，提出自一致性监控方案并分析样本复杂度，揭示标注样本数量与合同性能的关系。

Regional climate risk assessment from climate models using probabilistic machine learning

基于气候模型的区域气候风险评估：利用概率机器学习

Zhong Yi Wan, Ignacio Lopez-Gomez, Robert Carver, Tapio Schneider, John Anderson, Fei Sha, Leonardo Zepeda-Núñez

机构 * Google Research（谷歌研究院） ； California Institute of Technology（加州理工学院） ； General Motors Sunnyvale Tech Center（通用汽车桑尼维尔技术中心） ； Meta 纠错

AI总结 本文提出GenFocal框架，通过概率机器学习生成高精度区域天气数据，解决粗分辨率气候模型与区域决策需求之间的矛盾，提升气候适应与韧性策略。

Comments 125 pages

Edgeworth Accountant: An Analytical Approach to Differential Privacy Composition

Edgeworth Accountant：一种差分隐私组合的分析方法

Hua Wang, Sheng Gao, Huanyu Zhang, Milan Shen, Weijie J. Su, Jiayuan Wu

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Meta Platforms, Inc.（Meta平台公司） 纠错

AI总结 本文提出Edgeworth Accountant方法，通过f-差分隐私框架分析组合隐私损失，利用Edgeworth展开估计隐私保证，提供非渐近的(ε, δ)-差分隐私界，适用于深度学习和联邦分析中的隐私保护。