Adobe

Can LLMs Judge Better Than They Generate? Evaluating Task Asymmetry, Mechanistic Interpretability and Transferability for In-Context QA

LLM能否比生成更好地判断？探究上下文问答中的任务不对称性、机制可解释性与可迁移性

Sambaran Bandyopadhyay

机构 * Adobe Research（Adobe研究院） 纠错

AI总结 本研究在受控上下文问答中测试LLM自我评估是否比生成更容易，发现评估并非普遍更易，注意力分析显示评估对上下文关注更少，微调实验证实不对称性非训练伪影，挑战了自我评估管线的核心假设。

Comments 18 pages

Do Speech Emphasis Models Generalize across Languages and Emotions?

语音强调模型能否跨语言和情感泛化？

Megan Wei, Deepali Aneja, Jiaqi Su, Yunyun Wang, Haonan Chen, Zeyu Jin

机构 * Adobe Research, USA（Adobe研究院，美国） ； Brown University, USA（布朗大学，美国） 纠错

AI总结 本文构建多语言多情感强调语料库MMEE，通过跨语言、跨情感等实验发现单语模型零样本迁移有限，而多语言训练显著提升鲁棒性。

Comments Interspeech 2026

Odyssey: Constructing Verifiable Local Truth-Preserving Foundation Models

Odyssey: 构建可验证的局部保真基础模型

Sridhar Mahadevan

机构 * Adobe Research（Adobe 研究院） ； University of Massachusetts, Amherst（马萨诸塞大学阿默斯特分校） 纠错

AI总结 提出一种名为ODYSSEY的范畴论框架，通过组合“foundries”构建可验证的局部保真基础模型，并引入Universal Foundry Learning和Foundry SQL实现形式化构造与查询。

Comments 34 pages

Benchmarking Multi-Modal Graph-based Social Media Popularity Prediction

基于多模态图的社交媒体流行度预测基准测试

Utkarsh Sahu, Zhisheng Qi, Li Zhu, Yizhao Yang, Jun Li, Ryan Rossi, Yu Wang

机构 * University of Oregon（俄勒冈大学） ； University of Georgia（佐治亚大学） ； Adobe Research（Adobe研究） 纠错

AI总结 提出统一的多模态图基准MMG-Pop和模型MMG-PopNet，联合建模文本、视觉、时间与社交交互信号，在Bluesky和Reddit数据集上验证了跨平台泛化与多模态贡献。

The Curse of Multiple Mediators: Hidden Interaction Effects in Activation Patching

多重中介者的诅咒：激活补丁中的隐藏交互效应

Sankaran Vaidyanathan, David Arbour, Aaron Mueller, Scott Niekum, David Jensen

机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Adobe Research（Adobe研究院） ； Boston University（波士顿大学） 纠错

AI总结 本文从因果中介分析重新推导激活补丁估计量，发现自然间接效应包含交互效应，导致组件因果重要性评估偏差，并提出交互效应作为可解释性诊断工具。

SciFig: Towards Automating Editable Figure Generation for Scientific Papers

SciFig：面向科学论文的可编辑图形自动生成

Siyuan Huang, Yifan Zhou, Yutong Gao, Zi Yin, Juyang Bai, Xinxin Liu, Rama Chellappa, Chun Pong Lau, Cheng Peng, Sayan Nag, Shraman Pramanick

机构 * Johns Hopkins University（约翰霍普金斯大学） ； Zhejiang University（浙江大学） ； Independant Researcher（独立研究者） ； Tsinghua University（清华大学） ； University of Central Florida（佛罗里达中央大学） ； City University of Hong Kong（香港城市大学） ； Adobe Research（Adobe研究） 纠错

AI总结 提出SciFig多智能体框架，从科学文本自动生成可编辑的高质量方法图，通过分解规划、布局、渲染和迭代优化，在435个基准上优于基线，平均10分钟生成可编辑图形。