Carnegie Mellon University（卡内基梅隆大学）

SAC Flow: Sample-Efficient Reinforcement Learning of Flow-Based Policies via Velocity-Reparameterized Sequential Modeling

SAC Flow: 通过速度重参数化序列建模高效训练基于流的策略

Yixian Zhang, Shu'ang Yu, Tonghe Zhang, Mo Guang, Haojia Hui, Kaiwen Long, Yu Wang, Chao Yu, Wenbo Ding

机构 * Tsinghua University（清华大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Li Auto（利汽车） ； Shanghai AI Laboratory（上海人工智能实验室） 纠错

AI总结 SAC Flow通过速度重参数化序列建模，高效训练基于流的策略，实现连续控制和机器人操作的高性能表现。

Breaking the Bottlenecks: Scalable Diffusion Models for 3D Molecular Generation

突破瓶颈：用于3D分子生成的可扩展扩散模型

Adrita Das, Peiran Jiang, Dantong Zhu, Barnabas Poczos, Jose Lugo-Martinez

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出通过反向转移核框架重新解释DDDM，解决分子扩散中的瓶颈问题，提升推理效率和结构保真度。

Do What You Say: Steering Vision-Language-Action Models via Runtime Reasoning-Action Alignment Verification

按言行事：通过运行时推理-动作对齐验证引导视觉-语言-动作模型

Yilin Wu, Anqi Li, Tucker Hermans, Fabio Ramos, Andrea Bajcsy, Claudia Pérez-D'Arpino

机构 * NVIDIA（NVIDIA公司） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Utah（犹他大学） ； University of Sydney（悉尼大学） 纠错

AI总结 通过运行时推理-动作对齐验证方法提升视觉-语言-动作模型的鲁棒性和行为组合能力