Amazon（亚马逊）

Towards Realistic and Consistent Orbital Video Generation via 3D Foundation Priors

通过3D基础先验实现逼真且一致的轨道视频生成

Rong Wang, Ruyi Zha, Ziang Cheng, Jiayu Yang, Pulak Purkait, Hongdong Li

机构 * Australian National University（澳大利亚国立大学） ； Amazon（亚马逊） 纠错

AI总结 本文提出利用3D基础生成模型的丰富形状先验作为辅助约束，以生成几何逼真且一致的轨道视频，通过多尺度latent特征提升生成效率和形状真实感。

Comments Accepted to CVPR 2026

Labeled TrustSet Guided: Batch Active Learning with Reinforcement Learning

带标签的TrustSet引导：基于强化学习的批量主动学习

Guofeng Cui, Yang Liu, Pichao Wang, Hankai Hsu, Xiaohang Sun, Xiang Hao, Zhu Liu

机构 * Prime Video, Amazon（亚马逊Prime视频） ； Nvidia（英伟达） 纠错

AI总结 本文提出BRAL-T框架，结合TrustSet和强化学习，解决批量主动学习中样本选择的不确定性与多样性平衡问题，提升模型性能和数据效率。

Comments Published as a conference paper at IJCNN 2026

VidTAG: Temporally Aligned Video to GPS Geolocalization with Denoising Sequence Prediction at a Global Scale

VidTAG: 全球范围内基于时间对齐的视频到GPS地理定位与去噪序列预测

Parth Parag Kulkarni, Rohit Gupta, Prakash Chandra Chhipa, Mubarak Shah

机构 * Institute of Artificial Intelligence, University of Central Florida（人工智能研究所，中央佛罗里达大学） ； Luleå Tekniska Universitet（卢勒奥理工大学） ； Amazon Prime Video Science（亚马逊Prime视频科学） 纠错

AI总结 VidTAG通过双编码器框架实现视频到GPS的细粒度地理定位，结合自监督与语言对齐特征，利用TempGeo和GeoRefiner模块提升时间一致性，优于基线模型20%并在全球粗粒度任务中超越现有方法25%。

Comments Accepted at CVPR 2026

Long-Horizon Plan Execution in Large Tool Spaces through Entropy-Guided Branching

在大规模工具空间中通过熵引导分支实现长周期计划执行

Rongzhe Wei, Ge Shi, Min Cheng, Na Zhang, Pan Li, Sarthak Ghosh, Vaibhav Gorde, Leman Akoglu

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

AI总结 本文提出熵引导分支算法，解决大规模工具库中长周期任务执行的挑战，通过动态扩展高预测熵的决策分支，提升任务成功率和计算效率。

Comments This work was completed during an internship at Amazon

SIR-Bench: Evaluating Investigation Depth in Security Incident Response Agents

SIR-Bench：评估安全事件响应代理的调查深度

Daniel Begimher, Cristian Leo, Jack Huang, Pat Gaw, Bonan Zheng

机构 * Amazon Web Services（亚马逊网络服务） 纠错

AI总结 本文提出SIR-Bench基准，通过794个测试用例评估自主安全事件响应代理的调查能力，包含三类指标：分诊准确率、新证据发现率和工具使用恰当性。

Comments 9 pages, 6 tables, 1 figure. Equal contribution by first three authors

Benchmarking Deflection and Hallucination in Large Vision-Language Models

对大视觉-语言模型中偏移和幻觉的基准测试

Nicholas Moratelli, Christopher Davis, Leonardo F. R. Ribeiro, Bill Byrne, Gonzalo Iglesias

机构 * University of Modena and Reggio Emilia（摩德纳和雷吉奥艾米利亚大学） ； Amazon AGI（亚马逊人工智能实验室） ； University of Cambridge（剑桥大学） 纠错

AI总结 本文提出VLM-DeflectionBench基准，通过2775个样本评估模型在冲突或不足证据下的行为，揭示模型在面对噪声或误导性证据时的偏移能力不足，为可靠的KB-VQA评估提供可扩展的基准。

Comments Accepted to ACL 2026

Uncertainty Quantification in CNN Through the Bootstrap of Convex Neural Networks

通过凸神经网络的自助法进行CNN的不确定性量化

Hongfei Du, Emre Barut, Fang Jin

机构 * The George Washington University（乔治华盛顿大学） ； Amazon.com, Inc.（亚马逊公司） 纠错

AI总结 本文提出基于凸神经网络的自助法框架，用于提升CNN预测不确定性的理论一致性，通过减少计算负载和引入迁移学习方法，在多个图像数据集上表现更优。

Comments 9 pages, 1 figure. Accepted at AAAI 2021

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 35(13): 12078-12085, 2021