Adobe

Can We Break LLMs Out of Self-Loops? Fine-Grained Reasoning Control with Activation Steering

我们能否使大语言模型摆脱自我循环？通过激活引导实现细粒度推理控制

Sheldon Yu, Tong Yu, Xunyi Jiang, Rohan Surana, Gagan Mundada, Sungchul Kim, Lina Yao, Julian McAuley, Junda Wu

机构 * UC San Diego（加州大学圣地亚哥分校） ； Adobe Research（Adobe研究院） ； University of New South Wales（新南威尔士大学） 纠错

AI总结 研究大语言模型推理过程不可控问题，提出SOPHIA方法，通过将推理轨迹视为潜在状态序列，构建引导向量库，在推理时进行干预，可检测并防止自我循环，提升推理质量。

Feature-Guided Diffusion for Non-Differentiable Inverse Rendering

用于不可微逆渲染的特征引导扩散

Andrei-Timotei Ardelean, Michael Fischer, Tim Weyrich, Tomáš Iser

机构 * Adobe Research（Adobe研究） 纠错

AI总结 研究逆渲染问题，提出完全黑箱框架FIDE，通过特征引导，利用视觉Transformer提取特征训练扩散模型，结合CMA进化策略优化，在多种逆问题上验证，显著提升收敛速度并逃离局部最小值。

BACON: Budgeted Human Calibration for Modeling and Evaluation with Multiple AI Judges

BACON：用于多人工智能评判器建模与评估的预算人类校准

Lei Shi, Anlan Zhang, Rita Lyu, Zhengmian Hu, Tong Yu, David Arbour, Avi Feller, Saayan Mitra, Ritwik Sinha

机构 * Adobe Research（Adobe研究院） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 研究针对人工智能评判器输出有偏差等问题，提出BACON四阶段流程，结合预算人类校准与多人工智能评判器输出。通过构建辅助特征、收集人类标签训练模型，实现总体指标估计和个体级替代评分，提高了预测准确性等，提供实用评估框架。