Amazon（亚马逊）

Optimal and Scalable MAPF via Multi-Marginal Optimal Transport and Schrödinger Bridges

通过多边际最优传输和薛定谔桥实现最优且可扩展的多智能体路径规划

Usman A. Khan, Joseph W. Durham

机构 * Amazon Robotics（亚马逊机器人技术） 纠错

AI总结 本文将匿名多智能体路径规划问题转化为具有马尔可夫结构的多边际最优传输问题，通过概率框架和薛定谔桥方法实现线性规划，从而在保持最优性的同时显著降低计算复杂度。

Comments Accepted in ICML 2026 as a spotlight paper

Model Merging Scaling Laws in Large Language Models

大语言模型中的模型合并缩放规律

Yuanyi Wang, Yanggan Gu, Yiming Zhang, Qi Zhou, Zhaoyi Yan, Congkai Xie, Xinyao Wang, Jianbo Yuan, Hongxia Yang

机构 * The Hong Kong Polytechnic University (PolyU)（香港理工大学） ； Amazon（亚马逊） ； Innovation Research Institute（创新研究院） 纠错

AI总结 研究语言模型合并的缩放规律，发现模型大小与专家数量间存在幂律关系，揭示合并收益随专家数量增加而递减的规律，为模型合并提供可预测的规划方法。

Comments ICML 2026

Statistical Scouting Finds Debate-Safe but Not Debate-Useful Cases: A Matched-Ceiling Study of Open-Weight LLM Reasoning Protocols

统计 scouting 找到辩论安全但不实用的案例：开放权重 LLM 推理协议的匹配天花板研究

Julia Hu, Alfred Shen, Kumar Lakshmipathi

机构 * Amazon Web Services（亚马逊网络服务） 纠错

AI总结 研究探讨在生成 token 数限制下，不同推理协议的路由头寸及恢复潜力，发现辩论安全性和实用性不一致，需更复杂的信号来优化。

Comments 14 pages, 5 figures. Technical report / preprint

Expert Upcycling: Shifting the Compute-Efficient Frontier of Mixture-of-Experts

专家再利用：移动专家架构的计算高效前沿转移

Chaitanya Dwivedi, Binxuan Huang, Himanshu Gupta, Pratik Jayarao, Neeraj Varshney, Bing Yin

机构 * Amazon Stores Foundation AI（亚马逊商店基金会人工智能） ； Carnegie Mellon University（卡内基梅隆大学） ； Anthropic 纠错

AI总结 本文提出专家再利用方法，通过持续预训练逐步扩展MoE模型容量，降低训练成本，实验显示在7B-13B参数规模下，模型验证损失与基线相当，节省32%的GPU小时。

Comments 9 Pages in main paper, 29 Pages total

LACE: Lattice Attention for Cross-thread Exploration

LACE：用于跨线探索的晶格注意力

Yang Li, Zirui Zhang, Yang Liu, Chengzhi Mao

机构 * Amazon AGI Labs（亚马逊人工通用智能实验室） 纠错

AI总结 LACE通过引入跨线注意力机制，使大语言模型在推理过程中实现协同合作，提升推理准确性达7个百分点。

Comments 22 pages, 15 figures

MICA: Multivariate Infini Compressive Attention for Time Series Forecasting

MICA：多变量无限压缩注意力用于时间序列预测

Willa Potosnak, Nina Żukowska, Michał Wiliński, Dan Howarth, Ignacy Stępka, Mononito Goswami, Artur Dubrawski

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Amazon（亚马逊） 纠错

AI总结 MICA通过引入跨通道注意力机制，提升多变量时间序列预测的效率与准确性，显著降低预测误差，优于传统Transformer模型。

TSNN: A Non-parametric and Interpretable Framework for Traffic Time Series Forecasting

TSNN：一种非参数且可解释的交通时间序列预测框架

Bowen Liu, Haijian Lai, Chan-Tong Lam, Junhao Dong, Benjamin Ng, Wei Ke, Sio-Kei Im

机构 * Faculty of Applied Sciences, Macao Polytechnic University（应用科学学院，澳门理工学院） ； Amazon Web Services, Inc.（亚马逊网络服务公司） ； Macao Polytechnic University（澳门理工学院） 纠错

AI总结 TSNN通过解耦时间序列提升预测精度，采用非参数方法保持模型简洁，实验显示其在四个真实交通数据集上表现优异，且能可视化解耦过程和模型可解释性。

Comments Accepted by IEEE Transactions on Knowledge and Data Engineering

DARE: Difficulty-Adaptive Reinforcement Learning with Co-Evolved Difficulty Estimation

DARE: 基于共进化难度估计的难度自适应强化学习

Yang Zhou, Can Jin, Zihan Dong, Zhepeng Wang, Yanting Yang, Shiyu Zhao, Lei Li, Runxue Bao, Yaochen Xie, Dimitris N. Metaxas

机构 * Rutgers University（罗杰斯大学） ； Amazon（亚马逊） ； Washington University（华盛顿大学） ； Google（谷歌） 纠错

AI总结 DARE通过自归一化重要性采样和对称Beta分布实现政策与难度估计的共进化，提升训练效率和推理效率，使模型在易任务中生成更简洁响应，在难任务中提高正确性。

In-Context Fixation: When Demonstrated Labels Override Semantics in Few-Shot Classification

上下文固定：在少样本分类中演示标签覆盖语义

Ming Liu

机构 * Amazon（亚马逊） 纠错

AI总结 研究发现演示标签的同质性会降低少样本学习的准确率，揭示了模型在检索词汇时的约束机制，通过实验分解固定为格式和内容层面的组件。

Comments 12 pages (10 main + 2 appendix), 4 figures, 5 tables

NoiseRater: Meta-Learned Noise Valuation for Diffusion Model Training

NoiseRater: 用于扩散模型训练的元学习噪声估值

Fang Wu, Haokai Zhao, Da Xing, Hanqun Cao, Tinson Xu, Yanchao Li, Xiangru Tang, Zehong Wang, Aaron Tu, Kuan Pang, Hanchen Wang, Hongbin Lin, Zeqi Zhou, Yinxi Li, Peng Xia, Li Erran Li, Molei Tao, Jure Leskovec, Aditya Joshi, Yejin Choi

机构 * Stanford University（斯坦福大学） ； UNSW（新南威尔士大学） ； UCL（伦敦大学学院） ； The University of Chicago（芝加哥大学） ； CUHK（香港中文大学） ； Nanjing University（南京大学） ； Brown University（布朗大学） ； Yale University（耶鲁大学） ； University of Notre Dame（Notre Dame 大学） ； University of Waterloo（滑铁卢大学） ； UCB（加州大学伯克利分校） ； Georgia Technology（佐治亚理工学院） ； Amazon（亚马逊） 纠错

AI总结 本文提出NoiseRater，通过元学习实现实例级噪声估值，提升扩散模型训练效率和生成质量。