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

Contact-Anchored Policies: Contact Conditioning Creates Strong Robot Utility Models

接触锚定策略：接触条件创造强大的机器人效用模型

Zichen Jeff Cui, Omar Rayyan, Haritheja Etukuru, Bowen Tan, Zavier Andrianarivo, Zicheng Teng, Yihang Zhou, Krish Mehta, Nicholas Wojno, Kevin Yuanbo Wu, Manan H Anjaria, Ziyuan Wu, Manrong Mao, Guangxun Zhang, Binit Shah, Yejin Kim, Soumith Chintala, Lerrel Pinto, Nur Muhammad Mahi Shafiullah

机构 * New York University（纽约大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Hello Robot Inc.（Hello Robot公司） ； Ai2 ； University of Waterloo（滑铁卢大学） 纠错

AI总结 接触锚定策略通过接触条件实现强大的机器人效用模型，仅用23小时演示数据即在三种基本操作技能上实现跨环境泛化，并在零样本评估中超越现有最先进方法56%。

SkillRL: Evolving Agents via Recursive Skill-Augmented Reinforcement Learning

SkillRL: 通过递归技能增强强化学习进化智能体

Peng Xia, Jianwen Chen, Hanyang Wang, Jiaqi Liu, Kaide Zeng, Yu Wang, Siwei Han, Yiyang Zhou, Xujiang Zhao, Haifeng Chen, Zeyu Zheng, Cihang Xie, Huaxiu Yao

机构 * University of Chicago（芝加哥大学） ； University of California San Diego（加州大学圣地亚哥分校） ； NEC Labs America（NEC美国实验室） ； University of California Berkeley（加州大学伯克利分校） ； University of California Santa Cruz（加州大学圣克鲁兹分校） 纠错

AI总结 SkillRL通过递归技能增强强化学习，有效提升智能体在复杂任务中的表现与泛化能力。

Calibrated Multi-Level Quantile Forecasting

校准的多级分位数预测

Tiffany Ding, Isaac Gibbs, Ryan J. Tibshirani

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

AI总结 MultiQT通过校准多级分位数预测，提升预测校准性而不影响分位数损失。

MomaGraph: State-Aware Unified Scene Graphs with Vision-Language Model for Embodied Task Planning

MomaGraph: 体感任务规划中的状态感知统一场景图

Yuanchen Ju, Yongyuan Liang, Yen-Jen Wang, Nandiraju Gireesh, Yuanliang Ju, Seungjae Lee, Qiao Gu, Elvis Hsieh, Furong Huang, Koushil Sreenath

机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Maryland, College Park（马里兰大学学院公园分校） ； University of Toronto（多伦多大学） 纠错

AI总结 MomaGraph通过统一场景图与强化学习模型，实现家庭环境中体感任务规划的高效任务规划与场景理解。

Comments 25 pages, 10 figures. Project page:https://hybridrobotics.github.io/MomaGraph/

MOTION: ML-Assisted On-Device Low-Latency Motion Recognition

MOTION: 基于机器学习的设备端低延迟动作识别

Veeramani Pugazhenthi, Wei-Hsiang Chu, Junwei Lu, Jadyn N. Miyahira, Mahdi Eslamimehr, Pratik Satam, Rozhin Yasaei, Soheil Salehi

机构 * Department of Electrical and Computer Engineering, University of Arizona（电子与计算机工程系，亚利桑那大学） ； Department of Computing and Data Science, University of California, Berkeley（计算与数据科学系，加州大学伯克利分校） ； Quandary Peak Research（Quandary Peak研究公司） ； Department of Systems and Industrial Engineering, University of Arizona（系统与工业工程系，亚利桑那大学） ； College of Information Sciences, University of Arizona（信息科学学院，亚利桑那大学） 纠错

AI总结 本研究提出一种基于三轴加速度计传感器的高效设备端动作识别方法，利用神经网络在WeBe Band上实现低延迟、高准确率的实时手势识别，适用于医疗监测领域。

DeepScholar-Bench: A Live Benchmark and Automated Evaluation for Generative Research Synthesis

DeepScholar-Bench: 一个实时基准和自动化评估用于生成性研究综合

Liana Patel, Negar Arabzadeh, Harshit Gupta, Ankita Sundar, Ion Stoica, Matei Zaharia, Carlos Guestrin

机构 * Stanford University（斯坦福大学） ； UC Berkeley（加州大学伯克利分校） 纠错

AI总结 DeepScholar-Bench通过实时基准和自动化评估框架，评估生成性研究综合任务，发现现有系统在综合知识、检索质量和可验证性上均未达到31%的几何均值。

Dynamical Regimes of Multimodal Diffusion Models

多模态扩散模型的动力学区域

Emil Albrychiewicz, Andrés Franco Valiente, Li-Ching Chen

机构 * Leinweber Institute for Theoretical Physics（莱因韦伯理论物理研究所） ； Department of Physics, University of California, Berkeley, CA, 94720-7300, USA（加州大学伯克利分校物理系） ； Theoretical Physics Group, Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室理论物理组） ； Department of Radiation Oncology, University of California, San Francisco（加州大学旧金山分校放射肿瘤科） ； Computational Precision Health, University of California San Francisco（加州大学旧金山分校计算精准健康） 纠错

AI总结 多模态扩散模型通过耦合动态机制，揭示生成过程中的时间层次结构及同步间隙现象，为生成模型的稳定性提供理论框架。

Comments 40 pages, 14 figures

Understanding and Guiding Layer Placement in Parameter-Efficient Fine-Tuning of Large Language Models

理解并指导大语言模型参数高效微调中的层放置

Yichen Xu, Yuyang Liang, Shan Dai, Tianyang Hu, Tsz Nam Chan, Chenhao Ma

机构 * University of California, Berkeley（加州大学伯克利分校） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Shenzhen University（深圳大学） 纠错

AI总结 本文提出Layer Card工具，通过分析层的残差信号强度、计算成本和性能，指导大语言模型参数高效微调中的层选择，以实现性能与成本的平衡。

Towards Spatio-Temporal Extrapolation of Phase-Field Simulations with Convolution-Only Neural Networks

基于卷积神经网络的相场模拟时空外推方法

Christophe Bonneville, Nathan Bieberdorf, Pieterjan Robbe, Mark Asta, Habib Najm, Laurent Capolungo, Cosmin Safta

机构 * Sandia National Laboratories（桑迪亚国家实验室） ； Lawrence Berkeley National Laboratory（伯克利劳伦斯国家实验室） ； University of California, Berkeley（加州大学伯克利分校） ； Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室） 纠错

AI总结 本文提出基于卷积神经网络的相场模拟时空外推方法，通过条件参数化U-Net和扩散模型实现高精度模拟与加速计算。

On the Computational Efficiency of Bayesian Additive Regression Trees: An Asymptotic Analysis

关于贝叶斯加法回归树计算效率的分析：渐近分析

Yan Shuo Tan, Omer Ronen, Theo Saarinen, Bin Yu

机构 * Department of Statistics and Data Science, National University of Singapore（统计与数据科学系，新加坡国立大学） ； Department of Statistics, UC Berkeley（统计系，加州大学伯克利分校） ； Department of Electrical Engineering and Computer Sciences, UC Berkeley（电气工程与计算机科学系，加州大学伯克利分校） ； Center for Computational Biology, UC Berkeley（计算生物学中心，加州大学伯克利分校） 纠错

AI总结 本文分析了BART采样器在大规模数据下的计算效率，发现其收敛时间随样本量增加而增加，但通过增加树数量或提高温度可有效缓解这一问题。