Argument Collapse: LLMs Flatten Long-Form Public Debate
论点坍缩：LLMs 扁平化长篇公共辩论
机构 * University of Maryland, College Park（马里兰大学学院公园分校）
AI总结 研究大型语言模型在生成公共辩论文本时导致论点坍缩的现象，即不同模型生成的论文在主要论点、子论点和段落结构上趋于收敛，通过对比人类与LLM生成文本发现LLM的论点多样性显著降低。
高校专区
University of Maryland, College Park（马里兰大学帕克分校）
SHADOWBENCH: Toward Reliable Automatic Evaluation of Semantic Alignment in Autoformalization
SHADOWBENCH：迈向自动形式化中语义对齐的可靠自动评估
机构 * Electronics and Telecommunications Research Institute（电子通信研究院） ； Seoul National University（首尔大学） ； University of Maryland, College Park（马里兰大学帕克分校） ； Amazon Web Services（亚马逊网络服务）
AI总结 针对自动形式化评估的缺陷，该研究提出SA-Pass方法并构建ShadowBench基准，实验显示其与专家判断一致性达98.8%，且被用作ICML 2026 AI4Math挑战赛第4赛道基准。
Comments EMNLP 2026
Journal ref The 2026 Conference on Empirical Methods in Natural Language Processing
Conditional Flow Matching for ML-Based Inverse Design Problems
面向基于机器学习的逆设计问题的条件流匹配
机构 * ETH Zürich（苏黎世联邦理工学院） ； University of Maryland, College Park（马里兰大学帕克分校）
AI总结 本研究将条件流匹配（CFM）集成至EngiOpt，在EngiBench的两项基准任务上对比条件扩散模型与cGAN，结果显示CFM的性能更优、采样速率更高且所需网络评估次数更少。
Comments 13 pages, 2 figures, 6 tables. Accepted for presentation at EngOpt 2026
What Drives Representation Steering? A Mechanistic Case Study on Steering Refusal
是什么驱动了表示引导？对引导拒绝的机制性案例研究
机构 * University of Maryland, College Park（马里兰大学帕克分校）
AI总结 研究通过机制性案例分析，探讨引导向量如何通过注意力机制影响模型输出，揭示引导向量主要作用于OV电路而非QK电路，并发现引导向量可被稀疏化而不影响性能。
Comments EMNLP 2026 Main Conference. Updated from previous preprint to contain experiments on Qwen 3 8B, revised explanation of attribution patching method, and additional results in appendix
VIBE: Video Instruction-aligned Background music gEneration
VIBE：视频指令对齐背景音乐生成模型
机构 * Dolby Laboratories（杜比实验室） ； University of Maryland, College Park（马里兰大学帕克分校）
AI总结 VIBE是一种新型文本与视频生成音乐模型，通过深度跨层条件机制与五阶段奖励建模优化，提升了音乐生成的可控性与指令依从性，在生成保真度上与多数基准模型相当。
TEMPO: Temporally-grounded Multi-task Post-training for Large Audio-Language Models
TEMPO：面向大型音频-语言模型的时序锚定多任务后训练
机构 * University of Maryland, College Park（马里兰大学帕克分校） ； CNH Industrial India（凯斯纽荷兰工业印度公司）
AI总结 TEMPO是首个处理音频、语音和音乐时间戳任务的统一模型，通过SFT结合GRPO方法，在10K样本评估基准上优于Audio Flamingo Next等最先进模型。
Comments Accepted at EMNLP 2026 Main Conference. Project page - https://kaousheik-26.github.io/tempo
More Haste, Less Speed: Weaker Single-Layer Watermark Improves Distortion-Free Watermark Ensembles
更快，更慢：更弱的单层水印提升无失真水印集合
机构 * University of Maryland, College Park（马里兰大学 College Park 分校）
AI总结 本研究提出利用弱单层水印提升多层水印集合的鲁棒性，通过保留熵以减少信号衰减，从而增强水印检测效果。
Comments EMNLP 2026 (Main Conference)
Breaking the Code: Security Assessment of AI Code Agents Through Systematic Jailbreaking Attacks
破解代码：通过系统性越狱攻击对AI代码代理进行安全评估
机构 * University of Maryland – College Park（马里兰大学-College Park） ； AWS AI Labs（AWS人工智能实验室） ； Meta Superintelligence Labs（Meta超智能实验室）
AI总结 提出JAWS-Bench基准测试，通过三级工作区评估代码LLM代理的越狱风险，发现代理化使攻击成功率提升1.6倍，并揭示可执行攻击代码的高比例。
Comments 22 pages, 18 figures, 8 tables
Persuasion Index: A Theory-Guided Framework for Persuasion Analysis
说服指数：一个理论指导的说服分析框架
机构 * University of Maryland, College Park（马里兰大学帕克分校） ； New York University（纽约大学）
AI总结 提出基于心理学和传播学理论的15维说服指数（PI）及55个子特征实现，在四个数据集上验证其能解释说服相关修辞模式，并提供轻量级预测信号。
Comments EMNLP 2026 Main Conference
ImplicitTerrainV2: Wavelet-Guided Spatially Adaptive Neural Terrain Representation
ImplicitTerrainV2: 基于小波引导的时空自适应神经地形表示
机构 * University of Maryland, College Park（马里兰大学学院市分校）
AI总结 本文提出ImplicitTerrainV2，通过结合频谱控制机制、小波引导的空间自适应性、导数感知监督和训练后模型压缩，实现了紧凑高效的神经地形数据格式，提升了地形分析的精度和效率。
Comments 14 pages, 8 figures; https://fengyee.github.io/implicitterrainv2/; Accepted to ACM SIGSPATIAL 2026
Asymptotically perfect seeded graph matching without edge correlation (and applications to inference)
无边相关下的渐近最优带种子图匹配（及在推理中的应用）
机构 * Department of Mathematics, University of Maryland, College Park（数学系，马里兰大学，College Park） ； University of Maryland, College Park（马里兰大学，College Park） ； Human Language Technology Center of Excellence, Johns Hopkins University（语言技术卓越中心，约翰霍普金斯大学）
AI总结 该研究提出OmniMatch算法，在无边相关的d维RDPG设定下，可渐近高效对齐多网络的未标记顶点，还可纠正乱序图假设检验中的顶点未对齐问题以恢复检验效力，经模拟及两类数据验证有效。
Comments 15 figures, 24 pages
Deep Multimodal Fusion Detection through Spatial Mask and Channel Competition
基于空间掩码与通道融合的深度多模态融合检测
机构 * KTH Royal Institute of Technology（KTH皇家理工学院） ； University of Maryland, College Park（马里兰大学帕克分校）
AI总结 本文针对现有多模态融合检测的过拟合问题，提出Attention-Driven Complementarity Resampling框架，通过语义掩码交换与可学习通道竞争实现跨模态目标检测的性能提升，在多数据集上取得了有竞争力的结果。
Bayesian Networks for Path-Based Sensors: Gathering Information and Path Planning in Communication Denied Environments
基于路径的传感器的贝叶斯网络：在通信受限环境中收集信息和路径规划
机构 * University of Maryland, College Park, MD, US.（美国马里兰大学学院公园分校） ； Temple University, Philadelphia, PA, US.（美国 Temple 大学） ； Colorado School of Mines, Golden, CO, US.（科罗拉多矿业学院） ； U.S. Naval Research Lab (Retired), DC, US.（美国海军研究实验室（退休））
AI总结 本文提出了一种基于贝叶斯网络的更新方法，用于在通信受限环境中通过路径传感器提升信念图的收敛速度，并考虑了假阳性和假阴性问题。
Comments This paper has been accepted for presentation at 17th World Symposium on the Algorithmic Foundations of Robotics (WAFR 2026)
SceneOrchestra: Efficient Agentic 3D Scene Synthesis via Full Tool-Call Trajectory Generation
SceneOrchestra: 通过完整工具调用轨迹生成实现高效的代理3D场景合成
机构 * University of Maryland, College Park（马里兰大学学院公园分校）
AI总结 SceneOrchestra通过训练可调的 orchestration 框架优化工具调用流程，消除逐步审查循环，提升效率和输出质量。
Comments Accepted by ECCV 2026
LangDriveCTRL: Natural Language Controllable Driving Scene Editing with Multi-modal Agents
LangDriveCTRL: 通过多模态代理实现自然语言可控的驾驶场景编辑
机构 * University of Maryland, College Park（马里兰大学帕克分校） ； NEC Labs America（NEC美国实验室） ； UC San Diego（加州大学圣迭戈分校）
AI总结 LangDriveCTRL通过多模态代理实现驾驶视频的自然语言可控编辑，生成多样化的交通场景，提升真实感和交通场景的真实性。
Comments Accepted by ECCV 2026. Project Page: https://yunhe24.github.io/langdrivectrl/
TS-Reasoner: Aligning Time Series Foundation Models with LLM Reasoning
TS-Reasoner：将时间序列基础模型与大语言模型推理能力对齐
机构 * University of Maryland, College Park（马里兰大学学院公园分校）
AI总结 TS-Reasoner通过两阶段训练将时间序列基础模型与大语言模型对齐，在多个基准上性能优于同类模型且数据效率更高，解决了时间序列模型推理能力不足的问题。
Comments Accepted to Transactions on Machine Learning Research, 2026
AMPLIFAI: A Multiphase CT Dataset for Benchmarking Clinical Reasoning in LI-RADS Assessment of Liver Lesions
AMPLIFAI：用于基准测试LI-RADS肝脏病变评估临床推理的多期CT数据集
机构 * University of Maryland, College Park（马里兰大学帕克分校） ； University of Maryland School of Medicine（马里兰大学医学院） ； University of Maryland Institute for Health Computing（马里兰大学健康计算研究所） ； University of Maryland Medical System（马里兰大学医学系统）
AI总结 研究针对LI-RADS肝脏病变评估AI模型缺乏公开高质量数据集的问题，推出首个公开多期腹部CT扫描的AMPLIFAI数据集，标注LI-RADS类别并分割关键特征，助力相关透明可复现研究。
Comments 15 pages, 6 figures, 3 tables
WESPR: Wind-adaptive Energy-Efficient Safe Perception & Planning for Robust Flight with Quadrotors
WESPR：风适应的节能安全感知与规划用于四旋翼机稳健飞行
机构 * University of Maryland, College Park（马里兰大学学院公园分校）
AI总结 WESPR通过预测环境几何对局部风的影响，实现四旋翼无人机的风适应性路径规划与控制优化，显著提升飞行稳定性与路径精度。
Comments 8 pages, 9 Figures. Accepted to IROS 2026
DanceOPD: On-Policy Generative Field Distillation
DanceOPD：在策略生成场蒸馏
机构 * ByteDance Seed（字节跳动Seed） ； NUS（新加坡国立大学） ； UMD（马里兰大学） ； HKUST（香港科技大学）
AI总结 提出DanceOPD框架，通过将每个样本路由到能力场并查询低噪声学生诱导状态，用速度MSE损失训练流匹配模型，实现文本到图像、局部编辑和全局编辑的多能力组合，提升目标能力同时保持生成质量。
Comments Technical Report; 42 pages, 14 figures, 9 tables; Project Page at https://danceopd.github.io/ GitHub Repo at https://github.com/worldbench/DanceOPD
Self-Supervised Visual On-Policy Distillation
自监督视觉在线策略蒸馏
机构 * University of Maryland, College Park（马里兰大学帕克分校） ； Georgia Institute of Technology（佐治亚理工学院） ； Johns Hopkins University（约翰斯·霍普金斯大学） ； University of Oxford（牛津大学） ； UC San Diego（加利福尼亚大学圣迭戈分校）
AI总结 该研究提出S²VOPD方法，通过从学生模型减信息而非给教师加特权信息，实现无特权信息的视觉在线策略蒸馏，在6个细粒度感知基准上显著提升Qwen3.5-4B性能，表现优于多数模型。
Recursive Synthesis for Long-Horizon Terminal Tasks
长视界终端任务的递归合成
机构 * Tencent HY LLM Frontier（腾讯HY大模型前沿团队） ； University of Georgia（佐治亚大学） ； University of Maryland, College Park（马里兰大学帕克分校） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Minnesota, Twin Cities（明尼苏达大学双城分校） ； Indiana University（印第安纳大学） ； National University of Singapore（新加坡国立大学） ； Hong Kong Polytechnic University（香港理工大学）
AI总结 本文提出RST递归合成框架，低成本规模化生成3.7万余个长视界终端任务，经微调或PPO优化后，多款Qwen模型在多个终端基准任务上性能显著提升，且递归过程无明显上限。
Defending against Model Extraction for GNNs with Model Reprogramming
通过模型重编程防御图神经网络的模型提取攻击
机构 * University of Maryland, College Park（马里兰大学帕克分校） ； University of Central Florida（中佛罗里达大学）
AI总结 针对图神经网络的模型提取攻击，提出主动防御框架GraphRP，通过结构感知门控机制构建动态结构防火墙，可显著降低攻击有效性且保留良性效用。
Comments Accepted by KDD 2026
ThinkRetrieve: Retrieval-Augmented Reasoning Traces for Test-Time Scaling
ThinkRetrieve：用于测试时缩放的检索增强推理轨迹
机构 * IIT Bombay（印度理工学院孟买分校） ； University of Maryland, College Park（马里兰大学帕克分校） ； Adobe Research（奥多比研究院）
AI总结 针对大型推理模型测试时缩放的负面效果，提出ThinkRetrieve框架，通过每步动态检索已解决示例注入推理轨迹，在四个数据集上对五个模型实现最高60%的相对准确率提升。
DualSpectralCF: Training-Free Sign-Aware Spectral Collaborative Filtering
DualSpectralCF：无需训练的符号感知谱协同过滤
机构 * Stevens Institute of Technology（史蒂文斯理工学院） ； University of Maryland, College Park（马里兰大学学院公园分校）
AI总结 本文提出无需训练的符号感知谱协同过滤框架DualSpectralCF，将显式负反馈融入谱协同过滤，在5个基准数据集上超越原骨干，速度远快于SIGformer，冷启动用户收益显著。
Comments Accepted at CIKM 2026. Code: https://github.com/guanqun-yang/DualSpectralCF
Guidestar-Free Adaptive Optics with Asymmetric Apertures
无引导星自适应光学与非对称孔径
机构 * Rice University（Rice大学） ； University of Maryland, College Park（马里兰大学学院公园分校）
AI总结 本文提出一种无需引导星或波前传感器的闭环自适应光学系统，利用非对称孔径和机器学习实现实时波前校正，通过自然场景测量估计PSF并重建相位畸变，实验验证其在密集自然场景中优于现有方法。
Comments Accepted to ACM Transactions on Graphics (TOG)
Journal ref ACM Transactions on Graphics, Volume 45, Issue 5, Article 39 (2026)
Quantum-aware Transformer model for state classification
机构 * Institute of Theoretical and Applied Informatics, Polish Academy of Sciences（波兰科学院理论与应用信息研究所） ； University of Maryland, College Park, Department of Civil and Environmental Engineering（马里兰大学学院市分校土木与环境工程系）
Comments 13 pages, 1 figure
Journal ref ICCS 2025, LNCS, 2025
On-Policy Self-Distillation without Any Supervision
无任何监督的在线策略自蒸馏
机构 * UC San Diego（加州大学圣迭戈分校） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Maryland, College Park（马里兰大学帕克分校） ； ByteDance（字节跳动）
AI总结 本研究提出无监督在线策略自蒸馏（U-OPSD），仅用模型自身生成结果实现在线策略自蒸馏，在多数学基准上优于基础模型，部分场景超越OPSD、GRPO等监督方法。
Comments Project page at https://williamium3000.github.io/u-opsd/ and code at https://github.com/williamium3000/u-opsd
LLMRouter: Unified Infrastructure for Developing, Evaluating, and Deploying LLM Routers
LLMRouter：用于开发、评估和部署LLM路由器的统一基础设施
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Maryland, College Park（马里兰大学帕克分校） ； Nanyang Technological University（南洋理工大学） ； Purdue University（普渡大学） ； University of Illinois Chicago（芝加哥伊利诺伊大学）
AI总结 针对现有LLM路由器难以公平比较和扩展的问题，研究提出LLMRouter统一基础设施，构建含多类任务的基准xRouteBench，发现学习型路由器等的性能优势。
Objects as Audio-Visual Modal Sound Fields
作为视听模态声场的物体
机构 * University of Maryland, College Park（马里兰大学帕克分校）
AI总结 本文针对现有碰撞声建模方法成本高或需大量数据的问题，提出AV-MSF表示，结合3D高斯溅射与模态参数实现少样本重建，在真实数据集上达最优渲染性能，还支持接触定位等下游应用。
Comments ECCV 2026, Project page: https://zisenshao.github.io/AV-MSF/
Compliance2LoRA: Personalizable On-Demand Safety Alignment on Arbitrary Policy Subsets via Hypernetwork-Generated LoRA Adapters
Compliance2LoRA：通过超网络生成的LoRA适配器对任意策略子集进行按需安全对齐
机构 * University of Maryland College Park（马里兰大学帕克分校）
AI总结 Compliance2LoRA是一种自适应超网络框架，可通过生成LoRA适配器，在单个大型推理模型上实现对任意安全策略子集的按需对齐，且不牺牲任务性能。
