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

Structural Reinforcement Learning for Heterogeneous Agent Macroeconomics

异质主体宏观经济学的结构强化学习

Yucheng Yang, Chiyuan Wang, Andreas Schaab, Benjamin Moll

机构 * University of Zurich and SFI（苏黎世大学和SFI） ； Peking University, School of Computer Science and BIGAI（北京大学计算机学院和BIGAI） ； UC Berkeley（加州大学伯克利分校） ； London School of Economics（伦敦经济学院） 纠错

AI总结 本文提出结构强化学习方法，用于高效求解异质主体宏观经济学模型，克服传统方法限制，实现快速全局求解。

A Decision-Theoretic Approach for Managing Misalignment

一种用于管理偏差的决策理论方法

Daniel A. Herrmann, Abinav Chari, Isabelle Qian, Sree Sharvesh, B. A. Levinstein

机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Georgia Institute of Technology（佐治亚理工学院） ； University of California, Berkeley（加州大学伯克利分校） ； Amrita Vishwa Vidyapeetham（阿米特拉维瓦大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 本文提出了一种决策理论框架，用于在不确定情况下评估人工智能代理的偏差是否足够，以决定是否委托决策。

Comments Second Conference of the International Association for Safe and Ethical Artificial Intelligence (IASEAI '26)

Let the Barbarians In: How AI Can Accelerate Systems Performance Research

让野蛮人进来：AI如何加速系统性能研究

Audrey Cheng, Shu Liu, Melissa Pan, Zhifei Li, Shubham Agarwal, Mert Cemri, Bowen Wang, Alexander Krentsel, Tian Xia, Jongseok Park, Shuo Yang, Jeff Chen, Lakshya Agrawal, Ashwin Naren, Shulu Li, Ruiying Ma, Aditya Desai, Jiarong Xing, Koushik Sen, Matei Zaharia, Ion Stoica

机构 * UC Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出AI驱动的系统研究（ADRS）方法，通过自动化生成和评估解决方案，提升系统性能研究效率，展示其在多个案例中的有效性。

Comments arXiv admin note: substantial text overlap with arXiv:2510.06189

Selfi: Self Improving Reconstruction Engine via 3D Geometric Feature Alignment

Selfi: 通过3D几何特征对齐实现自改进的重建引擎

Youming Deng, Songyou Peng, Junyi Zhang, Kathryn Heal, Tiancheng Sun, John Flynn, Steve Marschner, Lucy Chai

机构 * Cornell University（康奈尔大学） ； Google（谷歌） ； UC Berkeley（加州大学伯克利分校） 纠错

AI总结 Selfi通过特征对齐提升3D重建精度，利用VGGT输出作为伪地面真实值，实现NVS和姿态估计的高性能表现。

Comments Project Page: https://denghilbert.github.io/selfi/

AutoAdv: Automated Adversarial Prompting for Multi-Turn Jailbreaking of Large Language Models

AutoAdv：面向大语言模型多轮对抗性提示的自动化 jailbreaking

Aashray Reddy, Andrew Zagula, Nicholas Saban

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

AI总结 AutoAdv通过多轮自适应机制实现高成功率的对抗性提示攻击，揭示当前安全机制在多轮对话中的脆弱性。

Comments Presented at NeurIPS 2025 Lock-LLM Workshop. Code is available at https://github.com/AAN-AutoAdv/AutoAdv

Fractional-order Modeling for Nonlinear Soft Actuators via Particle Swarm Optimization

通过粒子群优化进行非线性软执行器的分数阶建模

Wu-Te Yang, Masayoshi Tomizuka

机构 * Department of Mechanical Engineering, University of California, Berkeley, MSC Lab（机械工程系，加州大学伯克利分校，MSC实验室） 纠错

AI总结 本文提出基于分数阶微分方程和粒子群优化的软执行器建模方法，实现高精度动态行为建模，提升预测性能和系统设计的适应性。

Comments 6 pages, 4 figures

Long-range electrostatics for machine learning interatomic potentials is easier than we thought

长程静电学用于机器学习的原子间势能更简单

Dongjin Kim, Bingqing Cheng

机构 * Department of Chemistry, UC Berkeley, California 94720, United States（加州大学伯克利分校化学系） ； Chemical Sciences Division, Lawrence Berkeley National Laboratory, Berkeley, California, 94720, United States（伯克利国家实验室化学科学部） ； Bakar Institute of Digital Materials for the Planet, UC Berkeley, California 94720, United States（为地球数字化材料研究所） ； The Institute of Science and Technology Austria, Am Campus 1, 3400 Klosterneuburg, Austria（奥地利科学与技术研究所） 纠错

AI总结 本文提出通过两个设计原则简化长程静电学在机器学习原子间势能中的应用，表明其比传统认知更简单且更具普遍性。