Staggered Environment Resets Improve Massively Parallel On-Policy Reinforcement Learning
staggered 环境重置提升大规模并行 on-policy 强化学习
机构 * Harvard University（哈佛大学） ； UC San Diego（圣迭戈大学）
AI总结 staggered 环境重置通过增加时间多样性减少非平稳性，提升大规模并行 on-policy 强化学习的样本效率和收敛速度
高校专区
University of California, San Diego（加州大学圣迭戈分校）
ACE-F: A Cross Embodiment Foldable System with Force Feedback for Dexterous Teleoperation
ACE-F: 一种具有力反馈的跨体折叠系统用于灵巧远程操作
机构 * UC San Diego（加州大学圣地亚哥分校）
AI总结 ACE-F是一种具有力反馈的跨体折叠远程操作系统，通过逆运动学和软控制器流水线实现跨体泛化和精确控制，提升机器人灵巧操作的直观性和效率。
A Connection Between Score Matching and Local Intrinsic Dimension
从分数匹配到局部内在维度的一种联系
机构 * PNNL（太平洋西北国家实验室） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； UC San Diego（圣地亚哥大学）
AI总结 本文提出利用去噪分数匹配损失作为局部内在维度估计器，通过理论分析和实验验证其在高维数据中的有效性与可扩展性。
Comments Accepted to the 3rd SPIGM Workshop at NeurIPS 2025
No Request Left Behind: Tackling Heterogeneity in Long-Context LLM Inference with Medha
没有被遗漏的请求：通过Medha解决长上下文LLM推理中的异质性
机构 * Microsoft（微软公司） ； Georgia Institute of Technology（佐治亚理工学院） ； UC San Diego（圣地亚哥大学）
AI总结 Medha 通过引入细粒度抢占式调度和新型并行策略，有效解决长上下文LLM推理中的异质性问题，显著提升系统吞吐量和响应效率。
