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

BLO-Inst: Bi-Level Optimization Based Alignment of YOLO and SAM for Robust Instance Segmentation

BLO-Inst: 基于双层优化的YOLO和SAM对齐以实现鲁棒的实例分割

Li Zhang, Pengtao Xie

机构 * Electrical and Computer Engineering, University of California San Diego, CA, US（电子与计算机工程系，加州大学圣地亚哥分校） 纠错

AI总结 BLO-Inst通过双层优化对齐YOLO和SAM，提升实例分割的鲁棒性和性能。

Thinking Out of Order: When Output Order Stops Reflecting Reasoning Order in Diffusion Language Models

脱离顺序思考：当输出顺序不再反映推理顺序时扩散语言模型的表现

Longxuan Yu, Yu Fu, Shaorong Zhang, Hui Liu, Mukund Varma T, Greg Ver Steeg, Yue Dong

机构 * University of California, Riverside, CA, USA（加州大学河滨分校） ； Independent Researcher（独立研究者） ； University of California, San Diego, CA, USA（加州大学圣地亚哥分校） 纠错

AI总结 本文提出屏蔽扩散语言模型（MDLMs）在处理输出顺序与推理顺序不一致时展现出的顺序鲁棒性，通过实验验证其在不同基准上的稳定性能。

Comments 18 pages, 13 figures, 5 tables

ScaleSim: Serving Large-Scale Multi-Agent Simulation with Invocation Distance-Based Memory Management

ScaleSim: 通过调用距离基于的内存管理实现大规模多智能体仿真服务

Zaifeng Pan, Yipeng Shen, Zhengding Hu, Zhuang Wang, Aninda Manocha, Zheng Wang, Zhongkai Yu, Yue Guan, Yufei Ding

机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Amazon Web Services（亚马逊网络服务） 纠错

AI总结 ScaleSim通过调用距离基于的内存管理，提升大规模多智能体仿真的效率，实现1.74倍速度提升。

Llama-3.1-FoundationAI-SecurityLLM-Reasoning-8B Technical Report

Llama-3.1-FoundationAI-SecurityLLM-Reasoning-8B 技术报告

Zhuoran Yang, Ed Li, Jianliang He, Aman Priyanshu, Baturay Saglam, Paul Kassianik, Sajana Weerawardhena, Anu Vellore, Blaine Nelson, Neusha Javidnia, Arthur Goldblatt, Fraser Burch, Avi Zohary, Assaf Eisenman, Mahdi Sabbaghi, Supriti Vijay, Rahim Dharssi, Dhruv Kedia, Kojin Oshiba, Yaron Singer, Amin Karbasi

机构 * Foundation AI–Cisco Systems Inc.（Foundation AI–Cisco系统公司） ； Yale University（耶鲁大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of Pennsylvania（宾夕法尼亚大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 Llama-3.1-FoundationAI-SecurityLLM-Reasoning-8B 是首个开源的网络安全专用推理模型，通过结合监督微调和强化学习训练，实现了在网络安全任务上的高性能表现。

Comments 31 pages, 5 figures, 7 tables

Thinking in Frames: How Visual Context and Test-Time Scaling Empower Video Reasoning

基于框架的思考：视觉上下文和测试时扩展如何增强视频推理

Chengzu Li, Zanyi Wang, Jiaang Li, Yi Xu, Han Zhou, Huanyu Zhang, Ruichuan An, Dengyang Jiang, Zhaochong An, Ivan Vulić, Serge Belongie, Anna Korhonen

机构 * University of Cambridge（剑桥大学） ； Pioneer Center for AI, University of Copenhagen（人工智能先锋中心，哥本哈根大学） ； Hong Kong University of Science（香港科学大学） ； University of California San Diego（加州大学圣地亚哥分校） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Peking University（北京大学） 纠错

AI总结 本文提出通过视频生成模型进行视觉推理，利用视觉上下文和测试时扩展提升视频推理能力，展示了模型在空间和时间复杂任务中的鲁棒零样本泛化能力。

Comments 8 pages, 3 figures, 3 tables (26 pages, 13 figures, 6 tables including references and appendices)

Explainable Chain-of-Thought Reasoning: An Empirical Analysis on State-Aware Reasoning Dynamics

可解释的链式思维推理：对状态感知推理动态的实证分析

Sheldon Yu, Yuxin Xiong, Junda Wu, Xintong Li, Tong Yu, Xiang Chen, Ritwik Sinha, Jingbo Shang, Julian McAuley

机构 * University of California San Diego（加州大学圣地亚哥分校） ； Adobe Research（Adobe研究） 纠错

AI总结 本文提出了一种状态感知的转换框架，通过结构化潜在动态分析链式思维推理的语义演变和转换，提升推理过程的可解释性。

Comments 5 pages, 4 figures

CTRLS: Chain-of-Thought Reasoning via Latent State-Transition

CTRLS: 通过潜在状态转移进行链式推理

Junda Wu, Yuxin Xiong, Xintong Li, Sheldon Yu, Zhengmian Hu, Tong Yu, Rui Wang, Xiang Chen, Jingbo Shang, Julian McAuley

机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Adobe Research（Adobe研究） 纠错

AI总结 CTRLS通过建模潜在状态转移的马尔可夫决策过程，利用分布式强化学习提升大语言模型的推理能力与探索效率。

Comments 10 pages

Learning for Dynamic Combinatorial Optimization without Training Data

无需训练数据的学习动态组合优化

Yiqiao Liao, Farinaz Koushanfar, Parinaz Naghizadeh

机构 * UC San Diego（加州大学圣迭戈分校） 纠错

AI总结 DyCO-GNN通过利用时间演变图快照的结构相似性，在无需训练数据的情况下实现了动态组合优化的高效求解。

Towards Identifiable Latent Additive Noise Models

朝着可识别的潜在加性噪声模型迈进

Yuhang Liu, Zhen Zhang, Dong Gong, Erdun Gao, Biwei Huang, Mingming Gong, Anton van den Hengel, Kun Zhang, Javen Qinfeng Shi

机构 * Australian Institute for Machine Learning, The University of Adelaide（澳大利亚机器学习研究所，阿德莱德大学） ； School of Computer Science and Engineering, The University of New South Wales（计算机科学与工程学院，新南威尔士大学） ； Halicioğlu Data Science Institute, University of California San Diego（Halicioğlu数据科学研究所，加州大学圣地亚哥分校） ； School of Mathematics and Statistics, The University of Melbourne（数学与统计学学院，墨尔本大学） ； Department of Philosophy, Carnegie Mellon University（哲学系，卡内基梅隆大学） 纠错

AI总结 本文提出了一种更通用的框架，通过约束函数类来建立部分识别性结果，并开发了灵活的学习方法，用于学习潜在因果表示。