Korea Advanced Institute of Science and Technology（韩国科学技术院）

HDR-NSFF: High Dynamic Range Neural Scene Flow Fields

HDR-NSFF：高动态范围神经场景流场

Shin Dong-Yeon, Kim Jun-Seong, Kwon Byung-Ki, Tae-Hyun Oh

机构 * School of Electrical Engineering, KAIST（韩国科学技术院电子工程学院） ； Dept. of Electrical Engineering, POSTECH（POSTECH电子工程系） ； Grad. School of Artificial Intelligence, POSTECH（POSTECH人工智能研究生院） ； School of Computing, KAIST（韩国科学技术院计算机科学学院） 纠错

AI总结 HDR-NSFF通过4D时空建模实现动态HDR场景的高精度辐射场重建与时空视图合成。

Comments ICLR 2026. Project page: https://shin-dong-yeon.github.io/HDR-NSFF/

VLM-SubtleBench: How Far Are VLMs from Human-Level Subtle Comparative Reasoning?

VLM-SubtleBench: VLMs在人类水平的细微比较推理方面还有多远？

Minkyu Kim, Sangheon Lee, Dongmin Park

机构 * KRAFTON ； KAIST（韩国科学技术院） 纠错

AI总结 VLM-SubtleBench通过评估VLMs在细微比较推理上的表现，揭示了模型与人类性能之间的差距，并为提升VLMs的推理能力提供了基础。

Comments ICLR 2026

Can Large Language Models Keep Up? Benchmarking Online Adaptation to Continual Knowledge Streams

大语言模型能否跟上？连续知识流的在线适应基准测试

Jiyeon Kim, Hyunji Lee, Dylan Zhou, Sue Hyun Park, Seunghyun Yoon, Trung Bui, Franck Dernoncourt, Sungmin Cha, Minjoon Seo

机构 * KAIST AI（韩国科学技术院人工智能研究所） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； Google（谷歌公司） ； KRAFTON（KRAFTON公司） ； Adobe Research（Adobe研究院） ； New York University（纽约大学） 纠错

AI总结 本文提出OAKS基准测试，用于评估大语言模型在动态连续知识流中的在线适应能力，发现现有模型在持续更新知识时存在显著局限性。

MERIT Feedback Elicits Better Bargaining in LLM Negotiators

MERIT反馈促进LLM谈判者更好的协商

Jihwan Oh, Murad Aghazada, Yooju Shin, Se-Young Yun, Taehyeon Kim

机构 * KAIST AI（韩国科学技术院人工智能研究所） ； Amazon AGI（亚马逊人工智能实验室） ； LG AI Research（LG人工智能研究） 纠错

AI总结 MERIT反馈框架通过AgoraBench基准、经济基础指标和人类偏好数据集提升LLM谈判能力，使其更符合人类偏好。

Comments Preprint. Typo corrected, New results added

A Champion-level Vision-based Reinforcement Learning Agent for Competitive Racing in Gran Turismo 7

一款冠军级基于视觉的强化学习代理用于Gran Turismo 7中的竞争赛车

Hojoon Lee, Takuma Seno, Jun Jet Tai, Kaushik Subramanian, Kenta Kawamoto, Peter Stone, Peter R. Wurman

机构 * KAIST（韩国科学技术院） ； Sony AI（索尼人工智能） ； Coventry University（科文特大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 本文提出了一种基于视觉的自主赛车代理，通过仅使用车载传感器数据和摄像头视角，在Gran Turismo 7中实现了冠军级的赛车性能。

Comments Accepted for Publication at the IEEE Robotics and Automation Letters (RA-L) 2025

VisualScratchpad: Inference-time Visual Concepts Analysis in Vision Language Models

VisualScratchpad: 视觉语言模型推理时的视觉概念分析

Hyesu Lim, Jinho Choi, Taekyung Kim, Byeongho Heo, Jaegul Choo, Dongyoon Han

机构 * KAIST AI（韩国科学技术院人工智能研究所） ； NAVER AI Lab（NAVER人工智能实验室） 纠错

AI总结 VisualScratchpad通过交互式界面分析视觉语言模型推理过程中的视觉概念，揭示三种未被充分探索的失败模式，帮助理解模型内部机制并改进调试。

Comments Accetped at ICLR 2026 Turstworthy AI Workshop

FastSTAR: Spatiotemporal Token Pruning for Efficient Autoregressive Video Synthesis

FastSTAR: 空间时间令牌修剪用于高效的自回归视频合成

Sungwoong Yune, Suheon Jeong, Joo-Young Kim

机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院） 纠错

AI总结 FastSTAR通过时空令牌修剪和部分更新机制，实现高效视频生成，在保持质量的同时提升处理速度。

Soft Equivariance Regularization for Invariant Self-Supervised Learning

用于不变自监督学习的软等价性正则化

Joohyung Lee, Changhun Kim, Hyunsu Kim, Kwanhyung Lee, Juho Lee

机构 * AITRICS ； Voronoi Inc. ； Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院） 纠错

AI总结 本文提出软等价性正则化，通过解耦不变性和等价性强制的层，提升自监督学习在ImageNet-1k和ImageNet-C/P等任务中的性能。

Comments 14th International Conference on Learning Representations (ICLR 2026)

Precision Proactivity: Measuring Cognitive Load in Real-World AI-Assisted Work

精度主动性：在真实世界中测量人工智能辅助工作中的认知负荷

Brandon Lepine, Juho Kim, Pamela Mishkin, Matthew Beane

机构 * College of Engineering, UC Santa Barbara（加州大学圣芭芭拉分校工程学院） ； School of Computing, KAIST（韩国科学技术院计算机科学学院） 纠错

AI总结 本文研究了在真实世界中AI辅助工作中的认知负荷测量，通过任务分解和知识图谱开发了评估框架，发现外在负荷对质量影响最大，任务切换是性能下降的最强预测因素。

Comments Major Revision. Substantially rewritten manuscript with new analysis, updated framing, and new title