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

PhysGraph: Physically-Grounded Graph-Transformer Policies for Bimanual Dexterous Hand-Tool-Object Manipulation

PhysGraph: 基于物理的图变换策略用于双臂灵巧手工具物体操作

Runfa Blark Li, David Kim, Xinshuang Liu, Keito Suzuki, Dwait Bhatt, Nikola Raicevic, Xin Lin, Ki Myung Brian Lee, Nikolay Atanasov, Truong Nguyen

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

AI总结 PhysGraph通过物理基础图变换策略提升双臂手工具物体操作的精度和成功率，仅用51%参数超越基线模型。

Emergence of Superposition: Unveiling the Training Dynamics of Chain of Continuous Thought

连续思维的涌现：揭示连续思维链的训练动态

Hanlin Zhu, Shibo Hao, Zhiting Hu, Jiantao Jiao, Stuart Russell, Yuandong Tian

机构 * UC Berkeley（加州大学伯克利分校） ； UCSD（加州大学圣地亚哥分校） ； Nvidia（英伟达） ； Meta AI 纠错

AI总结 本文通过分析两层Transformer在有向图可达性问题上的训练动态，揭示了连续思维链中叠加机制如何在训练过程中通过自回归扩展思维和预测阶段自然产生。

Comments 32 pages, 9 figures, accepted by ICLR 2026

Causal Structure Learning in Hawkes Processes with Complex Latent Confounder Networks

在具有复杂潜在混杂网络的Hawkes过程中学习因果结构

Songyao Jin, Biwei Huang

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

AI总结 本文提出了一种两阶段迭代算法，用于在具有复杂潜在混杂网络的Hawkes过程中学习因果结构，通过路径条件保证可识别性，并在合成和真实数据上验证了方法的有效性。

SymGPT: Auditing Smart Contracts via Combining Symbolic Execution with Large Language Models

SymGPT：通过结合符号执行与大语言模型审计智能合约

Shihao Xia, Mengting He, Shuai Shao, Tingting Yu, Yiying Zhang, Nobuko Yoshida, Linhai Song

机构 * The Pennsylvania State University（宾夕法尼亚州立大学） ； University of Connecticut（康涅狄格大学） ； University of California San Diego（加州大学圣地亚哥分校） ； University of Oxford（牛津大学） ； SKLP, Institute of Computing Technology, Chinese Academy of Sciences（SKLP，计算技术研究所，中国科学院） 纠错

AI总结 SymGPT结合符号执行与大语言模型，自动检测智能合约的ERC规则违规，识别出大量潜在安全漏洞。

Comments 34 pages. arXiv admin note: text overlap with arXiv:2404.04306

NERFIFY: A Multi-Agent Framework for Turning NeRF Papers into Code

NERFIFY：一个将NeRF论文转化为代码的多智能体框架

Seemandhar Jain, Keshav Gupta, Kunal Gupta, Manmohan Chandraker

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

AI总结 NERFIFY通过多智能体框架将NeRF论文转化为可训练的代码，提升复现效率和质量。

Comments Accepted to CVPR 2026. Project page: https://seemandhar.github.io/NERFIFY/

AIoT-based Continuous, Contextualized, and Explainable Driving Assessment for Older Adults

基于AIoT的连续、情境化和可解释的老年人驾驶评估

Yimeng Liu, Fangwei Zhang, Maolin Gan, Jialuo Du, Jingkai Lin, Yawen Wang, Fei Sun, Honglei Chen, Linda Hill, Ruofeng Liu, Tianxing Li, Zhichao Cao

机构 * Michigan State University（密歇根州立大学） ； University of California San Diego（加州大学圣地亚哥分校） 纠错

AI总结 本文提出AURA框架，利用AIoT实现对老年人驾驶安全的连续、情境化和可解释评估，通过多尺度行为建模和情境感知分析提升驾驶安全监测的可靠性。

TopoEdge: Topology-Grounded Agentic Framework for Edge Networking Code Generation and Repair

TopoEdge：基于拓扑的代理框架用于边缘网络代码生成与修复

Haomin Qi, Bohan Liu, Zihan Dai, Yunkai Gao

机构 * University of California San Diego（加州大学圣地亚哥分校） ； The Chinese University of Hong Kong（香港中文大学） ； University of Copenhagen（哥本哈根大学） ； Duke University（杜克大学） 纠错

AI总结 TopoEdge通过拓扑引导的检索增强生成框架，实现边缘网络配置的生成与修复，利用图神经网络和三个专门化代理协调生成-验证-修复循环。

Comments 6 pages, 4 figures, 3 tables

Journal ref IEEE Wireless Communications and Networking Conference (WCNC) 2026

Stepwise Penalization for Length-Efficient Chain-of-Thought Reasoning

逐步惩罚以实现高效推理链

Xintong Li, Sha Li, Rongmei Lin, Hongye Jin, Linwei Li, Hejie Cui, Sarah Zhang, Chia-Yuan Chang, Kewei Cheng, Besnik Fetahu, Priyanka Nigam, Jingbo Shang, Bing Yin

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

AI总结 SWAP通过逐步自适应惩罚减少推理链长度并提升准确性。

Comments Preprint

HorizonForge: Driving Scene Editing with Any Trajectories and Any Vehicles

HorizonForge: 通过任意轨迹和任意车辆驱动场景编辑

Yifan Wang, Francesco Pittaluga, Zaid Tasneem, Chenyu You, Manmohan Chandraker, Ziyu Jiang

机构 * NEC Labs America（NEC美国实验室） ； Stony Brook University（石溪大学） ； UC San Diego（圣地亚哥大学） 纠错

AI总结 HorizonForge通过任意轨迹和车辆实现驾驶场景的可控编辑，利用高斯溅射体和网格表示，结合视频扩散技术，提升生成场景的真实性和可控性。

Comments Accepted by CVPR 2026

FASA: Frequency-aware Sparse Attention

FASA: 基于频率的稀疏注意力

Yifei Wang, Yueqi Wang, Zhenrui Yue, Huimin Zeng, Yong Wang, Ismini Lourentzou, Zhengzhong Tu, Xiangxiang Chu, Julian McAuley

机构 * AMAP, Alibaba Group（阿里巴巴集团AMAP） ； UCSD（加州大学圣迭戈分校） ； UIUC（伊利诺伊大学香槟分校） ； Texas A&M University（德克萨斯农工大学） 纠错

AI总结 FASA通过动态预测令牌重要性，实现基于频率块的稀疏注意力机制，在长上下文任务中表现出色，达到接近全缓存性能且显著提升效率。

Comments Accepted by ICLR 2026

On the $ε$-Free Inference Complexity of Absorbing Discrete Diffusion

关于吸收离散扩散的ε-免费推断复杂度

Xunpeng Huang, Yingyu Lin, Nishant Jain, Kaibo Wang, Difan Zou, Yian Ma, Tong Zhang

机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； University of California San Diego（加州大学圣地亚哥分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； The University of Hong Kong（香港大学） 纠错

AI总结 本文提出AATU方法，通过吸收离散扩散的结构优势，实现了ε-TV收敛的O(d ln d)复杂度，消除了传统均匀化推理的分数限制假设，并在时间不变参数化中展示了更高效的推理策略。

Comments 48 pages

I Predict Therefore I Am: Is Next Token Prediction Enough to Learn Human-Interpretable Concepts from Data?

我预测因此我存在：仅靠下一个令牌预测是否足以从数据中学习人类可解释的概念？

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

机构 * Responsible AI Research Centre（负责任人工智能研究中心） ； Australian Institute for Machine Learning（澳大利亚机器学习研究所） ； Adelaide University（阿德莱德大学） ； School of Computer Science and Engineering（计算机科学与工程学院） ； The University of New South Wales（新南威尔士大学） ； Halıcıoğlu Data Science Institute（哈利奇奥格卢数据科学研究所） ； University of California San Diego（加州大学圣地亚哥分校） ； School of Mathematics and Statistics（数学与统计学学院） ； The University of Melbourne（墨尔本大学） 纠错

AI总结 本文提出了一种新的生成模型，通过理论分析证明LLM通过下一个令牌预测能学习人类可解释的概念，并验证了该理论在模拟数据和现有模型上的有效性。

Token-Efficient Item Representation via Images for LLM Recommender Systems

通过图像实现高效的物品表示用于LLM推荐系统

Kibum Kim, Sein Kim, Hongseok Kang, Jiwan Kim, Heewoong Noh, Yeonjun In, Kanghoon Yoon, Jinoh Oh, Julian McAuley, Chanyoung Park

机构 * KAIST（韩国科学技术院） ； Amazon Alexa（亚马逊Alexa） ； UC San Diego（加州大学圣地亚哥分校） 纠错

AI总结 本文提出I-LLMRec方法，通过利用图像替代文本描述，提高LLM推荐系统的效率和有效性，同时增强对噪声的鲁棒性。

Comments ICLR 2026