University of Michigan（密歇根大学安娜堡分校）

Cyclops: LiDAR as a Camera That Dreams in Color

Cyclops：以彩色进行“梦境”的相机式激光雷达

Wei Gao, Jian Shu, Mingle Zhao, Maani Ghaffari, David Kong, Chengzhong Xu, Hui Kong

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； University of Michigan（密歇根大学） ； University of Macau（澳门大学） 纠错

AI总结 本文提出Cyclops框架，将稀疏NRS-LiDAR强度转为RGB视频，通过LBM等技术缓解帧间闪烁，合成RGB可使感知模型在多任务上优于LiDAR基线与传统相机。

MM-BEV: Enhancing Timeliness by Computing Where and When it Matters

MM-BEV：通过计算关键的位置与时刻提升时效性

Liangkai Liu, Kang G. Shin

机构 * Texas Tech University（德克萨斯理工大学） ； University of Michigan（密歇根大学） 纠错

AI总结 MM-BEV是一种遵循「计算关键位置与时刻」的实时多模态BEV系统，通过四种机制优化，在nuScenes数据集和Clearpath Husky A300平台上显著降低延迟，且性能损失极小。

Comments 12 pages, 20 figures

NumerosityVLM: A Cognitively Inspired Benchmark for Interpreting Numerosity Representations in Vision-Language Models

NumerosityVLM：一种受认知启发的、用于解释视觉-语言模型中数量表征的基准测试

Yiming Fu, Fangjun Li, Xiujin Liu, Ruidong Ma, Hang Yu, Zhichen Lu, Kanwei He, Alessandro Di Nuovo, Angelo Cangelosi, Zhegong Shangguan

机构 * The University of Manchester（曼彻斯特大学） ； University of Michigan（密歇根大学） ； Sheffield Hallam University（谢菲尔德哈勒姆大学） ； Tufts University（塔夫茨大学） ； ENSTA, Institut Polytechnique de Paris（巴黎综合理工学院国立高等先进技术学校） 纠错

AI总结 研究针对视觉-语言模型数量感知研究的基准缺陷，提出受认知启发的NumerosityVLM基准，评估7个模型发现架构对性能影响最大，数量信号出现在视觉编码器早期，差异主要来自语言模型组件。

When Is an Agent Evaluation Over? Outcome Finality and Cross-Unit Separation

智能体评估何时结束？结果终局性与跨单元分离

Avyay M. Casheekar

机构 * University of Michigan Law School（密歇根大学法学院） 纠错

AI总结 针对现有智能体评估将终点分数视为最终结果的问题，该研究提出结果终局性与跨单元分离两个条件，通过实验和协议审查指出当前评估的不足，并提出开放效应记录方案以完善评估。

When Uncertainty Isn't Enough: An Empirical Study of Self-Correction in Code Generation

当不确定性还不够时：代码生成中自校正的实证研究

Pranav Rakasi, Maanas Lalwani, Arnav Srivastava, Arya Palanivel, Tinuade Adeleke, Ruizhe Li, Sean Wu

机构 * University of Michigan（密歇根大学） ； New York University（纽约大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Algoverse AI ； University of Aberdeen（阿伯丁大学） ； University of Oxford（牛津大学） 纠错

AI总结 本研究通过实证发现，针对代码生成的不确定性估计方法难以可靠提升生成准确率，仅基于验证的自校正策略可显著提升Pass@1指标，廉价不确定性估计器仅适合作为校正循环的门控信号。

LoREnc: Low-Rank Encryption for Securing Foundation Models and LoRA Adapters

LoREnc：低秩加密用于保护基础模型和LoRA适配器

Beomjin Ahn, Jungmin Kwon, Chanyong Jung, Jaewook Chung

机构 * Samsung Research（三星研究院） ； Samsung Electronics（三星电子） ； Amazon Web Services（亚马逊网络服务） ； University of Michigan（密歇根大学） 纠错

AI总结 LoREnc通过谱截断和补偿技术，在不重新训练的情况下保护基础模型和LoRA适配器，防止模型恢复攻击和知识产权泄露，实验表明其在1%计算开销下有效。

Comments Accepted to ICIP 2026

Journal ref 2026 IEEE International Conference on Image Processing (ICIP)

Local Conformal Calibration of Dynamics Uncertainty from Semantic Images

局部语义图像动态不确定性校准

Luís Marques, Dmitry Berenson

机构 * Robotics Department, University of Michigan（密歇根大学机器人系） 纠错

AI总结 本文提出OCULAR算法，通过感知信息对未见环境提供不确定性量化保障，无需环境特定数据，有效区分高低不确定性状态动作输入，适用于概率安全规划。

Comments 26 pages, 8 figures, 7 tables. Accepted to the 17th World Symposium on the Algorithmic Foundations of Robotics (WAFR 2026). Project page: https://um-arm-lab.github.io/ocular/

KANMixer: a minimal KAN-centered mixer for long-term time series forecasting

KANMixer: 一种基于KAN的最小混合器用于长期时间序列预测

Lingyu Jiang, Dengzhe Hou, Yuping Wang, Yao Su, Shuo Xing, Wenjing Chen, Xin Zhang, Zhengzhong Tu, Ziming Zhang, Fangzhou Lin, Michael Zielewski, Kazunori D Yamada

机构 * Graduate School of Information Sciences, Tohoku University（东北大学信息科学研究生院） ； University of Michigan（密歇根大学） ； Worcester Polytechnic Institute（沃思利技术学院） ； Texas A&M University（德克萨斯大学） ； San Diego State University（圣地亚哥州立大学） 纠错

AI总结 本文提出KANMixer，一种基于KAN的最小混合器，用于长期时间序列预测。通过多尺度池化前端、KAN基的时间混合骨干和预测头，KANMixer在28个基准场景中实现了最佳MSE和MAE，展示了KAN在时间序列预测中的有效性。

Comments 11 pages, 3 figures, 5 tables

Journal ref Scientific Reports (2026)

MathGen: Revealing the Illusion of Mathematical Competence through Text-to-Image Generation

MathGen：通过文本到图像生成揭示数学能力的幻觉

Ruiyao Liu, Hui Shen, Ping Zhang, Yunta Hsieh, Yifan Zhang, Jing Xu, Qi Han, Junchen Li, Jiawei Lu, Jianing Ma, Jiaqi Mo, Sicheng Chen, Zhen Zhang, Zhongwei Wan, Jing Xiong, Xin Wang, Ziyuan Liu, Hangrui Cao, Ngai Wong

机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Michigan（密歇根大学） ； The Ohio State University（俄亥俄州立大学） ； USTC（中国科学技术大学） ； City University of Hong Kong（香港城市大学） ； University of Wisconsin（威斯康星大学） ； UCSB（加州大学圣塔芭芭拉分校） ； University of Hong Kong（香港大学） ； Peking University（北京大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 MathGen通过900道跨七个核心领域的数学问题，评估生成模型在视觉化数学解答中的准确性，发现现有模型在数学 fidelity 上存在显著瓶颈。