SynthAVE: Scalable Synthetic Labeling for E-Commerce with LLM-Arena Validation
SynthAVE：通过大语言模型领域验证实现电子商务的可扩展合成标注
机构 * Amazon（亚马逊）
AI总结 研究针对电子商务属性提取微调大语言模型需大量标注数据、人工标注成本高的问题，提出SynthAVE基准及多LLM领域框架，通过多数投票验证合成标注，实现经济高效且质量与人工审核相当的大规模属性值提取验证。
大厂专区
Amazon（亚马逊）
Ad Headline Generation using Self-Critical Masked Language Model
使用自批判掩码语言模型生成广告标题
机构 * amazon（亚马逊）
AI总结 研究如何为电商网站生成吸引人的广告标题，核心方法是将强化学习策略梯度方法应用于基于Transformer的掩码语言模型，通过联合多种产品信息生成标题，该方法在指标和质量审核上优于现有方法，生成标题质量也优于人工提交的。
Comments Accepted at NAACL-HLT 2021 (Industry Track). 9 pages, 3 tables, 3 figures - ACL Anthology URL: https://aclanthology.org/2021.naacl-industry.33/ - Editors of the proceedings: Young-bum Kim, Yunyao Li, Owen Rambow - Bibkey: kanungo-etal-2021-ad
Journal ref Proceedings of the 2021 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies: Industry Papers, pages 263-271, June 2021
The Signs Were Always There: Training-Free Concept Detection and Steering in Raw Transformer Dimensions
Bag of Dims：通过维度级符号模式实现无需训练的机制可解释性
机构 * Amazon Web Services（亚马逊云服务）
AI总结 本文提出Bag of Dims框架，证明Transformer隐藏状态的标准基即可作为无需训练的特征基，通过维度符号模式编码语义，并在三个模型上验证了其有效性。
Comments Preprint. 35 pages, 5 figures. Detection method reproducible from the paper; full steering code to follow
Trust, but Don't Verify: Epistemic Blind Spots in LLM Source Evaluation
信任，但不验证：LLM 源评估中的认知盲点
机构 * Amazon（亚马逊）
AI总结 研究语言模型在多源综合中是否评估证据质量，发现模型虽能检测伪造统计但未在综合中启用，而是依赖方法论-语域门控，导致数值有效性被抑制。
Provably Efficient Off-Policy Adversarial Imitation Learning with Convergence Guarantees
具有收敛保证的可证明高效的离策略对抗模仿学习
机构 * Division of Systems Engineering（系统工程系） ； Department of Computer Science（计算机科学系） ； Amazon Robotics（亚马逊机器人） ； Department of Electrical and Computer Engineering（电气与计算机工程系）
AI总结 研究离策略对抗模仿学习算法的收敛特性与样本复杂性，证明重用特定策略生成的样本不影响收敛保证，且离策略更新的分布转移误差被更多数据带来的好处主导，为离策略AIL算法样本效率提供理论支持。
Comments TMLR 2026
