Amazon（亚马逊）

What Does LLM Refinement Actually Improve? A Systematic Study on Document-Level Literary Translation

LLM精细化实际提升了什么？对文档级文学翻译的系统研究

Shaomu Tan, Dawei Zhu, Ke Tran, Michael Denkowski, Sony Trenous, Bill Byrne, Leonardo Ribeiro, Felix Hieber

机构 * University of Amsterdam（阿姆斯特丹大学） ； University of Cambridge（剑桥大学） ； Amazon AGI（亚马逊人工智能研究院） 纠错

AI总结 本文系统研究了文档级文学翻译中LLM精细化的效果，发现文档级MT后接段级精细化能带来稳定提升，而文档级精细化效果有限。通用精细化提示优于特定错误提示和评估后精细化策略。

AcquisitionSynthesis: Targeted Data Generation using Acquisition Functions

AcquisitionSynthesis：利用获取函数进行定向数据生成

Ishika Agarwal, Sofia Stoica, Emre Can Acikgoz, Pradeep Natarajan, Mahdi Namazifar, Jiaqi Ma, Dilek Hakkani-Tür

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Amazon（亚马逊） 纠错

AI总结 本文提出AcquisitionSynthesis方法，利用获取函数作为奖励模型训练语言模型生成高质量合成数据，实验表明其在数学、医疗问答和编程任务中提升模型性能并增强鲁棒性。

Learning with Rare Success but Rich Feedback via Reflection-Enhanced Self-Distillation

通过反思增强的自我蒸馏实现稀有成功但丰富的反馈学习

Yuwei Zhang, Sha Li, Changlong Yu, Qin Lu, Shuowei Jin, Chengyu Dong, Haoran Liu, Ilgee Hong, Xintong Li, Zhenyu Shi, Bing Yin, Jingbo Shang

机构 * UC San Diego（UC圣地亚哥大学） ； Amazon（亚马逊） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 本文提出反思增强的自我蒸馏框架，通过将失败反馈转化为主动监督信号，提升在稀有成功场景下的持续学习能力，实验表明其在多个连续学习任务中优于传统方法。

Comments Work in progress

Tokens-per-Parameter Coverage Is Critical for Robust LLM Scaling Law Extrapolation

每参数令牌覆盖量对鲁棒大语言模型扩展定律外推至关重要

Joshua Shay Kricheli, Alexander Lawrence Reid, Soumajyoti Sarkar, Venkata Gandikota, Paulo Shakarian

机构 * Syracuse University（Syracuse大学） ； Amazon AGI Foundations（Amazon AGI研究院） 纠错

AI总结 研究揭示了在固定每参数令牌比下训练导致的扩展定律外推问题，通过数学证明和实验验证，提出了一种必要的令牌多样性阈值以确保估计的稳定性。

Geometry over Density: Few-Shot Cross-Domain OOD Detection

密度上的几何学：少样本跨领域异常检测

Shawn Li, You Qin, Jiate Li, Charith Peris, Lisa Bauer, Roger Zimmermann, Yue Zhao

机构 * University of Southern California（南加州大学） ； National University of Singapore（新加坡国立大学） ； Amazon（亚马逊） 纠错

AI总结 本文提出UFCOD框架，通过扩散轨迹的信息几何分析实现少样本跨领域异常检测，无需额外训练即可在不同领域中高效检测异常样本。

Language Model Goal Selection Differs from Humans' in a Self-Directed Learning Task

语言模型的目标选择与人类在自我指导学习任务中不同

Gaia Molinaro, Dave August, Danielle Perszyk, Anne G. E. Collins

机构 * University of California, Berkeley（加州大学伯克利分校） ； Amazon AGI Lab（亚马逊人工智能实验室） 纠错

AI总结 研究通过控制实验发现语言模型在目标选择上与人类存在显著差异，多数模型表现不佳，而人类则能逐步探索并达成多样化目标。

Why is "Chicago" Predictive of Deceptive Reviews? Using LLMs to Discover Language Phenomena from Lexical Cues

为什么‘芝加哥’能预测欺骗性评论？利用LLMs发现语言现象的词汇线索

Jiaming Qu, Mengtian Guo, Yue Wang

机构 * Amazon（亚马逊） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） 纠错

AI总结 本文研究LLMs能否将微妙的词汇线索转化为人类可理解的语言现象，提出猜想-验证框架，证明其在数据上具有实证基础，可跨领域推广且比传统方法更有效。

Scaling Laws Meet Model Architecture: Toward Inference-Efficient LLMs

参数规模与模型架构的交汇：迈向推理高效的大型语言模型

Song Bian, Tao Yu, Shivaram Venkataraman, Youngsuk Park

机构 * UW-Madison（威斯康星大学麦迪逊分校） ； Amazon Web Services（亚马逊网络服务） 纠错

AI总结 本文研究了模型架构因素如何影响推理成本与准确性，提出条件缩放定律并验证了其有效性，结果表明优化架构在相同训练预算下提升了准确率和推理吞吐量。

Comments 32 pages, 27 figures

Journal ref ICLR 2026