Training Reasoning Models in Simulation to Natively Use Real Robots
机构 * MIT(麻省理工学院) ; Inco AI ; UC Berkeley(加州大学伯克利分校) ; UCSD(加利福尼亚大学圣迭戈分校) ; NVIDIA(英伟达)
AI总结 本研究在仿真中通过PEAR和RURL训练27B开放权重推理模型,使其原生使用真实机器人,技能可泛化,在真实机器人任务上表现优于基线模型,且保留通用能力。
高校专区
机构 * MIT(麻省理工学院) ; Inco AI ; UC Berkeley(加州大学伯克利分校) ; UCSD(加利福尼亚大学圣迭戈分校) ; NVIDIA(英伟达)
AI总结 本研究在仿真中通过PEAR和RURL训练27B开放权重推理模型,使其原生使用真实机器人,技能可泛化,在真实机器人任务上表现优于基线模型,且保留通用能力。
机构 * University of California, Berkeley(加利福尼亚大学伯克利分校) ; Seoul National University(首尔大学) ; KAIST(韩国科学技术院)
AI总结 StreamEmbed是利用像素冗余的增量视觉嵌入系统,通过空间令牌剪枝与时间KV复用实现快速编码,在ScreenMemEval基准上比全截图编码快3.7倍且不损失准确率,为本地视觉助手奠定基础。
机构 * University of Washington(华盛顿大学) ; Brown University(布朗大学) ; UC Berkeley(加州大学伯克利分校) ; New York University(纽约大学)
AI总结 TIDE是一种保留同策略RL训练语义的系统,通过动态重新利用rollout GPU和迁移rollout提升资源利用率,实现最高1.36倍加速,达最优吞吐量97%,泛化性强。
Comments 15 pages, 9 figures
机构 * UC Berkeley(加州大学伯克利分校)
AI总结 本研究提出WATO方法,通过联合优化动作与状态训练WAM,在7个视觉控制环境中较基线大幅提升成功率,且部署时速度更快、评估次数更少。
Comments 29 pages, 6 figures, 14 tables
机构 * University of California, Berkeley(加州大学伯克利分校) ; Helen Wills Neuroscience Institute, University of California, Berkeley(加州大学伯克利分校海伦·威尔斯神经科学研究所)
AI总结 本教程针对认知建模中似然计算不可行的问题,介绍基于神经网络的模拟推理(neural SBI)的工作流程与实践建议,助力认知科学家突破技术限制、拓展理论研究范围。
机构 * University of California, Berkeley(加州大学伯克利分校) ; Stanford University(斯坦福大学)
AI总结 该研究针对VLN模型,提出预算约束目标搜索任务,对比TSP与Bellman专家的监督效果,发现Bellman监督的VLN在HM3D场景中探索表现更优。
Comments 12 pages, 4 figures, 3 tables
机构 * Carnegie Mellon University(卡内基梅隆大学) ; University of California, Berkeley(加州大学伯克利分校) ; Northeastern University(东北大学) ; University of Arizona(亚利桑那大学)
AI总结 本研究利用IllustrisTNG模拟与SDSS-III数据,开展模型无关测试,探究密度加权对星系本征对齐的影响,评估潮汐对齐范式,为弱引力透镜测量的系统误差修正提供依据。
Comments 16 pages, 11 figures. Submitted to MNRAS
机构 * Deutsches Elektronen-Synchrotron DESY(德国电子同步加速器研究所) ; Ruhr-Universität Bochum(波鸿鲁尔大学) ; University of California, Berkeley(加州大学伯克利分校) ; Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室) ; University of Bern(伯尔尼大学) ; Kent State University(肯特州立大学) ; Carnegie Mellon University(卡内基梅隆大学)
AI总结 本研究通过格点QCD结合两种形式体系,确定轻夸克质量下两核子散射振幅,发现其相关参数随π介子质量单调趋近物理点唯象值。
Comments 48 pages, 21 figures, 24 tables; v2: author list amended, references added, energy levels included as ancillary file
机构 * The University of Alabama(阿拉巴马大学) ; University of California, Berkeley(加州大学伯克利分校)
AI总结 研究白矮星上氦壳流驱动点火,用FLASH二维模拟不同质量白矮星及流特性,发现流冲击能致氦点火,点火位置在核壳过渡附近,不同模型点火机制有别,多数模型有传播爆轰,强化了D$^6$模型作为Ia型超新星前身模型的可行性。
Comments 17 pages, 13 figures and 1 table. Accepted for publication in ApJ
BigCodeBench:基于多样函数调用和复杂指令的代码生成基准测试
机构 * Monash University(莫纳什大学) ; CSIRO’s Data61(澳大利亚联邦科学与工业研究组织Data61) ; Singapore Management University(新加坡管理大学) ; Detomo Inc., Japan(日本Detomo公司) ; Queen Mary University of London(伦敦玛丽女王大学) ; University of Notre Dame(圣母大学) ; TU Darmstadt(达姆施塔特工业大学) ; Independent(独立研究者) ; University of Virginia(弗吉尼亚大学) ; Inria(法国国家信息与自动化研究所) ; Intel(英特尔公司) ; Tencent AI Lab(腾讯AI Lab) ; Cornell University(康奈尔大学) ; University College London(伦敦大学学院) ; UNC Chapel Hill(北卡罗来纳大学教堂山分校) ; UC Berkeley(加州大学伯克利分校) ; MIT(麻省理工学院) ; Shanghai Jiaotong University(上海交通大学) ; Uber(优步公司) ; UIUC(伊利诺伊大学厄巴纳-香槟分校) ; Sea AI Lab(Sea AI实验室) ; AWS AI Labs(亚马逊云科技AI实验室) ; Contextual AI(Contextual AI公司) ; Carnegie Mellon University(卡内基梅隆大学) ; ServiceNow Research(ServiceNow研究院) ; Hugging Face(Hugging Face公司)
AI总结 本文提出BigCodeBench基准,通过1,140个细粒度任务评估LLMs在139个库和7个领域中调用多样函数及遵循复杂指令的能力,发现当前模型表现远低于人类,凸显了该领域的改进需求。
Comments Accpeted at ICLR 2025 (Oral), built with love by the BigCode community :)
通过预先指定的、数据自适应的协变量调整提高小型罕见病试验的效率与效力
机构 * University of California, Berkeley(加州大学伯克利分校) ; Targeted ML Solutions(目标机器学习解决方案公司) ; Center for Drug Evaluation and Research, U.S. Food and Drug Administration (FDA)(美国食品药品监督管理局药品评价与研究中心)
AI总结 该研究针对罕见病试验设计阶段难以指定协变量调整的问题,提出TMLE+SL方法,经模拟验证其可提升试验效率与效力,并给出该方法的实用指南。
机构 * UC Berkeley(加州大学伯克利分校) ; Imbue ; Harvard University(哈佛大学) ; University of Pennsylvania(宾夕法尼亚大学) ; Flatiron Institute(西蒙斯平坦研究所) ; NYU(纽约大学) ; New York University(纽约大学) ; Stanford University(斯坦福大学) ; Astera Institute(Astera研究所)
AI总结 本文论证深度学习的科学理论正在形成,整合5个研究方向提出“学习力学”视角,探讨其与其他理论视角的关系,回应质疑并指出未来研究方向。
Comments 43 pages, 6 figures
机构 * Department of Neuroscience, UC Berkeley(加州大学伯克利分校神经科学系) ; College of AI Convergence, Hankuk University of Foreign Studies(韩国外国语大学AI融合学院)
AI总结 本文提出将视觉基础模型与脑活动关联的统一框架,以视觉原型的稀疏可解释表征结合线性读出,实现对视觉大脑的多视角可解释探测,为研究人类大脑视觉表征提供了统一基础。
Comments NeurIPS 2026
速度-功率关系主导AI数据中心的能源成本:美国大陆AI供电的技术经济分析
机构 * Carnegie Mellon University(卡内基梅隆大学) ; University of California, Berkeley(加州大学伯克利分校)
AI总结 本研究通过技术经济分析发现,美国大陆AI数据中心的供电方案中,直流耦合微电网因部署速度快,在85%地区是成本最低选项,部署速度而非单位能源成本是关键决定因素。
Comments 80 pages incl. SI
机构 * Carnegie Mellon University(卡内基梅隆大学) ; University of California, Berkeley(加州大学伯克利分校) ; Bosch Center for Artificial Intelligence(博世人工智能中心) ; The University of Texas at Arlington(德克萨斯大学阿灵顿分校) ; NVIDIA(英伟达)
AI总结 本文提出EgoX框架,通过带具身梦境的模块化交叉具身Transformer,解决异构具身演示学习难题,在13个任务-具身对中显著提升操纵任务进度。
机构 * Netflix(网飞) ; Spotify(声田) ; Independent(独立研究者) ; Roblox(罗布乐思) ; University of California, Berkeley(加州大学伯克利分校) ; OpenAI(开放人工智能研究中心) ; Microsoft(微软) ; Anthropic(安色克) ; Columbia University(哥伦比亚大学) ; Amazon(亚马逊) ; Meta ; Cornell University(康奈尔大学)
AI总结 该研究探讨AI时代数据科学家如何通过因果推断与数字实验,将组织的分析能力转化为更优决策,明确了相关实践方向与启示。
Comments 17 pages, 1 table. Perspective based on the 2026 Causal Inference and Digital Experimentation Roundtable (CIDER)
机构 * University of California, Berkeley(加州大学伯克利分校) ; National Tsing Hua University(国立清华大学)
AI总结 本研究针对冻结VLA模型动作验证延迟问题,提出轻量级HDH框架,利用其部署回溯信息训练紧凑验证器,在LIBERO-10任务及真实操纵任务中均显著提升了动作验证的成功率。
机构 * UC Berkeley(加州大学伯克利分校) ; Università Bocconi(博科尼大学) ; Stanford University(斯坦福大学) ; MIT(麻省理工学院)
AI总结 该研究发现基于Bradley-Terry模型的语言模型偏好评估排行榜易受策略性投票、提示、提名攻击,可使模型排名提升最多45位,并提出了防护方法。
MITRA-Swarm:向基础模型注入显式语言结构以实现古典梵语机器翻译
机构 * Purdue University(普渡大学) ; UC Berkeley(加州大学伯克利分校) ; University of Illinois(伊利诺伊大学)
AI总结 MITRA-Swarm多智能体架构向基础模型注入显式语言结构,解决古典梵语机器翻译的三大挑战,在1000节经文基准上较整体式基线提升MQM,验证了双评判者机制的有效性。
Comments 17 pages, accepted to NeurIPS 2026 LP4FM Workshop
机构 * UC Berkeley(加州大学伯克利分校) ; Topos Institute(托普斯研究所)
AI总结 本文结合关怀相关研究与存在论设计传统,重新解读AGI的人类衰弱风险,提出设计AI支持人类关怀能力以应对后AGI时代的意义问题。
Comments 8 pages
Journal ref M. Ikle et al. (Eds.): AGI 2026, LNAI 16855, pp. 211-218, 2026
机构 * University of California, Berkeley(加州大学伯克利分校) ; University of Michigan(密歇根大学) ; Massachusetts Institute of Technology(麻省理工学院) ; Harvard University(哈佛大学)
AI总结 本文针对子空间规避集的显式构造问题,通过组合子空间设计码与局部子空间规避集,得到了$c$随$r$增长更优的构造,还首次实现了近最优列表大小的显式容量实现列表恢复码。
Comments 27 pages
机构 * Tel Aviv University(特拉维夫大学) ; Ben-Gurion University of the Negev(内盖夫本-古里安大学) ; UC Berkeley(加州大学伯克利分校)
AI总结 该研究建立了KMS复形的逆多项式交换上边缘展开界,为稀疏代数代码的局部测试及两查询PCP构造提供了关键改进。
Comments 63 pages
机构 * Stevens Institute of Technology(史蒂文斯理工学院) ; University of California Berkeley(加州大学伯克利分校) ; Stockholm University(斯德哥尔摩大学) ; University of Manchester(曼彻斯特大学)
AI总结 该研究针对开放量子系统中量子存储器的检测问题,提出三时间见证方法,通过超导量子比特实验证明存在仅在多时间联合检测中显现的真实多时间量子存储器,建立了量子存储器效应的严格层级。
机构 * Ernest Orlando Lawrence Berkeley National Laboratory, University of California, Berkeley(加州大学伯克利分校劳伦斯伯克利国家实验室)
AI总结 该研究针对美强子半轻衰变的LFUV异常,综述相关理论与实验要点,分析当前分析现状及未来精确研究的核心挑战,梳理解决策略,为通过半τ粲B强子衰变发现新物理提供支撑。
Comments Invited review for Annual Review of Nuclear and Particle Science; 30 pages, 2 figures, 1 table
humidity调制的FAPbI₃马氏体相变中的奥斯特瓦尔德步阶规则
机构 * Bakar Institute of Digital Materials for the Planet, University of California, Berkeley(加州大学伯克利分校行星数字材料巴卡尔研究所) ; Massachusetts Institute of Technology(麻省理工学院)
AI总结 本研究通过大规模原子模拟,阐明了湿度调控FAPbI₃马氏体相变的微观机制,揭示了湿度对钙钛矿相变的双重作用,为奥斯特瓦尔德步阶规则提供了环境依赖视角。
钾在银河化学演化中的起源——大质量恒星中氧-碳壳层并合的影响
机构 * Konkoly Observatory, HUN-REN Research Centre for Astronomy and Earth Sciences(孔科利天文台,匈牙利研究与教育网络天文学与地球科学研究中心) ; CSFK, MTA Centre of Excellence(匈牙利科学院天体物理研究所,卓越中心) ; University of California, Berkeley(加州大学伯克利分校)
AI总结 本研究通过分析194个大质量恒星模型,量化了C-O壳层并合对钾产生的贡献,发现该并合事件是钾合成的关键来源,且钾的演化可用于推断该并合事件的发生率。
Comments 12 pages, 7 figures, submitted to Astronomy & Astrophysics
射电波段的再亮化:潮汐瓦解事件AT2019ehz与AT2019eve的次级耀斑
机构 * University of Oregon(俄勒冈大学) ; University of Arizona(亚利桑那大学) ; University of California, Berkeley(加州大学伯克利分校) ; Curtin University(科廷大学) ; University of Utah(犹他大学)
AI总结 本研究利用甚大天线阵发现TDE AT2019ehz和AT2019eve的射电次级耀斑,通过光谱建模揭示AT2019ehz次级耀斑或源于约1000天的第二股外流,而AT2019eve的光谱演化需更复杂模型解释。
Comments 25 pages, 8 figures. Accepted for publication in ApJ
Ia-CSM型超新星。I. 统一光变曲线表征及对 underlying Ia型爆炸的推断
机构 * University of Florida(佛罗里达大学) ; University of California, Santa Barbara(加州大学圣塔芭芭拉分校) ; National Astronomical Observatory of Japan(日本国立天文台) ; Monash University(莫纳什大学) ; Tel Aviv University(特拉维夫大学) ; CIFAR(加拿大高等研究院) ; Shady Side Academy(阴影侧学院) ; University of California, San Diego(加州大学圣地亚哥分校) ; University of Toronto(多伦多大学) ; Rutgers, The State University of New Jersey(罗格斯大学) ; Kurchatov Institute(库尔恰托夫研究所) ; The University of Tokyo(东京大学) ; Kavli Institute for the Physics and Mathematics of the Universe (WPI)(宇宙物理与数学研究 Kavli 研究所) ; Stockholm University(斯德哥尔摩大学) ; California Institute of Technology(加州理工学院) ; NASA Goddard Space Flight Center(美国宇航局戈达德太空飞行中心) ; University of Maryland, College Park(马里兰大学帕克分校) ; University of California, Berkeley(加州大学伯克利分校) ; Texas Tech University(德克萨斯理工大学) ; Space Telescope Science Institute(空间望远镜科学研究所) ; University of Texas at Austin(德克萨斯大学奥斯汀分校) ; University of Cambridge(剑桥大学)
AI总结 本文对50颗Ia-CSM型超新星的光变曲线开展统一分析,发现其光变曲线形态更统一,辐射能量呈双峰分布,underlying Ia型超新星亚型多样,为约束其前身星及爆炸路径提供了观测基础。
Comments Main: 18 pages, 14 figures, 1 table; Appendix: 8 pages, 3 figures, 2 tables; Submitted to the Open Journal of Astrophysics
机构 * University of California, San Diego(加州大学圣地亚哥分校) ; University of New Mexico(新墨西哥大学) ; University of California, Berkeley(加州大学伯克利分校) ; Westmont University(韦斯特蒙特学院) ; National Astronomical Research Institute of Thailand(泰国国家天文研究所) ; High Energy Accelerator Research Organization(高能加速器研究机构)
AI总结 本研究利用西蒙斯阵列在90 GHz下对弧分尺度的宇宙微波背景圆偏振进行约束,给出了95%置信上限,还提供了其他望远镜圆偏振观测的实验分析框架。
Comments 33 pages, 14 figures, 5 tables. Submitted to ApJ
Evolving Infra:大规模场景下的智能体自适应大语言模型服务框架
机构 * Georgia Institute of Technology(佐治亚理工学院) ; University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校) ; University of California, Berkeley(加州大学伯克利分校) ; NVIDIA(英伟达) ; OpenAI ; Massachusetts Institute of Technology(麻省理工学院)
AI总结 本文针对现有LLM服务系统适配智能体工作负载灵活性不足的问题,提出Evolving Infra框架,通过解耦计算分配与KV缓存管理,结合在线规划器与智能体感知KV管理器,在多任务多模型实验中大幅降低了请求延迟与首包时间。
Comments We just modify some intro and add link to the previou paper