Amazon（亚马逊）

Rethinking Evaluation for LLM Hallucination Detection: A Desiderata, A New RAG-based Benchmark, New Insights

重新思考LLM幻觉检测的评估：一种需求清单，一个新的基于RAG的基准，新的见解

Wenbo Chen, Veena Padmanabhan, Tootiya Giyahchi, Elaine Wong, Leman Akoglu

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

AI总结 本文提出了一种基于RAG的新型基准T RIVIA+，填补了现有基准在长上下文和噪声标签方面的空白，并通过实验揭示了当前检测器在RAG基准上的改进空间。

Comments ACL 2026 main conference

Internalizing Curriculum Judgment for LLM Reinforcement Fine-Tuning

将课程判断内部化以优化大语言模型强化微调

Han Zheng, Yining Ma, Karthick Gunasekaran, Bharathan Balaji, Zheng Du, Shiv Vitaladevuni, Cathy Wu

机构 * MIT（麻省理工学院） ； Amazon AGI（亚马逊人工智能实验室） 纠错

AI总结 本文提出METIS框架，通过内部化课程判断提升LLM强化微调效率与性能，利用训练结果动态分配训练资源，实现闭环优化。

Stopping Computation for Converged Tokens in Masked Diffusion-LM Decoding

在掩码扩散语言模型解码中停止收敛令牌的计算

Daisuke Oba, Danushka Bollegala, Masahiro Kaneko, Naoaki Okazaki

机构 * Institute of Science Tokyo（东京科学研究所） ； University of Liverpool（利物浦大学） ； Amazon（亚马逊） ； MBZUAI 纠错

AI总结 本文提出SureLock方法，通过锁定稳定位置以减少计算开销，提升解码效率，实验证明在LLaDA-8B上节省30-50%的FLOPs同时保持生成质量。

Comments Accepted to ICLR 2026

Understanding the Performance Gap in Preference Learning: A Dichotomy of RLHF and DPO

理解偏好学习中的性能差距：RLHF和DPO的二元性

Ruizhe Shi, Minhak Song, Runlong Zhou, Zihan Zhang, Maryam Fazel, Simon S. Du

机构 * University of Washington（华盛顿大学） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； Amazon Inc.（亚马逊公司） 纠错

AI总结 本文分析RLHF和DPO性能差距的来源，揭示模型规格误差对方法选择的影响，指出在线DPO在特定条件下优于其他方法，揭示两阶段学习的统计优势。

Comments ICML accepted version