Amazon（亚马逊）

SpheRoPE: Zero-Shot Optimization-Free 360 Panorama Generation with Spherical RoPE

SpheRoPE：基于球形RoPE的零样本无优化360度全景生成

Or Hirschorn, Aaron Olender, Eli Alshan, Ianir Ideses, Lior Fritz, Sagie Benaim

机构 * Amazon Prime Video（亚马逊Prime Video） ； Tel-Aviv University（特拉维夫大学） ； Hebrew University of Jerusalem（耶路撒冷希伯来大学） 纠错

AI总结 提出零样本、无训练、无优化的框架，通过向预训练扩散Transformer注入球形先验，直接生成360度全景图像和视频，无需微调或多步优化。

TactX: Learning Shared Tactile Representations Across Diverse Sensors

TactX: 跨不同传感器的共享触觉表示学习

Junsung Park, Sachin Bhadang, Carmelo Sferrazza, Sha Yi, Xiaolong Wang

机构 * UC San Diego（加州大学圣地亚哥分校） ； Seoul National University（首尔大学） ； Amazon FAR（亚马逊FAR） 纠错

AI总结 提出TactX框架，通过配对接触数据训练模态特定编码器，将电阻、磁和视觉三种触觉传感器的观测映射到共享潜空间，实现零样本策略迁移，平均成功率从27.5%提升至45.9%。

Comments Submitted to CoRL 2026. 16 pages, 8 figures

Reference-Based Prosody and Rhythm Evaluation for Spoken Dialogue Systems

基于参考的口语对话系统韵律与节奏评估

Ashish Hallur, Thomas Thebaud, Georgi Tinchev, Venkatesh Ravichandran, Laureano Moro-Velazquez

机构 * Department of Electrical and Computer Engineering, Johns Hopkins University（约翰霍普金斯大学电气与计算机工程系） ； Amazon Inc.（亚马逊公司） 纠错

AI总结 针对语音到语音AI代理缺乏可解释的韵律与节奏评估指标，提出基于匹配参考的百分位评估协议，利用4000+小时对话数据构建参考层，有效减少误报并提高可解释性。

Simple Supervision Is Hard to Beat: A Bitter Lesson from Sparse Target Labels in Domain-Adaptive Object Detection

简单监督难以超越：域自适应目标检测中稀疏目标标签的苦涩教训

Lijun Zhang, Ruinian Xu, Mudit Agrawal

机构 * Amazon Robotics（亚马逊机器人） 纠错

AI总结 提出随机目标监督混合（RTSM）方法，通过监督检测损失利用少量标注目标图像，在多种域自适应方法中提升1.7-18.3 AP50，并发现简单监督优于复杂反馈策略。

Security--Fidelity Tradeoffs: The Hidden Cost of Prompt Injection Defense

安全--保真度权衡：提示注入防御的隐藏成本

Mitchell Hermon, Rahul Gupta, Weitong Ruan, Ekraam Sabir, Haohan Wang

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 本文发现防御间接提示注入会损害需要保留未信任文本的任务（如翻译），引入SecFid基准衡量保真度，揭示安全与保真度之间存在权衡，且无固定防御可同时最优。

Comments Accepted at the 43rd International Conference on Machine Learning (ICML 2026). 34 pages, 4 figures

RoPoLL: Robust Panel of LLM Judges

RoPoLL: 鲁棒的LLM评审团

Anish Acharya, Kris W Pan, Brian Verkhovsky

机构 * Amazon Web Services（亚马逊云服务） 纠错

AI总结 针对LLM评审团在污染数据下偏差无界的问题，提出RoPoLL，用几何中位数聚合替代均值，实现最优鲁棒性，在多种偏差攻击下显著优于传统方法。

fev-bench: A Realistic Benchmark for Time Series Forecasting

fev-bench: 一个面向时间序列预测的现实基准

Oleksandr Shchur, Abdul Fatir Ansari, Caner Turkmen, Lorenzo Stella, Nick Erickson, Pablo Guerron, Michael Bohlke-Schneider, Yuyang Wang

机构 * AWS（亚马逊云服务） ； Keystone AI ； Prior Labs ； Amazon（亚马逊） ； Boston College（波士顿学院） 纠错

AI总结 提出包含100个任务（46个含协变量）的跨领域基准fev-bench，并开发轻量级Python库fev，通过自举置信区间实现原则性聚合，评估预训练、统计和基线模型。