NVIDIA（英伟达）

BiasTrace: Linking Reasoning Behaviours to Biased Outputs in LLMs

BiasTrace：将大语言模型（LLM）中的推理行为与有偏输出关联起来

Varsha Ramineni, Hossein A. Rahmani, Jerome Ramos, Karin Sevegnani, Emine Yilmaz

机构 * University College London（伦敦大学学院） ； NVIDIA（英伟达） 纠错

AI总结 本研究提出BiasTrace标注方案，将LLM的推理行为与有偏输出关联，构建大型标注数据集，发现有偏输出多源于微妙推理行为，且该方案可提升偏见检测与推理时缓解效果。

RGBX-Next: Towards Realistic Generative Rendering from G-Buffers

RGBX-Next：基于G-buffers的真实感生成式渲染

Zheng Zeng, Marco Salvi, Lifan Wu, Jan Novák, Daqi Lin, Saeed Hadadan, Yichen Sheng, Robert Pottorff, Shiqiu Liu, Ravi Ramamoorthi, Ling-Qi Yan, Miloš Hašan

机构 * University of California, Santa Barbara（加利福尼亚大学圣巴巴拉分校） ； NVIDIA（英伟达公司） ； University of California, San Diego（加利福尼亚大学圣迭戈分校） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） 纠错

AI总结 本文提出RGBX-Next框架，将扩散Transformer（DiT）微调为正向与反向渲染器，可从图像等估算G-buffers或从G-buffers渲染真实感内容，在相关任务中表现优异，将公开模型并推动领域研究。

Coverage Aware Active Evaluation for Failure Discovery with Paired Systems

面向配对系统故障发现的覆盖率感知主动评估

Anjali Parashar, Rachel Luo, Apoorva Sharma, Sushant Veer, Edward Schmerling, Carson Sobolewski, Mingxin Yu, Chuchu Fan, Marco Pavone

机构 * Laboratory of Information & Decision Systems (LIDS), MIT（麻省理工学院信息与决策系统实验室（LIDS）） ； NVIDIA Research（英伟达研究院） 纠错

AI总结 该研究针对自主系统故障发现难题，提出结合代理评估与残差建模、支持感知互信息目标的自适应方法，在三类任务中发现的故障数是基线的两倍。

Comments 9 main pages followed by Appendix, total 21 pages, 12 figures

Learning Dexterous Manipulation Using Contact Wrench Guidance From Human Demonstration

利用人类演示的接触力引导学习灵巧操作

Xinghao Zhu, Zixi Liu, Shalin Jain, Chenran Li, Milad Noori, Michael Andres Lin, Huihua Zhao, John Welsh, Mrinal Verghese, Wei Liu, Tingwu Wang, Xingye Da, Zhengyi Luo, Vishal Kulkarni, Naema Bhatti, Yuke Zhu, Linxi Fan, Bowen Wen, Danfei Xu, Soha Pouya, Yan Chang

机构 * NVIDIA（英伟达） 纠错

AI总结 提出CHORD框架，通过物体中心的接触力空间引导，利用人类演示的力和力矩信息增强强化学习，在包含4739个双臂灵巧操作任务的大规模基准上平均成功率82.12%，并泛化到全身操作和真实世界。