Amazon（亚马逊）

RuleForge: Automated Generation and Validation for Web Vulnerability Detection at Scale

RuleForge: 用于大规模Web漏洞检测的自动化生成与验证

Ayush Garg, Sophia Hager, Jacob Montiel, Aditya Tiwari, Michael Gentile, Zach Reavis, David Magnotti, Wayne Fullen

机构 * Johns Hopkins University（约翰霍普金斯大学） ； Amazon Web Services（亚马逊云服务） 纠错

AI总结 RuleForge通过自动化生成基于JSON的检测规则，结合LLM作为判断系统和反馈机制，提升漏洞检测的准确性和效率，减少误报。

Comments 11 pages, 10 figures. To be submitted to CAMLIS 2026

MM-ReCoder: Advancing Chart-to-Code Generation with Reinforcement Learning and Self-Correction

MM-ReCoder：通过强化学习和自我校正推进图表到代码生成

Zitian Tang, Xu Zhang, Jianbo Yuan, Yang Zou, Varad Gunjal, Songyao Jiang, Davide Modolo

机构 * Brown University（布朗大学） ； Amazon AGI（亚马逊AGI） 纠错

AI总结 MM-ReCoder通过强化学习和自我校正机制提升图表到代码生成能力，其两阶段多轮自我校正策略基于Group Relative Policy Optimization，提升代码准确性和可执行性。

Comments CVPR 2026

The Illusion of AI Expertise Under Uncertainty: Navigating Elusive Ground Truth via a Probabilistic Paradigm

人工智能专家能力的幻觉：通过概率范式导航 elusive 的真实地面真相

Aparna Elangovan, Lei Xu, Mahsa Elyasi, Ismail Akdulum, Mehmet Aksakal, Enes Gurun, Brian Hur, Saab Mansour, Ravid Shwartz Ziv, Karin Verspoor, Dan Roth

机构 * Independent Researcher（独立研究员） ； Amazon（亚马逊） ； Gazi University（加齐大学） ； University of Colorado（科罗拉多大学） ； Samsun University（萨姆松大学） ； The University Of Melbourne（墨尔本大学） ； New York University（纽约大学） ； RMIT University（皇家墨尔本理工大学） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 本文提出概率范式，揭示高置信度真实答案对专家高分的必要性，指出在真实答案变化大的数据集中，随机标注者与专家表现差异不大，强调在低专家表现时，按真实答案概率分层评估至关重要。