University of Cambridge（剑桥大学）

2603.22472 2026-03-25 cs.RO cs.LG cs.MA

Wake Up to the Past: Using Memory to Model Fluid Wake Effects on Robots

回望过去：利用记忆建模机器人上的流体尾流效应

Luca Vendruscolo, Eduardo Sebastián, Amanda Prorok, Ajay Shankar

机构 * Department of Computer Science and Technology, University of Cambridge, UK（剑桥大学计算机科学与技术系）

AI总结本文研究了通过记忆建模流体尾流效应的机器人交互，探讨了七种数据驱动模型在不同介质中的时空演变，验证了历史状态支持和传输延迟预测对准确预测的重要性。

Comments 8 pages, 7 figures. Submitted to IROS 2026. Project website: https://sites.google.com/view/wake-up-to-the-past

2603.19709 2026-03-25 cs.RO

Morphology-Consistent Humanoid Interaction through Robot-Centric Video Synthesis

通过机器人中心视频合成实现形态一致的人形交互

Weisheng Xu, Jian Li, Yi Gu, Bin Yang, Haodong Chen, Shuyi Lin, Mingqian Zhou, Jing Tan, Qiwei Wu, Xiangrui Jiang, Taowen Wang, Jiawen Wen, Qiwei Liang, Jiaxi Zhang, Renjing Xu

机构 * Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））； Shenzhen University（深圳大学）； University of Cambridge（剑桥大学）

AI总结本文提出Dream2Act框架，通过生成视频合成实现零样本人形机器人交互，避免传统retargeting的形态差距问题，提升任务完成率。

2601.07315 2026-03-25 cs.MA cs.AI cs.AR

VLM-CAD: VLM-Optimized Collaborative Agent Design Workflow for Analog Circuit Sizing

VLM-CAD：面向模拟电路尺寸设计的VLM优化协作代理设计流程

Guanyuan Pan, Shuai Wang, Yugui Lin, Tiansheng Zhou, Pietro Liò, Zhenxin Zhao, Yaqi Wang

机构 * Hangzhou Dianzi University（杭州电子科技大学）； SCBC, Guangdong University of Foreign Studies（广东外语外贸大学）； University of Cambridge（剑桥大学）

AI总结本文提出VLM-CAD流程，通过神经符号结构解析模块和ExTuRBO方法提升多模态推理的鲁棒性和可解释性，实验表明其在模拟电路设计中具有高准确性和低功耗。

Comments submitted to the 34th ACM International Conference on Multimedia (ACMMM 2026)

2512.08121 2026-03-25 cs.LG cs.AI cs.CL

Balanced Accuracy: The Right Metric for Evaluating LLM Judges -- Explained through Youden's J statistic

平衡准确率：评估大语言模型判官的正确指标——通过Youden的J统计量解释

Stephane Collot, Colin Fraser, Justin Zhao, William F. Shen, Timon Willi, Ilias Leontiadis

机构 * Meta Superintelligence Labs（Meta超智能实验室）； Meta ； University of Cambridge（剑桥大学）

AI总结本文通过Youden的J统计量证明平衡准确率是评估LLM判官的更优指标，通过分析和实验展示其在选择判官时提升分类器鲁棒性的效果。

Comments 10 pages, 5 figures

Journal ref In Proceedings of the 19th Conference of the European Chapter of the Association for Computational Linguistics (Volume 5: Industry Track), pages 927-936, Rabat, Morocco, March 2026