University of California, San Diego（加州大学圣迭戈分校）

ThetaEvolve: Test-time Learning on Open Problems

ThetaEvolve：开放问题的测试时间学习

Yiping Wang, Shao-Rong Su, Zhiyuan Zeng, Eva Xu, Liliang Ren, Xinyu Yang, Zeyi Huang, Xuehai He, Luyao Ma, Baolin Peng, Hao Cheng, Pengcheng He, Weizhu Chen, Shuohang Wang, Simon Shaolei Du, Yelong Shen

机构 * Microsoft（微软公司） ； University of Washington（华盛顿大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； University of California, San Diego（加州大学圣地亚哥分校） 纠错

AI总结 ThetaEvolve通过测试时间强化学习提升开放问题求解能力，实现开源模型在数学优化问题上的新突破。

Comments 30 pages, link: https://github.com/ypwang61/ThetaEvolve

CoFiRec: Coarse-to-Fine Tokenization for Generative Recommendation

CoFiRec: 生成推荐中的粗到细分词

Tianxin Wei, Xuying Ning, Xuxing Chen, Ruizhong Qiu, Yupeng Hou, Yan Xie, Shuang Yang, Zhigang Hua, Jingrui He

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Meta ； University of California San Diego（加州大学圣地亚哥分校） 纠错

AI总结 CoFiRec通过粗到细分词提升生成推荐效果，有效捕捉用户意图演变。

MTR-VP: Towards End-to-End Trajectory Planning through Context-Driven Image Encoding and Multiple Trajectory Prediction

MTR-VP: 通过基于上下文的图像编码和多轨迹预测实现端到端轨迹规划

Maitrayee Keskar, Mohan Trivedi, Ross Greer

机构 * Machine Intelligence, Interaction, and Imagination (Mi 3 ) Laboratory（机器智能、交互与想象实验室） ； University of California, Merced（加州大学默塞德分校） ； Laboratory for Intelligent & Safe Automobiles (LISA)（智能与安全汽车实验室） ； University of California, San Diego（加州大学圣地亚哥分校） 纠错

AI总结 MTR-VP通过基于上下文的图像编码和多轨迹预测实现端到端轨迹规划，利用交叉注意力提升规划性能。

Comments 8 pages, 3 figures, 4 tables

Start Making Sense(s): A Developmental Probe of Attention Specialization Using Lexical Ambiguity

开始理解（s）：利用词汇歧义开发注意力专业化探测

Pamela D. Rivière, Sean Trott

机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Rutgers University - Newark（新泽西州立大学罗格斯-纽ark分校） 纠错

AI总结 通过词汇歧义研究，发现不同大小的Transformer模型在消歧任务中存在不同的注意力机制发展特性。

Comments 13 pages (main text), 5 figures (main text) 6 pages (appendix), 6 figures (appendix), journal submission to TACL ("a" decision: pre-MIT Press publication version)

Learning Plug-and-play Memory for Guiding Video Diffusion Models

学习插件式记忆以指导视频扩散模型

Selena Song, Ziming Xu, Zijun Zhang, Kun Zhou, Jiaxian Guo, Lianhui Qin, Biwei Huang

机构 * University of California, San Diego（加州大学圣地亚哥分校） ； The University of Tokyo（东京大学） 纠错

AI总结 本文提出DiT-Mem，通过学习插件式记忆增强视频扩散模型的物理规则遵循和视频保真度。