University of Texas at Austin（得克萨斯大学奥斯汀分校）

Multi-agent Coordination via Flow Matching

通过流匹配实现多智能体协调

Dongsu Lee, Daehee Lee, Amy Zhang

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Sungkyunkwan University（松均大学） 纠错

AI总结 MAC-Flow通过流匹配方法实现多智能体协调，平衡了性能与计算效率，显著提升推理速度的同时保持良好表现。

Comments ICLR 2026

Gradient flow in parameter space is equivalent to linear interpolation in output space

参数空间中的梯度流等价于输出空间中的线性插值

Thomas Chen, Patrícia Muñoz Ewald

机构 * Department of Mathematics, University of Texas at Austin, Austin TX 78712, USA（德克萨斯大学奥斯汀分校数学系） 纠错

AI总结 本文证明参数空间中的梯度流等价于输出空间中的线性插值，并为$L^{2}$和交叉熵损失分别推导了全局最小值的条件和公式。

Comments To appear in Journal of Geometry and Physics

Journal ref J. Geom. Phys., 222, Article No. 105765 (2026)

Test-Time Anchoring for Discrete Diffusion Posterior Sampling

测试时锚定用于离散扩散后验采样

Litu Rout, Andreas Lugmayr, Yasamin Jafarian, Srivatsan Varadharajan, Constantine Caramanis, Sanjay Shakkottai, Ira Kemelmacher-Shlizerman

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Google（谷歌） 纠错

AI总结 本研究提出锚定后验采样方法，通过量化期望和锚定重掩码实现离散扩散模型在后验采样中的高效和精确采样，提升图像生成和文本引导编辑的性能。

Comments Preprint

Foundation Models for Logistics: Toward Certifiable, Conversational Planning Interfaces

物流领域的基础模型：迈向可验证、对话式规划界面

Yunhao Yang, Neel P. Bhatt, Christian Ellis, Samuel Li, Alvaro Velasquez, Zhangyang Wang, Ufuk Topcu

机构 * Neurosymbolic Intelligence（神经符号智能） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Colorado Boulder（科罗拉多大学波德分校） 纠错

AI总结 本文提出了一种基于神经符号框架的视觉-语言物流代理，通过自然语言对话和可验证保证实现可信赖的物流规划决策，模型在少量训练样本下实现了高效且准确的物流规划性能。