Amazon（亚马逊） - arXivDaily 大厂专区

2606.30543 2026-07-07 cs.CL cs.AI 版本更新

TRACE: Temporal Relationship-Aware Conversational Entrainment Detection in Dyadic Speech

TRACE: 双人语音中基于时间关系的对话韵律同步检测

Sathvik Manikantan Napa Ugandhar, Hao Zhang, Alison Gunzler, Yuzhe Wang, Thomas Thebaud, Georgi Tinchev, Venkatesh Ravichandran, Laureano Moro-Velázquez

机构 * Department of Computer Science, Johns Hopkins University（约翰霍普金斯大学计算机科学系）； 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 Research（亚马逊研究院）； Amazon（亚马逊）

AI总结提出TRACE框架，通过窗口级声学嵌入建模双人交互的时间序列，结合对话上下文和关系信息，在DyadEE数据集上实现97.01%的情感韵律同步检测准确率。

2604.09445 2026-07-07 cs.CV 版本更新

AsymLoc: Towards Asymmetric Feature Matching for Efficient Visual Localization

AsymLoc：迈向高效视觉定位的非对称特征匹配

Mohammad Omama, Gabriele Berton, Eric Foxlin, Yelin Kim

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）； Amazon（亚马逊）

AI总结本文提出AsymLoc框架，通过几何驱动匹配目标和联合检测器-描述符蒸馏目标，实现轻量学生模型与大教师模型的非对称特征匹配，提升视觉定位效率与精度。

2603.05659 2026-07-07 cs.CV cs.AI cs.LG 版本更新

When Rubrics Fail: Error Enumeration as Reward in Reference-Free RL Post-Training for Virtual Try-On

当评分标准失效时：在无参考RL后训练中通过错误枚举作为奖励

Wisdom Ikezogwo, Mehmet Saygin Seyfioglu, Ranjay Krishna, Karim Bouyarmane

机构 * University of Washington, Seattle, USA（华盛顿大学（西雅图））； Amazon, Seattle, USA（亚马逊（西雅图））； Allen Institute for AI（艾伦人工智能研究所）

AI总结本文提出隐式错误计数方法，用于解决无参考答案的RL后训练问题，通过计算错误而非正确来生成可靠奖励，在虚拟试穿任务中验证了其有效性。

2510.23486 2026-07-07 cs.LG 版本更新

Learning to Reason Efficiently with Discounted Reinforcement Learning

通过折扣强化学习高效推理

Alex Ayoub, Kavosh Asadi, Dale Schuurmans, Csaba Szepesvári, Karim Bouyarmane

机构 * Amazon（亚马逊公司）； University of Alberta（阿尔伯塔大学）

AI总结针对大型推理模型消耗过多token导致计算成本高的问题，提出使用折扣强化学习（解释为小token成本）惩罚推理token，结合Blackwell最优性分析，在保持准确性的同时缩短推理链。

2509.19228 2026-07-07 cs.CL 版本更新

CompLLM: Compression for Long Context Q&A

CompLLM：长上下文问答的压缩方法

Gabriele Berton, Jayakrishnan Unnikrishnan, Son Tran, Mubarak Shah

机构 * Amazon（亚马逊）； Center For Research in Computer Vision, University of Central Florida（计算机视觉研究中心，中央佛罗里达大学）

AI总结研究针对大语言模型处理长上下文的计算挑战，提出CompLLM软压缩技术。核心方法是将上下文分段独立压缩，具有效率、可扩展性和可重用性。贡献是提升处理速度、减小缓存大小且性能可比甚至超越未压缩情况。