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

Codified Finite-state Machines for Role-playing

编码有限状态机用于角色扮演

Letian Peng, Yupeng Hou, Kun Zhou, Jingbo Shang

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

AI总结 本文提出编码有限状态机（CFSMs）和编码概率有限状态机（CPFSMs）框架，通过自动编码文本角色档案生成可解释的状态机，提升角色扮演中的一致性和随机性探索能力。

Learning to Discover at Test Time

在测试时间学习以发现

Mert Yuksekgonul, Daniel Koceja, Xinhao Li, Federico Bianchi, Jed McCaleb, Xiaolong Wang, Jan Kautz, Yejin Choi, James Zou, Carlos Guestrin, Yu Sun

机构 * Stanford University（斯坦福大学） ； NVIDIA（英伟达） ； Astera Institute（Astera研究院） ； UC San Diego（加州大学圣地亚哥分校） ； Together AI 纠错

AI总结 通过在测试时间进行强化学习，TTT-Discover方法在多个科学领域实现了新的前沿状态，利用开放模型和公开代码实现高效解决方案。

Comments Code: https://github.com/test-time-training/discover

Learning to Plan & Schedule with Reinforcement-Learned Bimanual Robot Skills

学习计划与调度的强化学习双臂机器人技能

Weikang Wan, Fabio Ramos, Xuning Yang, Caelan Garrett

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

AI总结 本文提出了一种基于强化学习的双臂机器人技能计划与调度框架，通过分层结构提升复杂任务的执行效率与协调性。

Double-P: Hierarchical Top-P Sparse Attention for Long-Context LLMs

Double-P: 分层Top-P稀疏注意力机制用于长上下文LLM

Wentao Ni, Kangqi Zhang, Zhongming Yu, Oren Nelson, Mingu Lee, Hong Cai, Fatih Porikli, Jongryool Kim, Zhijian Liu, Jishen Zhao

机构 * ucsd（加州大学圣迭戈分校） ； umich（密歇根大学） ； qualcomm（高通AI研究） ； nvidia 纠错

AI总结 Double-P通过分层Top-P稀疏注意力机制，优化长上下文LLM的解码效率，实现更高的准确性和更快的处理速度。

Spectral Prefiltering of Neural Fields

神经场的频谱预滤

Mustafa B. Yaldiz, Ishit Mehta, Nithin Raghavan, Andreas Meuleman, Tzu-Mao Li, Ravi Ramamoorthi

机构 * University of California San Diego La Jolla CA USA ； Inria, Universit\'e C\ ote d'Azur Sophia Antipolis France ； University of California San Diego ； Inria, Universit\'e C\ ote d'Azur 纠错

AI总结 本文提出一种通过单次前向传递实现神经场频谱预滤的方法，利用闭合形式调制支持多种滤波器，提升滤波效果与效率。

Comments 16 pages, 10 figures, Website: https://myaldiz.info/assets/spnf

Journal ref Proceedings of the SIGGRAPH Asia 2025 Conference Papers, Article No. 87, pp. 1-12, 2025

BACHI: Boundary-Aware Symbolic Chord Recognition Through Masked Iterative Decoding on Pop and Classical Music

BACHI：通过掩码迭代解码实现流行与古典音乐的边界感知符号和弦识别

Mingyang Yao, Ke Chen, Shlomo Dubnov, Taylor Berg-Kirkpatrick

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

AI总结 BACHI通过掩码迭代解码实现流行与古典音乐的边界感知符号和弦识别，引入增强数据集并提出分解任务的模型，提升识别性能。

Comments Accepted by IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP), 2026