IdleSpec: Exploiting Idle Time via Speculative Planning for LLM Agents
IdleSpec: 通过投机规划利用空闲时间用于LLM代理
机构 * KAIST（韩国科学技术院） ； Amazon AGI（亚马逊人工智慧实验室） ； Together AI
AI总结 本文提出IdleSpec，一种利用空闲时间提升LLM代理性能的方法，通过在空闲期间生成计划候选并减少延迟开销，从而在多种代理场景中显著提高性能。
大厂专区
Amazon（亚马逊）
ExComm: Exploration-Stage Communication for Error-Resilient Agentic Test-Time Scaling
ExComm：探索阶段通信用于容错的代理测试时间扩展
机构 * KAIST（韩国科学技术院） ； Amazon AGI（亚马逊人工智能实验室） ； Together AI
AI总结 本文提出ExComm，一种用于探索阶段的代理测试时间扩展通信协议，通过定期审计代理信念状态以检测跨代理事实冲突，并通过专用工具验证循环解决冲突，从而提升测试时间扩展的容错能力。
Support-Proximity Augmented Diffusion Estimation for Offline Black-Box Optimization
支持接近增强的扩散估计用于离线黑盒优化
机构 * MBZUAI - Mohamed bin Zayed University of Artificial Intelligence（MBZUAI - 摩擦 bin Zayed 大学） ； McGill University（麦吉尔大学） ； Mila - Quebec AI Institute（Mila - 加拿大AI研究所） ； Amazon AGI（亚马逊人工智能实验室）
AI总结 本文提出SPADE框架，通过条件生成建模重新想象前向替代建模，利用扩散模型建模前向似然p(y|x)，并引入校准扩散估计模块和支撑接近正则化机制，以提高优化性能。
Comments Accepted by ICML 2026. First two authors contributed equally
Demystifying Transition Matching: When and Why It Can Beat Flow Matching
解开转换匹配之谜：何时以及为何它能超越流匹配
机构 * KAIST（韩国科学技术院） ； Amazon Web Services（亚马逊网络服务）
AI总结 本文研究了转换匹配（TM）在何时以及为何能超越流匹配（FM），通过证明在单峰高斯分布下TM具有更低的KL散度，并分析了在高斯混合分布中TM在局部单峰区域的优势，以及在目标方差非可忽略时TM的优越性。
Comments Code: https://github.com/amazon-science/TransitionFlowMatching (AISTATS 2026)
Accelerated Test-Time Scaling with Model-Free Speculative Sampling
加速测试时间缩放与模型无关的推测采样
机构 * KAIST（韩国科学技术院） ； Amazon AGI（亚马逊人工智能实验室） ； AirSignal
AI总结 本文提出STAND，一种无需模型的推测解码方法，通过利用推理轨迹中的冗余性，显著提升推理效率而不牺牲准确性，经多个模型和任务评估，STAND在保持准确性的同时将推理延迟降低了60-65%。
Comments EMNLP 2025 Oral
SCI-Defense: Defending Manipulation Attacks from Generative Engine Optimization
SCI-Defense: 防御生成引擎优化的操纵攻击
机构 * Siebel School of Computing and Data Science, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校计算机科学与数据科学学院） ； School of Information Sciences, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校信息科学学院） ； Amazon topcited.ai（亚马逊topcited.ai）
AI总结 本文提出SCI-Defense框架，通过检测困惑度、语义完整性评分和跨候选检测三种组件，有效识别生成引擎优化攻击，实现了高精度和低误报率，同时揭示了现有防御方法的局限性及未来研究方向。
Comments 20 pages, NeurIPS 2026 submission
Enhancing Causal Reasoning in Large Language Models: A Causal Attribution Model for Precision Fine-Tuning
增强大语言模型中的因果推理：一种用于精确微调的因果归因模型
机构 * University of California, Irvine（加州大学尔湾分校） ； North Carolina State University（北卡罗来纳州立大学） ； Amazon（亚马逊公司）
AI总结 本文提出一种因果归因模型，通过精确微调提升大语言模型的可解释性和因果推理能力，展示了模型在不同领域中的因果发现任务中的有效性。
Comments A Python implementation of our proposed method is available at https://github.com/ncsulsj/Causal_LLM
