University of Pennsylvania（宾夕法尼亚大学）

NovaPlan: Zero-Shot Long-Horizon Manipulation via Closed-Loop Video Language Planning

NovaPlan: 通过闭环视频语言规划实现零样本长周期操控

Jiahui Fu, Junyu Nan, Lingfeng Sun, Hongyu Li, Jianing Qian, Jennifer L. Barry, Kris Kitani, George Konidaris

机构 * Robotics and AI Institute（机器人与人工智能研究所） ； Carnegie Mellon University（卡内基梅隆大学） ； Brown University（布朗大学） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 NovaPlan通过闭环视频语言规划实现零样本长周期操控，结合高层任务分解与底层物理执行，无需先验演示即可完成复杂装配任务。

Comments 25 pages, 15 figures. Project webpage: https://nova-plan.github.io/

Reliable Abstention under Adversarial Injections: Tight Lower Bounds and New Upper Bounds

在对抗性注入下的可靠回避：紧的下界和新的上界

Ezra Edelman, Surbhi Goel

机构 * University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 本文研究了对抗性注入下的可靠回避问题，证明了VC维为1时的下界，并引入了基于鲁棒见证者的框架，首次为半空间类提供了分布无关的误差界。

Recurrent Equivariant Constraint Modulation: Learning Per-Layer Symmetry Relaxation from Data

循环等变约束调节：从数据中学习每层对称性放松

Stefanos Pertigkiozoglou, Mircea Petrache, Shubhendu Trivedi, Kostas Daniilidis

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Fermi National Accelerator Laboratory（费米国家加速器实验室） 纠错

AI总结 RECM通过从数据中学习每层对称性放松水平，提高等变神经网络的泛化能力与学习效率。

Improving the Trade-off Between Watermark Strength and Speculative Sampling Efficiency for Language Models

提升语言模型中水印强度与推测采样效率之间的权衡

Weiqing He, Xiang Li, Li Shen, Weijie Su, Qi Long

机构 * University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 本文提出了一种提升语言模型中水印强度与推测采样效率之间权衡的方法，通过定量指标和系统机制实现两者的平衡。

Comments Accepted at ICLR 2026

Calibrating Large Language Models with Sample Consistency

通过样本一致性校准大型语言模型

Qing Lyu, Kumar Shridhar, Chaitanya Malaviya, Li Zhang, Yanai Elazar, Niket Tandon, Marianna Apidianaki, Mrinmaya Sachan, Chris Callison-Burch

机构 * University of Pennsylvania（宾夕法尼亚大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of Washington（华盛顿大学） ； Allen Institute for AI（人工智能研究院） 纠错

AI总结 通过样本一致性方法提升大型语言模型的校准效果，改进其预测置信度评估和性能表现。

Comments AAAI 2024