University of California, Berkeley（加州大学伯克利分校）

Predicting partially observable dynamical systems via diffusion models with a multiscale inference scheme

通过多尺度推理方案利用扩散模型预测部分可观测的动力系统

Rudy Morel, Francesco Pio Ramunno, Jeff Shen, Alberto Bietti, Kyunghyun Cho, Miles Cranmer, Siavash Golkar, Olexandr Gugnin, Geraud Krawezik, Tanya Marwah, Michael McCabe, Lucas Meyer, Payel Mukhopadhyay, Ruben Ohana, Liam Parker, Helen Qu, François Rozet, K. D. Leka, François Lanusse, David Fouhey, Shirley Ho

机构 * The Polymathic AI Collaboration（多学科人工智能协作） ； Flatiron Institute（Flatiron研究所） ； University of Geneva（日内瓦大学） ； FHNW（FHNW大学） ； Princeton University（普林斯顿大学） ； New York University（纽约大学） ； University of Cambridge（剑桥大学） ； University of Kyiv（基辅大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Liège（列日大学） ； NorthWest Research Associates（北威州研究协会） ； Nagoya University（名古屋大学） ； Université Paris-Saclay, Université Paris Cité, CEA, CNRS, AIM（巴黎萨克雷大学、巴黎cité大学、CEA、CNRS、AIM） 纠错

AI总结 本文提出一种多尺度推理方案，利用扩散模型有效预测部分可观测的长记忆动力系统，应用于太阳动态和活跃区域演化。

Deterministic Continuous Replacement: Fast and Stable Module Replacement in Pretrained Transformers

确定性连续替换：在预训练变换器中实现快速且稳定的模块替换

Rowan Bradbury, Aniket Srinivasan Ashok, Sai Ram Kasanagottu, Gunmay Jhingran, Shuai Meng

机构 * Bradbury Group（布拉德伯格集团） ； University of Waterloo（多伦多大学） ； SUNY Stony Brook（石溪大学） ； Delhi Technological University（德里技术大学） ； UC Berkeley（伯克利大学） 纠错

AI总结 本文提出确定性连续替换（DCR）方法，通过融合教师和学生输出实现预训练变换器中快速且稳定的模块替换，有效解决了冷启动重新初始化带来的稳定性问题。

Comments Accepted to NeurIPS 2025 ScaleOPT Workshop; 8 pages; includes figures

A Bayesian Model for Multi-stage Censoring

多阶段删失的贝叶斯模型

Shuvom Sadhuka, Sophia Lin, Bonnie Berger, Emma Pierson

机构 * MIT（麻省理工学院） ； Harvard University（哈佛大学） ； UC Berkeley（伯克利大学） 纠错

AI总结 本文提出了一种多阶段删失的贝叶斯模型，用于医疗决策中的漏斗结构，通过实验发现性别在ICU收治决策中的风险差异。

Comments Proceedings of ML4H 2025

Inferring response times of perceptual decisions with Poisson variational autoencoders

基于泊松变分自动编码器推断感知决策的响应时间

Hayden R. Johnson, Anastasia N. Krouglova, Hadi Vafaii, Jacob L. Yates, Pedro J. Gonçalves

机构 * VIB–Neuroelectronics Research Flanders（VIB神经电子研究佛兰德斯） ； KU Leuven（库尔勒大学） ； Herbert Wertheim School of Optometry & Vision Science, UC Berkeley（赫伯特·韦尔泰姆视觉科学学院，伯克利大学） ； Redwood Center for Theoretical Neuroscience, UC Berkeley（红木理论神经科学中心，伯克利大学） 纠错

AI总结 本文提出基于泊松变分自动编码器的模型，用于推断感知决策的响应时间，通过高效感官编码和贝叶斯解码模拟决策过程，并在MNIST分类中验证其有效性。

Comments To appear at the NeurIPS 2025 Workshop on Data on the Brain \& Mind

Lessons from Studying Two-Hop Latent Reasoning

从双跳潜在推理研究中获得的启示

Mikita Balesni, Tomek Korbak, Owain Evans

机构 * Apollo Research（Apollo研究机构） ； UK AI Security Institute（英国人工智能安全研究所） ； UC Berkeley（加州大学伯克利分校） ； TruthfulAI 纠错

AI总结 研究通过双跳问答任务揭示LLM潜在推理能力，发现模型在合成事实组合上表现不足，但能处理混合事实场景，强调避免误判推理能力的必要性。

Accelerating Goal-Conditioned RL Algorithms and Research

加速目标条件强化学习算法与研究

Michał Bortkiewicz, Władysław Pałucki, Vivek Myers, Tadeusz Dziarmaga, Tomasz Arczewski, Łukasz Kuciński, Benjamin Eysenbach

机构 * Warsaw University of Technology（华沙技术大学） ； University of Warsaw（华沙大学） ； UC Berkeley（伯克利大学） ； Jagiellonian University（雅盖隆大学） ； Polish Academy of Sciences（波兰科学院） ； IDEAS NCBR ； Princeton University（普林斯顿大学） 纠错

AI总结 本文提出JaxGCRL框架，通过高效算法和GPU加速技术显著提升目标条件强化学习的训练效率，并评估对比学习中的关键设计以稳定训练性能。

Comments Published at ICLR 2025 (Spotlight). Website: https://michalbortkiewicz.github.io/JaxGCRL/ Code: https://github.com/MichalBortkiewicz/JaxGCRL

Journal ref International Conference on Learning Representations (ICLR), 2025

The Horcrux: Mechanistically Interpretable Task Decomposition for Detecting and Mitigating Reward Hacking in Embodied AI Systems

霍克鲁斯：用于检测和缓解具身AI系统中奖励黑客行为的可解释任务分解

Subramanyam Sahoo, Jared Junkin

机构 * Berkeley AI Safety Initiative (BASIS) UC Berkeley（伯克利人工智能安全计划（BASIS）伯克利大学） ； Department of Electrical and Computer Engineering Johns Hopkins University（电气与计算机工程系约翰霍普金斯大学） 纠错

AI总结 本研究提出MITD方法，通过可解释性任务分解有效检测和缓解具身AI系统中的奖励黑客行为，实验表明分解深度可显著降低奖励黑客频率。

Comments Accepted to the NeurIPS (Mexico City) 2025 Workshop on Embodied and Safe-Assured Robotic Systems (E-SARS). Thanks to Aman Chadha

Learning to Drive Anywhere with Model-Based Reannotation

基于模型的重新标注：学习在任何地方驾驶

Noriaki Hirose, Lydia Ignatova, Kyle Stachowicz, Catherine Glossop, Sergey Levine, Dhruv Shah

机构 * Department of Electrical Engineering and Computer Sciences , University of California, Berkeley, CA USA（电气工程与计算机科学系，加州大学伯克利分校） ； Toyota Motor North America, Inc（丰田北美公司） ； Department of Electrical and Computer Engineering, Princeton University（电气与计算机工程系，普林斯顿大学） 纠错

AI总结 本文提出基于模型的重新标注框架，利用被动数据训练出高效导航策略，实现机器人在复杂环境中的长距离稳健导航。

Comments 9 pages, 8 figures, 6 tables

Journal ref IEEE Robotics and Automation Letters 2025