Amazon（亚马逊）

Paper Circle: An Open-source Multi-agent Research Discovery and Analysis Framework

Paper Circle：一个开源的多智能体研究发现与分析框架

Komal Kumar, Aman Chadha, Salman Khan, Fahad Shahbaz Khan, Hisham Cholakkal

机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； AWS Generative AI Innovation Center, Amazon Web Services（亚马逊云科技生成式AI创新中心） 纠错

AI总结 本文提出Paper Circle，一个开源多智能体研究发现与分析框架，通过多智能体系统降低学术文献查找、评估和理解的难度，结合发现与分析流程，生成结构化输出。

Comments 19 pages, 7 figures, 8 tables, ACL main (Oral)

Vision-Guided Iterative Refinement for Frontend Code Generation

基于视觉引导的前端代码生成迭代精修

Hannah Sansford, Derek H. C. Law, Wei Liu, Abhishek Tripathi, Niresh Agarwal, Gerrit J. J. van den Burg

机构 * School of Mathematics, University of Bristol, UK（英国布里斯托大学数学学院） ； Amazon AGI（亚马逊AGI） 纠错

AI总结 本文提出一种全自动的批评者循环框架，利用视觉语言模型提供结构化反馈以指导代码生成的迭代优化，实验证明其在前端开发中能显著提升代码质量。

Comments Accepted at ICLR 2026 Workshop on AI with Recursive Self-Improvement

Poison Once, Exploit Forever: Environment-Injected Memory Poisoning Attacks on Web Agents

一次投毒，永久利用：针对网络代理的环境注入内存投毒攻击

Wei Zou, Mingwen Dong, Miguel Romero Calvo, Shuaichen Chang, Jiang Guo, Dongkyu Lee, Xing Niu, Xiaofei Ma, Yanjun Qi, Jiarong Jiang

机构 * Pennsylvania State University（宾夕法尼亚州立大学） ； Amazon Web Services（亚马逊云服务） 纠错

AI总结 研究提出eTAMP攻击，通过环境观察污染代理内存，实现跨会话和跨网站的持久化攻击，实验显示攻击成功率高达32.5%，且环境压力下代理易受攻击，高能力模型同样存在漏洞。

Learn to Rank: Visual Attribution by Learning Importance Ranking

学习排名：通过学习重要性排名进行视觉归因

David Schinagl, Christian Fruhwirth-Reisinger, Alexander Prutsch, Samuel Schulter, Horst Possegger

机构 * Institute of Visual Computing, Graz University of Technology（格拉茨技术大学视觉计算研究所） ； Amazon（亚马逊） 纠错

AI总结 本文提出了一种学习方法，通过直接优化删除和插入度量来生成视觉归因图，改进了传统方法在效率、因果性和解释精度上的平衡。

Training LLMs for Multi-Step Tool Orchestration with Constrained Data Synthesis and Graduated Rewards

通过受限数据合成和渐进奖励训练LLM进行多步骤工具协调

Cheng Jiayang, Xin Liu, Zhihan Zhang, Haoyang Wen, Zixuan Zhang, Qingyu Yin, Shiyang Li, Priyanka Nigam, Bing Yin, Chao Zhang, Yangqiu Song

机构 * Amazon Services Inc.（亚马逊服务公司） ； Department of Computer Science and Engineering, HKUST（香港科技大学计算机科学与工程系） ； School of Computational Science and Engineering, Georgia Institute of Technology（佐治亚理工学院计算科学与工程学院） 纠错

AI总结 本文提出强化学习框架解决LLM多步骤工具协调难题，通过构建确定性环境和渐进奖励机制提升执行准确率，并在不同API生态中实现技能迁移。

Comments Under Review

MoCHA: Denoising Caption Supervision for Motion-Text Retrieval

MoCHA：用于运动-文本检索的去噪标签监督

Nikolai Warner, Cameron Ethan Taylor, Irfan Essa, Apaar Sadhwani

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Amazon（亚马逊） 纠错

AI总结 MoCHA通过将文本转换为运动可恢复内容的先验分布，减少运动-文本嵌入方差，提升跨数据集迁移性能。

DeepSearch: Overcome the Bottleneck of Reinforcement Learning with Verifiable Rewards via Monte Carlo Tree Search

DeepSearch: 通过蒙特卡洛树搜索克服强化学习中的瓶颈问题

Fang Wu, Weihao Xuan, Heli Qi, Ximing Lu, Aaron Tu, Li Erran Li, Yejin Choi

机构 * Stanford University（斯坦福大学） ； University of Tokyo（东京大学） ； RIKEN AIP（日本理化学研究所革新智能研究中心） ； UC Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学） ； Amazon AWS（亚马逊云科技） 纠错

AI总结 DeepSearch通过将蒙特卡洛树搜索整合到强化学习中，解决探索不足的问题，提升数学推理能力，实验显示其在推理任务中达到62.95%的准确率，且效率显著高于传统方法。