Amazon（亚马逊）

CoQuant: Joint Weight-Activation Subspace Projection for Mixed-Precision LLMs

CoQuant：混合精度LLM的联合权重-激活子空间投影

Zhe Ding, Su Pan, Duowei Pan

机构 * School of Internet of Things, Nanjing University of Posts and Telecommunications（南京邮电大学物联网学院） ； Amazon AGI（亚马逊人工智能） 纠错

AI总结 CoQuant通过联合建模权重和激活的子空间，提升混合精度LLM的量化效果，在WikiText perplexity和零样本常识推理准确率上优于现有方法。

Comments 14 pages, 3 figures

Breaking the Autoregressive Chain: Hyper-Parallel Decoding for Efficient LLM-Based Attribute Value Extraction

打破自回归链：用于高效LLM属性值提取的超并行解码

Theodore Glavas, Nikhita Vedula, Dushyanta Dhyani, Yilun Zhu, Shervin Malmasi

机构 * Amazon.com, Inc.（亚马逊公司） ； McGill University（麦吉尔大学） ； Mila - Quebec AI Institute（魁北克AI研究所） ； Int. Lab. Learning Systems（学习系统国际实验室） 纠错

AI总结 本文提出超并行解码方法，通过利用共享内存和计算实现批量并行，提升属性值提取任务的效率，减少推理成本和时间，适用于多种独立输出结构的场景。

Can LLM Agents Simulate Multi-Turn Human Behavior? Evidence from Real Online Customer Behavior Data

LLM代理能否模拟多轮人类行为？基于真实在线客户行为数据的证据

Yuxuan Lu, Jing Huang, Yan Han, Bingsheng Yao, Sisong Bei, Jiri Gesi, Yaochen Xie, Yisi Sang, Zheshen, Wang, Qi He, Dakuo Wang

机构 * Northeastern University（东北大学） ； Amazon.com, Inc.（亚马逊公司） 纠错

AI总结 本文通过购物案例研究，首次对先进LLM在模拟人类行为方面的准确性进行大规模定量评估，发现基于提示的LLM仅能生成11.86%的人类行为，通过微调提升至17.26%和33.86%的F1分数，建立首个严谨的基准。