Towards Provably Unbiased LLM Judges via Bias-Bounded Evaluation
迈向具有偏见限制的LLM评判系统的可证明无偏评判
机构 * Stanford University（斯坦福大学） ； New York University（纽约大学）
AI总结 本文提出平均偏见限制框架，通过可验证的偏见限制保证，提升LLM评判系统的公平性与可靠性。
高校专区
Stanford University（斯坦福大学）
RealWonder: Real-Time Physical Action-Conditioned Video Generation
RealWonder: 基于实时物理动作的视频生成
机构 * Stanford University（斯坦福大学） ； University of Southern California（南加州大学）
AI总结 RealWonder通过物理模拟实现实时动作条件视频生成，利用3D重建、物理模拟和简化视频生成器，在单张图像基础上生成高质量视频，适用于多种物理场景。
Comments The first two authors contributed equally. The last two authors advised equally. Project website: https://liuwei283.github.io/RealWonder/
Competitive Multi-Operator Reinforcement Learning for Joint Pricing and Fleet Rebalancing in AMoD Systems
竞争多运营商强化学习用于联合定价和车队再平衡在AMoD系统中
机构 * Technical University of Denmark（丹麦技术大学） ； Technical University of Munich（慕尼黑技术大学） ； Stanford University（斯坦福大学）
AI总结 本文提出多运营商强化学习框架，研究竞争对AMoD系统定价和车队再平衡策略学习的影响，实验显示竞争可使价格降低并产生不同的车队布局模式。
Replaying pre-training data improves fine-tuning
重放预训练数据提高微调
机构 * Stanford University（斯坦福大学）
AI总结 通过重放预训练数据提升微调效果，提高目标任务性能
Learning to Drive is a Free Gift: Large-Scale Label-Free Autonomy Pretraining from Unposed In-The-Wild Videos
学习驾驶是免费礼物：从未经处理的现实视频中进行大规模无标签自主性预训练
机构 * Applied Intuition ； Stanford University（斯坦福大学） ； UC Berkeley（加州大学伯克利分校）
AI总结 本文提出一种无标签、教师引导的框架，通过未经处理的现实视频学习自动驾驶表示，无需姿态、标签或LiDAR，实现高效的自动驾驶感知和规划。
Comments Accepted at CVPR 2026
Infinite-Dimensional Closed-Loop Inverse Kinematics for Soft Robots via Neural Operators
通过神经算子实现软机器人无限维闭环逆运动学
机构 * Department of Mechanical Engineering, Stanford University（机械工程系，斯坦福大学） ； Institute of Applied Mechanics, Friedrich-Alexander-Universität Erlangen–Nürnberg（应用力学研究所，弗赖堡-艾尔兰根-纽伦堡大学） ； Cognitive Robotics Department, Delft University of Technology（认知机器人系，代尔夫特理工大学）
AI总结 本文提出通过神经算子网络解决软机器人无限维闭环逆运动学问题，结合驱动到形状的映射与形状到任务的映射，实现基于雅可比的CLIK算法。
