Adobe

Scale-free adaptive planning for deterministic dynamics & discounted rewards

无标度自适应规划用于确定性动力学与折扣奖励

Peter L. Bartlett, Victor Gabillon, Jennifer Healey, Michal Valko

机构 * University of California, Berkeley, USA（加州大学伯克利分校） ； Noah's Ark Lab, Huawei Technologies, London, UK（华为技术伦敦诺亚实验室） ； Adobe Research, San Jose, USA（Adobe研究实验室） ； SequeL team, INRIA Lille - Nord Europe, France（INRIA里尔-北欧洲SequeL团队） 纠错

AI总结 本文提出Platypoos算法，针对确定性动力学和折扣奖励的规划问题，提供改进的样本复杂度分析，并建立下界证明其最优性。

Comments 36th International Conference on Machine Learning (ICML 2019)

Journal ref Proceedings of the 36th International Conference on Machine Learning (ICML 2019)

Decisive: Guiding User Decisions with Optimal Preference Elicitation from Unstructured Documents

Decisive: 通过从非结构化文档中最优偏好引导用户决策

Akriti Jain, Anish Mulay, Divyansh Verma, Aishani Pandey, Pritika Ramu, Aparna Garimella

机构 * Adobe Research, India（Adobe印度研究实验室） ； IIT Madras（印度理工学院马德拉斯分校） ； IIT Roorkee（印度理工学院罗尔基分校） ； IIIT Hyderabad（Hyderabad印度理工学院） ； University of Maryland, College Park（马里兰大学学院公园分校） 纠错

AI总结 Decisive结合文档基础推理与贝叶斯偏好推断，通过主动引导用户回答成对权衡问题，提高决策准确性，实验表明其在多个领域优于传统方法和大语言模型。

Comments Accepted to ACL 2026 Main Conference

Heterogeneity in Formal Linguistic Competence of Language Models: Is Data the Real Bottleneck?

形式语言能力异质性：数据是否是真正的瓶颈？

H S V N S Kowndinya Renduchintala, Sumit Bhatia

机构 * Adobe Inc.（Adobe公司） ； Media and Data Science Research（媒体与数据科学研究） 纠错

AI总结 本研究探讨语言模型在形式语言能力上的差异是否源于架构限制或数据稀缺，通过干预性数据增强显著提升了模型在8个最差BLiMP任务上的表现。

Comments ACL'26 (Findings)

ArgBench: Benchmarking LLMs on Computational Argumentation Tasks

ArgBench：对计算论证任务的LLM基准测试

Yamen Ajjour, Carlotta Quensel, Nedim Lipka, Henning Wachsmuth

机构 * Leibniz University Hannover（汉诺威莱布尼茨大学） ； Adobe Research（Adobe研究） 纠错

AI总结 本文提出ArgBench，首个用于评估LLM在计算论证任务中性能的基准，涵盖33个数据集，评估五种LLM家族在46种任务中的泛化能力，分析少样本示例、推理步骤、模型大小和训练技能对性能的影响。

EditVerse: Unifying Image and Video Editing and Generation with In-Context Learning

EditVerse：通过上下文学习统一图像和视频编辑与生成

Xuan Ju, Tianyu Wang, Yuqian Zhou, He Zhang, Qing Liu, Nanxuan Zhao, Zhifei Zhang, Yijun Li, Yuanhao Cai, Shaoteng Liu, Daniil Pakhomov, Zhe Lin, Soo Ye Kim, Qiang Xu

机构 * Adobe Research（Adobe研究院） ； CUHK（中国香港大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Shenzhen Loop Area Institute（深圳河套学院） 纠错

AI总结 本文提出EditVerse框架，通过统一token序列实现图像和视频生成编辑，利用自注意力机制实现跨模态知识迁移，实验表明其在视频编辑任务中达到SOTA水平。

Lizard: An Efficient Linearization Framework for Large Language Models

Lizard：一种高效的大型语言模型线性化框架

Chien Van Nguyen, Huy Nguyen, Ruiyi Zhang, Hanieh Deilamsalehy, Puneet Mathur, Viet Dac Lai, Haoliang Wang, Jayakumar Subramanian, Ryan A. Rossi, Trung Bui, Nikos Vlassis, Franck Dernoncourt, Thien Huu Nguyen

机构 * University of Oregon（俄勒冈大学） ； Adobe Research（Adobe研究院） 纠错

AI总结 Lizard提出一种高效线性化框架，将预训练的Transformer大型语言模型转换为亚二次架构，通过亚二次注意力机制提升计算效率，实现模型质量与内存控制的平衡。

Comments ACL 2026 (Main)