作者: Tong Mu, Yihao Liu, Mehran Armand
研究方向: 机器人操作与自然语言处理交叉领域
该研究提出了一种利用序列化有限状态机（FSM）进行语言条件化机器人操作的新框架，以解决当前机器人操作中示范数据覆盖不足的问题，特别是在需要长期、精确交互的任务中。
作者: Shibo Feng, Wanjin Feng, Xingyu Gao, Peilin Zhao, Zhiqi Shen
研究方向: 时间序列预测与神经形态计算
该研究提出了一种名为TS-LIF的新型时间序列预测的神经形态计算模型，该模型基于时间段漏电流积分和点火（TS-LIF）神经元架构，旨在克服传统漏电流积分（LIF）神经元在处理长期依赖性和多尺度时间动态方面的局限性。
作者: Ruinan Wang, Ian Nabney, Mohammad Golbabaee
研究方向: 深度学习中的超参数优化（HPO）
该研究提出了一个名为‘分组序列优化策略（GSOS）’的新的超参数优化方法，旨在通过利用超参数重要性评估（HIA）来加速深度学习中的超参数优化过程。
作者: Adam Labiosa, Josiah P. Hanna
研究方向: 机器人强化学习与多智能体协作
本文研究了在抽象模拟环境中通过多智能体强化学习（MARL）训练机器人协作行为，并使这些行为转移到物理机器人上。研究主要探索了抽象模拟器的适用性以及如何通过模拟器精确性和训练优化来实现模拟到现实的迁移。
作者: Pavel Surynek, Vojtěch Bubník, Lukáš Matěna, Petr Kubiš
研究方向: 3D打印、组合优化、机器人技术
本文研究了序列3D打印中的对象排列和调度问题，提出了一个基于线性算术公式的模型，并使用基于CEGAR的优化求解器进行求解。
作者: Reshabh K Sharma, Jonathan De Halleux, Shraddha Barke, Benjamin Zorn
研究方向: 人工智能与软件工程
本文研究了如何为大型语言模型（LLM）的提示生成自动测试，以提升其稳定性和鲁棒性。作者提出了PromptPex，一个基于LLM的工具，能够自动生成和评估针对特定提示的单元测试。该工具通过提取输入和输出规范来生成多样化的测试用例，并能够识别当提示更改时出现的回归问题。
作者: Shwai He, Weilin Cai, Jiayi Huang, Ang Li
研究方向: 大规模语言模型（LLM）的推理效率优化
该研究针对Mixture of Experts (MoE)架构在推理过程中存在的专家负载不均衡问题，即部分专家过载而其他专家未被充分利用，导致资源利用效率低下和延迟增加。研究提出了容量感知推理方法，通过丢弃过载专家的冗余令牌和重新路由令牌到未充分利用的专家，来优化MoE推理流程。
作者: Qingxuan Jia, Guoqin Tang, Zeyuan Huang, Zixuan Hao, Ning Ji, Shihang, Yin, Gang Chen
研究方向: 机器人视觉语言模型（VLM）在精密操作中的应用
本文提出了一种基于视觉语言模型（VLM）的渐进式规划算法，用于机器人精密操作。该算法通过将复杂任务分解为子动作，并维护任务记忆结构、2D拓扑图和3D空间网络等关键数据结构，实现了高精度的空间语义融合。这些组件共同积累和存储关键信息，为任务导向的VLM交互机制提供丰富的上下文，从而实现动态调整引导、生成精确动作计划和逐步错误纠正。
作者: Di Xu, Hengjie Liu, Xin Miao, Daniel O'Connor, Jessica E. Scholey, Wensha Yang, Mary Feng, Michael Ohliger, Hui Lin, Dan Ruan, Yang Yang, Ke Sheng
研究方向: 医学图像处理与重建
本文提出了一种基于隐式神经网络表示（k-GINR）的加速患者特异性非笛卡尔MRI重建方法。该方法通过在k空间直接进行重建，避免了图像域重建中常见的伪影和噪声问题，同时提高了重建速度和精度。
作者: Beyazit Yalcinkaya, Niklas Lauffer, Marcell Vazquez-Chanlatte, Sanjit A. Seshia
研究方向: 强化学习，表示学习，形式规范
本文研究了基于自动机的强化学习（Automata-Conditioned Reinforcement Learning），提出了一种理论框架，并证明了其可学习性。通过预训练和冻结自动机嵌入，实现了多任务策略学习的最优性。