University of Maryland, College Park（马里兰大学帕克分校）

VIBE: Video Instruction-aligned Background music gEneration

VIBE：视频指令对齐背景音乐生成模型

Aryan Vijay Bhosale, Vaibhavi Lokegaonkar, Vishnu Raj, Gouthaman KV, Sreyan Ghosh, Ramani Duraiswami, Lie Lu, Dinesh Manocha

机构 * Dolby Laboratories（杜比实验室） ； University of Maryland, College Park（马里兰大学帕克分校） 纠错

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

Apoorva Kulkarni, Kaousheik Jayakumar, Sreyan Ghosh, Utathya Aich, Ramani Duraiswami, Dinesh Manocha

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） 纠错

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

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

Hojae Han, Jongyoon Kim, Sanghyuk Park, Dongwook Cheon, Myungjae Jeon, Sunjong Choi, Soonho Kong, Wonseok Heo, Seung-won Hwang, Donghoon Hyeon

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） 纠错

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

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

Ruibo Chen, Yihan Wu, Xuehao Cui, Jingqi Zhang, Heng Huang

机构 * University of Maryland, College Park（马里兰大学 College Park 分校） 纠错

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

Shoumik Saha, Jifan Chen, Sam Mayers, Sanjay Krishna Gouda, Zijian Wang, Varun Kumar

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） 纠错

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