University of Toronto（多伦多大学）

UniSAFE: A Comprehensive Benchmark for Safety Evaluation of Unified Multimodal Models

UniSAFE：统一多模态模型安全评估的综合基准

Segyu Lee, Boryeong Cho, Hojung Jung, Seokhyun An, Juhyeong Kim, Jaehyun Kwak, Yongjin Yang, Sangwon Jang, Youngrok Park, Wonjun Chang, Se-Young Yun

机构 * KAIST AI（KAIST人工智能研究院） ； Department of Computer Science and Engineering, UNIST（UNIST计算机科学与工程系） ； Department of Mathematical Sciences, KAIST（KAIST数学科学系） ； University of Toronto（多伦多大学） ； KAIST CS（KAIST计算机科学系） 纠错

AI总结 本文提出UniSAFE基准，用于评估统一多模态模型的系统级安全性，发现多图像生成任务比文本生成任务更易出现安全漏洞。

Comments Equal contribution by first three authors, 55 pages

Material Magic Wand: Material-Aware Grouping of 3D Parts in Untextured Meshes

材料魔 wand：在无纹理网格中进行材料感知的3D部件分组

Umangi Jain, Vladimir Kim, Matheus Gadelha, Igor Gilitschenski, Zhiqin Chen

机构 * University of Toronto（多伦多大学） ； Adobe Research（Adobe研究院） 纠错

AI总结 本文提出材料感知的3D部件分组方法，通过材料属性自动识别重复结构，提升无纹理网格的材料分配效率。

Comments Project Page: https://umangi-jain.github.io/material-magic-wand

MosaicMem: Hybrid Spatial Memory for Controllable Video World Models

MosaicMem: 用于可控视频世界模型的混合空间记忆

Wei Yu, Runjia Qian, Yumeng Li, Liquan Wang, Songheng Yin, Sri Siddarth Chakaravarthy P, Dennis Anthony, Yang Ye, Yidi Li, Weiwei Wan, Animesh Garg

机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； The University of Osaka（大阪大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Mujin Inc.（Mujin公司） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Taiyuan University of Technology（太原本科技大学） 纠错

AI总结 MosaicMem提出一种混合空间记忆方法，通过提升片段至3D实现可靠定位与检索，结合模型原生条件化保留提示生成，提升姿态一致性与动态建模能力，支持细粒度导航与场景编辑。

Comments Project Page: https://mosaicmem.github.io/mosaicmem/

DECODE: Dual-Enhanced Conditioned Diffusion for EEG Forecasting

DECODE：双增强条件扩散用于脑电波预测

Mehran Shabanpour, Sadaf Khademi, Konstantinos N Plataniotis, Arash Mohammadi

机构 * Concordia Institute for Information Systems Engineering (CIISE), Concordia University, Canada. Department of Electrical ； Computer Engineering, University of Toronto, Canada 纠错

AI总结 DECODE通过结合自然语言描述与历史信号的时序动态，实现对认知事件特定神经响应的预测，达到亚微伏精度。

Simple Additions, Substantial Gains: Expanding Scripts, Languages, and Lineage Coverage in URIEL+

简单增加，显著提升：在URIEL+中扩展脚本、语言和谱系覆盖

Mason Shipton, York Hay Ng, Aditya Khan, Phuong Hanh Hoang, Xiang Lu, A. Seza Doğruöz, En-Shiun Annie Lee

机构 * Ontario Tech University（安大略技术大学） ； University of Toronto（多伦多大学） ； University of Michigan（密歇根大学） ； LT3, IDLab, Universiteit Gent（LT3，IDLab，根特大学） 纠错

AI总结 URIEL+通过引入脚本向量、整合Glottolog和扩展谱系推断，提升了语言覆盖和特征稀疏性，使低资源语言的跨语言迁移性能提升6%。

Comments Accepted to LREC 2026

In-Context Compositional Q-Learning for Offline Reinforcement Learning

上下文组合Q学习用于离线强化学习

Qiushui Xu, Yuhao Huang, Yushu Jiang, Lei Song, Jinyu Wang, Wenliang Zheng, Jiang Bian

机构 * Penn State University（宾夕法尼亚州立大学） ； Nanjing University（南京大学） ； University of Toronto（多伦多大学） ； Microsoft Research（微软研究院） 纠错

AI总结 本文提出ICQL框架，通过上下文推理问题建模Q学习，利用线性Transformer适应性推断局部Q函数，实现有界近似误差和近优策略提取，实验显示在厨房任务中性能提升达16.4%。

Comments Accepted by The Fourteenth International Conference on Learning Representations (ICLR 2026)