University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）

BLARM: Animating 3D Objects from Video via Blending Latent Rigid Motion Primitives

BLARM：通过融合潜在刚性运动原语从视频生成3D物体动画

Pradyumn Goyal, Yizhak Ben-Shabat, Hsueh-Ti Derek Liu, Haomiao Jiang, Snehasish Mukherjee, Kyle Spence, Mark Stauber, Evangelos Kalogerakis, Yunze Zeng

机构 * Roblox（罗布乐思） ； UMass Amherst（马萨诸塞大学阿默斯特分校） ； TU Crete（克里特理工大学） 纠错

AI总结 提出BLARM方法，无需骨骼等标注，通过融合刚性运动原语实现视频驱动的3D网格动画，经多任务训练可生成准确稳定且结构可解释的动画。

Evaluating Constrained Iterative Refinement for Scalable Vector Graphics Generation with Off-the-Shelf VLMs

评估用于可缩放矢量图形生成的约束迭代优化方法（基于现成的视觉语言模型）

Matthew Perlman, James Beetham, Niels Da Vitoria Lobo, Amrit Singh Bedi, Mubarak Shah

机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； University of Central Florida（中佛罗里达大学） 纠错

AI总结 本研究评估结合视觉反馈、结构化编辑与约束解码的约束迭代优化方法，探索用现成VLMs生成SVG的能力，发现约束解码提升编译成功率但VLMs存在视觉推理不足的局限。

Comments Accepted to Pacific Graphics 2026 Poster Track. 2 Pages. 2 Figures. 1 Table

Who Am I? History-Aware Profiles for Student Simulation in Tutoring Dialogues

我是谁？面向辅导对话中学生模拟的历史感知档案

Zhangqi Duan, Shuyan Huang, Alexander Scarlatos, Jaewook Lee, Simon Woodhead, Andrew Lan

机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Eedi 纠错

AI总结 提出历史条件的学生模拟任务，通过强化学习训练档案生成器和模拟器，利用学生历史信息准确预测对话轮次，在数学学习平台数据集上显著优于基线。

Comments Published in EMNLP 2026: The 2026 Conference on Empirical Methods in Natural Language Processing

Interactive Clarification for Cloud Infrastructure-as-Code Synthesis

Ambig-IaC：交互式云基础设施即代码合成的多级消歧

Zhenning Yang, Kaden Gruizenga, Tongyuan Miao, Patrick Tser Jern Kon, Hui Guan, Andrew Barto, Ang Chen

机构 * University of Michigan（密歇根大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） 纠错

AI总结 本文提出Ambig-IaC框架，通过多级消歧方法提升IaC配置生成的准确性，针对IaC配置的不可逆性，设计了基于结构分歧的评估框架，在结构和属性评估上分别提升18.4%和25.4%。

Comments Project homepage: https://zyang37.github.io/ambig-iac.github.io/