NVIDIA（英伟达）

NEMESIS: Noise-suppressed Efficient MAE with Enhanced Superpatch Integration Strategy

NEMESIS：噪声抑制的高效MAE与增强的超块整合策略

Kyeonghun Kim, Hyeonseok Jung, Youngung Han, Hyunsu Go, Eunseob Choi, Seongbin Park, Junsu Lim, Jiwon Yang, Sumin Lee, Insung Hwang, Ken Ying-Kai Liao, Nam-Joon Kim

机构 * OUTTA ； Chung-Ang University（中央大学） ； Seoul National University（首尔大学） ； GIST（光州科学技术院） ； Sangmyung University（祥明大学） ； NVIDIA（英伟达） 纠错

AI总结 NEMESIS通过局部超块处理实现高效MAE，结合噪声增强重建和改进的Transformer块，提升3D CT图像分类性能，降低计算成本。

Comments 5 pages, 5 figures, 5 tables

Mitigating the ID-OOD Tradeoff in Open-Set Test-Time Adaptation

缓解开放集测试时间适应中的ID-OOD权衡

Wenjie Zhao, Jia Li, Xin Dong, Yapeng Tian, Yu Xiang, Yunhui Guo

机构 * University of Texas at Dallas（德克萨斯大学达拉斯分校） ； NVIDIA（英伟达） 纠错

AI总结 本文提出ROSETTA方法，通过引入角损失和特征范数损失，提升开放集测试时间适应中的OOD检测性能，同时保持ID分类的高精度。

From SWE-ZERO to SWE-HERO: Execution-free to Execution-based Fine-tuning for Software Engineering Agents

从SWE-ZERO到SWE-HERO：从无执行到基于执行的微调方法用于软件工程代理

Nikolai Ludwig, Wasi Uddin Ahmad, Somshubra Majumdar, Boris Ginsburg

机构 * NVIDIA（英伟达） 纠错

AI总结 本文提出一种两阶段SFT方法，通过知识蒸馏实现SWE-bench的最佳性能，通过进化精炼策略提升代码语义和工程流程。

Operator Learning for Smoothing and Forecasting

运算学习用于平滑与预测

Edoardo Calvello, Elizabeth Carlson, Nikola Kovachki, Michael N. Manta, Andrew M. Stuart

机构 * California Institute of Technology（加州理工学院） ； Oregon State University（俄勒冈州立大学） ； NVIDIA Corporation（英伟达公司） ； Stanford University（斯坦福大学） 纠错

AI总结 本文提出一种理论框架，用于支持数据驱动方法解决数据同化和平滑问题。通过研究运算学习架构的性质，建立新的通用逼近定理，适用于连续时间动态系统的平滑与预测。

Emergent Dexterity via Diverse Resets and Large-Scale Reinforcement Learning

通过多样重置和大规模强化学习实现涌现的灵巧性

Patrick Yin, Tyler Westenbroek, Zhengyu Zhang, Joshua Tran, Ignacio Dagnino, Eeshani Shilamkar, Numfor Mbiziwo-Tiapo, Simran Bagaria, Xinlei Liu, Galen Mullins, Andrey Kolobov, Abhishek Gupta

机构 * University of Washington（华盛顿大学） ； NVIDIA（英伟达） ； Microsoft Research（微软研究院） 纠错

AI总结 本文提出OmniReset框架，通过模拟器重置和固定超参数，实现单奖励函数解决广泛灵巧操作任务，提升鲁棒性和扩展性。

PRISM: Robust VLM Alignment with Principled Reasoning for Integrated Safety in Multimodality

PRISM：面向多模态集成安全的原理化推理对齐

Nanxi Li, Zhengyue Zhao, G. Edward Suh, Marco Pavone, Chaowei Xiao

机构 * Johns Hopkins University（约翰霍普金斯大学） ； Cornell University（康奈尔大学） ； Stanford University（斯坦福大学） ； NVIDIA（英伟达） 纠错

AI总结 PRISM通过结构化四阶段推理过程，有效应对多模态安全违规，提升VLM的鲁棒性与安全性，同时保持模型实用性。

Monotone and Conservative Policy Iteration Beyond the Tabular Case

单调性和保守性策略迭代超越表格情形

S. R. Eshwar, Gugan Thoppe, Ananyabrata Barua, Aditya Gopalan, Gal Dalal

机构 * Indian Institute of Science, Bengaluru, India（印度科学研究所，班加罗尔，印度） ； NVIDIA Research, Israel（英伟达研究院，以色列） 纠错

AI总结 本文提出RPI和CRPI，通过贝尔曼约束优化在函数逼近中保留表格保证，恢复价值估计的单调性并提供下界，同时改进策略更新以应对函数逼近误差，从而解决强化学习中函数逼近导致的收敛问题。