University of Pennsylvania（宾夕法尼亚大学）

Digital Twin AI: Opportunities and Challenges from Large Language Models to World Models

数字孪生AI：从大语言模型到世界模型的机会与挑战

Rong Zhou, Dongping Chen, Zihan Jia, Yao Su, Yixin Liu, Yiwen Lu, Dongwei Shi, Yue Huang, Tianyang Xu, Yi Pan, Xinliang Li, Yohannes Abate, Qingyu Chen, Zhengzhong Tu, Yu Yang, Yu Zhang, Qingsong Wen, Gengchen Mai, Sunyang Fu, Jiachen Li, Xuyu Wang, Ziran Wang, Jing Huang, Tianming Liu, Yong Chen, Lichao Sun, Lifang He

机构 * Lehigh University（莱文斯顿大学） ； University of Maryland（马里兰大学） ； University of New South Wales（新南威尔士大学） ； Worcester Polytechnic Institute（沃思维尔理工学院） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Notre Dame（圣约翰大学） ； Columbia University（哥伦比亚大学） ； University of Georgia（佐治亚大学） ； Yale University（耶鲁大学） ； Texas A&M University（德克萨斯A&M大学） ； Stanford University（斯坦福大学） ； Squirrel Ai Learning ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Texas Health Science Center at Houston（德克萨斯大学健康科学中心休斯顿分校） ； University of California, Riverside（加州大学河滨分校） ； Florida International University（佛罗里达国际大学） ； Purdue University（普渡大学） ； Children’s Hospital of Philadelphia（费城儿童医院） 纠错

AI总结 本文提出统一的四阶段框架，探讨数字孪生中AI整合的机会与挑战，涵盖建模、镜像、干预和自主管理，强调大语言模型和基础模型的作用。

Aggressive Compression Enables LLM Weight Theft

激进压缩使大语言模型权重窃取成为可能

Davis Brown, Juan-Pablo Rivera, Dan Hendrycks, Mantas Mazeika

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Center for AI Safety（人工智能安全中心） 纠错

AI总结 本文研究了通过压缩使大语言模型权重窃取风险增加的问题，提出通过放松解压缩约束来提升窃取效率，并探讨了三种防御方法以降低窃取风险。

Comments An early version of this work was presented at the SoLAR Workshop at NeurIPS 2024

Is Grokking a Computational Glass Relaxation?

grokking是否是计算玻璃的松弛？

Xiaotian Zhang, Yue Shang, Entao Yang, Ge Zhang

机构 * Department of Physics, City University of Hong Kong（香港城市大学物理系） ； Department of Physics and Astronomy, University of Pennsylvania（宾夕法尼亚大学物理与天文学系） ； Innovation Campus Delaware, Air Liquide（Air Liquide创新校园） 纠错

AI总结 本文将grocking解释为计算玻璃松弛，提出无熵障碍的内存到泛化转变，并开发WanD优化器消除grocking，挑战传统理论并提出新优化器设计方向。

RNBF: Real-Time RGB-D Based Neural Barrier Functions for Safe Robotic Navigation

RNBF: 基于实时RGB-D的神经障碍函数用于安全机器人导航

Satyajeet Das, Yifan Xue, Haoming Li, Nadia Figueroa

机构 * University of Southern California（南加州大学） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 本文提出了一种实时RGB-D神经障碍函数框架，用于在未知环境中实现安全机器人导航，通过在线构建可微的SDFs并处理传感器噪声，提升导航安全性。

ADMM-MCBF-LCA: A Layered Control Architecture for Safe Real-Time Navigation

ADMM-MCBF-LCA：一种用于安全实时导航的分层控制架构

Anusha Srikanthan, Yifan Xue, Vijay Kumar, Nikolai Matni, Nadia Figueroa

机构 * School of Engineering and Applied Science, University of Pennsylvania（工程与应用科学学院，宾夕法尼亚大学） 纠错

AI总结 ADMM-MCBF-LCA通过分层控制架构实现安全实时导航，结合离线路径库和在线路径选择，确保在动态环境中安全完成任务。

Journal ref Proc. IEEE Int. Conf. Robot. Autom. (ICRA), 2025, pp. 9243-9250

No Minima, No Collisions: Combining Modulation and Control Barrier Function Strategies for Feasible Dynamic Collision Avoidance

无极小值、无碰撞：结合调制与控制屏障函数策略以实现可行的动态避障

Yifan Xue, Nadia Figueroa

机构 * Department of Mechanical Engineering and Applied Mechanics, University of Pennsylvania（机械工程与应用力学系，宾夕法尼亚大学） 纠错

AI总结 本文提出调制CBF-QP框架，结合调制与控制屏障函数策略，有效减少动态避障中的虚假平衡点，提升安全性和效率。