Soft Tail-dropping for Adaptive Visual Tokenization
软尾降用于自适应视觉标记化
机构 * UC San Diego（UC圣迭戈大学） ； Adobe（Adobe公司）
AI总结 STAT通过自适应标记生成与因果AR模型兼容，提升视觉生成质量与扩展性。
高校专区
University of California, San Diego（加州大学圣迭戈分校）
LifeAgentBench: A Multi-dimensional Benchmark and Agent for Personal Health Assistants in Digital Health
LifeAgentBench: 一个多维基准和代理用于数字健康中的个人健康助手
机构 * University of California San Diego（加州大学圣地亚哥分校） ； Google Research（谷歌研究）
AI总结 本文提出LifeAgentBench多维基准和代理，用于评估LLM在长周期、跨维度健康推理中的能力，并通过实验识别关键瓶颈，提出基线代理LifeAgent实现显著改进。
Simulated Ignorance Fails: A Systematic Study of LLM Behaviors on Forecasting Problems Before Model Knowledge Cutoff
模拟无知失败：在模型知识截止前的预测问题上的系统研究
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）
AI总结 本文研究了在模型知识截止前的预测问题中，模拟无知方法的局限性，发现其无法有效近似真实无知，且推理链推理和优化模型在抑制先前知识方面存在缺陷。
Mathematical Framework for Custom Reward Functions in Job Application Evaluation using Reinforcement Learning
基于强化学习的作业申请评估中自定义奖励函数的数学框架
机构 * Department of Computer Science and Engineering, SRM Institute of Science and Technology（计算机科学与工程系，SRM科学与技术学院） ； Department of Computer Science and Engineering, Sastra University（计算机科学与工程系，萨斯特拉大学） ； Halıcıoğlu Data Science Institute, University of California San Diego（Halıcıoğlu数据科学研究所，加州大学圣地亚哥分校） ； O6AI LABS（O6AI实验室）
AI总结 本文提出基于强化学习的作业申请评估系统，通过两阶段微调流程优化小语言模型，实现高准确率和可靠性的候选人筛选。
Comments 13 pages, 4 figures, 2 equations, 3 Tables
Journal ref ICCCA 2025, pp. 1-6
When Benchmarks Age: Temporal Misalignment through Large Language Model Factuality Evaluation
当基准老化时：通过大型语言模型事实性评估进行时间错位
机构 * University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本文研究了评估基准随时间老化对LLM事实性评估的影响，通过分析五个基准和八种LLM，提出了一套新的指标和方法以量化基准老化问题。
Comments Accepted to EACL 2026 Main Conference
Network-Level Measures of Mobility from Aggregated Origin-Destination Data
从聚合的出行生成数据中提取网络层面的流动性度量
机构 * Department of Applied Mathematics, University of Washington（应用数学系，华盛顿大学） ； Department of Mathematics, University of California, San Diego（数学系，加州大学圣地亚哥分校）
AI总结 本文提出了一种从聚合出行数据中提取网络层面流动性度量的框架，通过合成数据验证了其在描述网络组织和流量约束方面的有效性，并应用于真实数据展示了其在城市尺度上的可解释性。
Comments 34 pages, 20 figures
GalaxyEdit: Large-Scale Image Editing Dataset with Enhanced Diffusion Adapter
GalaxyEdit: 大规模图像编辑数据集与增强扩散适配器
机构 * Samsung R&D Institute India（三星印度研发院） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 GalaxyEdit通过自动化数据生成和增强ControlNet-xs，提升大规模图像编辑任务的性能与效率。
Comments 10 pages, 6 figures
Contact-Aware Neural Dynamics
接触感知神经动力学
机构 * UC San Diego（圣迭戈大学） ； Amazon FAR (Frontier AI & Robotics)（亚马逊前沿人工智能与机器人实验室）
AI总结 本文提出了一种基于接触信息的神经动力学模型，通过利用现实数据改进仿真到现实的对齐，提升状态预测和策略优化的准确性。
Comments 8 pages
AEMA: Verifiable Evaluation Framework for Trustworthy and Controlled Agentic LLM Systems
AEMA：可验证评估框架用于可信和受控的代理LLM系统
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Center for Advanced AI, Accenture（Accenture高级人工智能中心） ； University of California, Irvine（加州大学伊拉斯姆斯分校）
AI总结 AEMA提出了一种可验证的评估框架，用于评估基于LLM的多代理系统，通过人类监督实现稳定、可追溯的自动化评估。
Comments Workshop on W51: How Can We Trust and Control Agentic AI? Toward Alignment, Robustness, and Verifiability in Autonomous LLM Agents at AAAI 2026
From Relative Entropy to Minimax: A Unified Framework for Coverage in MDPs
从相对熵到极小大：MDPs中覆盖的统一框架
机构 * University of California, San Diego（加州大学圣迭戈分校） ； University of Southern California（南加州大学）
AI总结 本文提出了一种统一的覆盖框架，通过加权参数化的凹目标$U_ρ$，统一了多个MDP中的覆盖目标，并开发了基于梯度的算法以主动引导探索策略。
POLARIS: Typed Planning and Governed Execution for Agentic AI in Back-Office Automation
POLARIS：面向后台自动化代理AI的类型化规划与受控执行
机构 * University of California, Irvine（加州大学尔湾分校） ； Center for Advanced AI, Accenture（Accenture高级人工智能中心） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 POLARIS通过类型化规划和受控执行框架，提升后台自动化中代理AI的政策一致性与可预测性，实现高精度任务处理与审计追踪。
Comments Workshop on Agentic AI Benchmarks and Applications for Enterprise Tasks: AAAI 2026
PACEvolve: Enabling Long-Horizon Progress-Aware Consistent Evolution
PACEvolve: 促进长周期一致性演进
机构 * 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） ； Google（谷歌） ； Google DeepMind（谷歌DeepMind）
AI总结 PACEvolve通过分层上下文管理和自适应采样策略，解决进化搜索中的上下文污染、模式崩溃和弱协作问题，实现长周期一致性自我提升。
A Survey of Self-Evolving Agents: What, When, How, and Where to Evolve on the Path to Artificial Super Intelligence
自我进化代理的综述：何时、何地、如何进化以实现人工超级智能
机构 * Princeton University（普林斯顿大学） ； Princeton AI Lab（普林斯顿人工智能实验室） ； Tsinghua University（清华大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Sydney（悉尼大学） ； Shanghai Jiao Tong University（上海交通大学） ； Pennsylvania State University（宾夕法尼亚州立大学） ； University of Michigan（密歇根大学） ； Oregon State University（俄勒冈州立大学） ； The Chinese University of Hong Kong（香港中文大学） ； Fudan University（复旦大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； The University of Hong Kong（香港大学） ； University of California, Santa Barbara（加州大学圣芭芭拉分校） ； University of California San Diego（加州大学圣地亚哥分校） ； University of Edinburgh（爱丁堡大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文综述了自我进化代理的现状，探讨了进化机制、适应方法及挑战，为实现人工超级智能提供路线图。
Comments 77 pages, 9 figures, Transactions on Machine Learning Research (01/2026)
