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

Simulation-Aware In-Context Policy Improvement for LLM-Aided Analog Layout Refinement

面向LLM辅助的模拟电路版图优化的感知仿真上下文内策略改进

Bingyang Liu, Ziming Wei, Xiaohan Gao, David Z. Pan

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

AI总结 针对LLM辅助模拟版图优化的样本效率问题，提出感知仿真的LLM多智能体框架，通过上下文内策略改进，仅需数十次仿真即可提升后版图性能，优于生成器启发式规则与贝叶斯优化方法。

Comments 7 pages, 3 figures. To appear in the Proceedings of the 2026 International Conference on LLM-Aided Design (ICLAD 2026)

Learning Perceptual Representations for Gaming NR-VQA with Multi-Task FR Signals

学习用于游戏NR-VQA的多任务FR信号感知表示

Yu-Chih Chen, Michael Wang, Chieh-Dun Wen, Kai-Siang Ma, Avinab Saha, Li-Heng Chen, Alan Bovik

机构 * National Yang Ming Chiao Tung University ； The University of Texas at Austin ； Netflix Inc. 纠错

AI总结 本文提出MTL-VQA，通过多任务学习框架利用全参考信号学习感知特征，有效提升游戏视频无参考质量评估的性能。

Comments 6 pages, 2 figures, IEEE ICIP 2026