Amazon（亚马逊）

A Frame is Worth One Token: Efficient Generative World Modeling with Delta Tokens

一个标记值得一个标记：高效生成世界建模与Delta标记

Tommie Kerssies, Gabriele Berton, Ju He, Qihang Yu, Wufei Ma, Daan de Geus, Gijs Dubbelman, Liang-Chieh Chen

机构 * Amazon（亚马逊） ； Eindhoven University of Technology（埃因霍温理工大学） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 本文提出DeltaTok和DeltaWorld，通过将视频特征差值编码为单个连续标记，实现高效生成世界建模，减少参数和计算量，提升预测多样性。

Comments CVPR 2026. Code and weights: https://deltatok.github.io

Optimizing LLM Prompt Engineering with DSPy Based Declarative Learning

基于DSPy的声明式学习优化大语言模型提示工程

Shiek Ruksana, Sailesh Kiran Kurra, Thipparthi Sanjay Baradwaj

机构 * Vasavi College of Engineering（瓦萨维工程学院） ； Amazon（亚马逊） ； Texas（德克萨斯州） 纠错

AI总结 本文提出基于DSPy的声明式学习方法，通过符号规划、无梯度优化和自动模块重写提升提示优化的可靠性、效率和泛化能力，实验显示事实准确率提升30-45%，幻觉率降低25%。

Comments Best paper Award ,IEEE International Conference on Emerging Smart Computing and Informatics (ESCI) Pune, India. Mar 11-13, 2026

Lighting Up or Dimming Down? Exploring Dark Patterns of LLMs in Co-Creativity

照亮还是熄灭？探索LLM在共创造中的暗模式

Zhu Li, Jiaming Qu, Yuan Chang

机构 * Not reflecting the authors’ positions at Meta/Amazon.（不反映作者在Meta/Amazon的职位。） 纠错

AI总结 研究探讨LLM在共创造中五种暗模式对人类创造力的影响，发现Sycophancy普遍存在，Anchoring受文学形式影响，提出AI设计需支持创造性写作。

IV Co-Scientist: Multi-Agent LLM Framework for Causal Instrumental Variable Discovery

IV共科学家：多智能体LLM框架用于因果工具变量发现

Ivaxi Sheth, Zhijing Jin, Bryan Wilder, Dominik Janzing, Mario Fritz

机构 * CISPA Helmholtz Center for Information Security（CISPA亥姆霍兹信息安全中心） ； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； Jinesis AI Lab（Jinesis AI实验室） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； EuroSafeAI ； Carnegie Mellon University（卡内基梅隆大学） ； Amazon（亚马逊） 纠错

AI总结 本文探讨LLM在发现因果工具变量中的作用，提出IV共科学家多智能体系统，通过测试和评估LLM恢复已知工具及避免无效工具的能力，展示LLM在大规模观测数据中发现有效工具的潜力。

Comments Paper accepted at CleaR 2026

Restore-R1: Efficient Image Restoration Agents via Reinforcement Learning with Multimodal LLM Perceptual Feedback

Restore-R1: 通过多模态大语言模型感知反馈的强化学习图像修复代理

Jianglin Lu, Yuanwei Wu, Ziyi Zhao, Hongcheng Wang, Felix Jimenez, Abrar Majeedi, Yun Fu

机构 * Amazon（亚马逊） ； Northeastern University（东北大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 本文提出Restore-R1框架，利用强化学习和多模态大语言模型感知反馈，高效解决图像修复问题，无需标注数据即可实现高质量修复。

Evolutionary Search for Automated Design of Uncertainty Quantification Methods

为不确定性量化方法的自动化设计应用进化搜索

Mikhail Seleznyov, Daniil Korbut, Viktor Moskvoretskii, Oleg Somov, Alexander Panchenko, Elena Tutubalina

机构 * AIRI ； Skoltech（斯科尔科沃科学技术学院） ； Amazon（亚马逊） ； EPFL（瑞士联邦理工学院洛桑） ； MIPT（莫斯科物理技术学院） 纠错

AI总结 本文通过LLM驱动的进化搜索自动发现无监督的不确定性量化方法，其在原子声明验证任务中优于手动设计的基线方法，且在分布外泛化方面表现稳健。

Hindsight-Anchored Policy Optimization: Turning Failure into Feedback in Sparse Reward Settings

回顾锚定策略优化：在稀疏奖励设置中将失败转化为反馈

Yuning Wu, Ke Wang, Devin Chen, Kai Wei

机构 * Amazon（亚马逊） 纠错

AI总结 本文提出HAPO策略优化方法，通过合成成功注入机制和 Thompson 采样启发的门控机制，解决稀疏奖励下策略优化的分布偏置问题，实现渐近一致性。

Comments Published as a conference paper ICLR 2026 CAO Workshop

DeepFact: Co-Evolving Benchmarks and Agents for Deep Research Factuality

DeepFact: 深度研究事实性共演基准与智能体

Yukun Huang, Leonardo F. R. Ribeiro, Momchil Hardalov, Bhuwan Dhingra, Markus Dreyer, Venkatesh Saligrama

机构 * Duke University（杜克大学） ； Amazon AGI（亚马逊AGI） ； Boston University（波士顿大学） 纠错

AI总结 本文提出DeepFact-Bench基准和DeepFact-Eval智能体，通过审计-评分机制提升事实性验证的可靠性，并在深度研究报告中实现高准确性。