Amazon（亚马逊）

Optimizing What Policies Learn From: Recoverability-aware Rollout Intervention Learning

优化策略的学习内容：可恢复性感知的展开干预学习

Zheyuan Zhang, Manqing Mao, Hong Wang, Zhuoer Wang, Samson Koelle, Jie Yuan, Yanjun Lin, James Feng, Nikki Lijing Kuang, Yanfang Ye, Wei Niu

机构 * University of Notre Dame（圣母大学） ； Amazon, Inc（亚马逊公司） 纠错

AI总结 针对现有大语言模型后训练中展开分配的局限，本文提出RAIL框架，将干预选择建模为在线上下文博弈问题，可在有限展开预算下提升性能，为生成高质量展开提供原则性方法。

Evaluation Pitfalls and Sparsity Limitations in LLM-based Confidence Estimates for Classification

基于大语言模型的分类置信度估计中的评估缺陷与稀疏性限制

Elena Merdjanovska, Omar Zaidan, Andreas Rücklé

机构 * Humboldt-Universität zu Berlin（柏林洪堡大学） ； Amazon（亚马逊公司） 纠错

AI总结 该研究指出 LLM 分类置信度估计中 verbalization 方法存在稀疏性缺陷，AUARC 评估的插值选择会影响排名，提出 verbalization logprobs 方法可解决稀疏性并提升 AUARC 且无额外推理成本。

Comments Published at Findings of ACL 2026

Journal ref Findings of the Association for Computational Linguistics: ACL 2026, pages 33424-33435

Social Pressure Breaks Majority Voting in LLM Safety Panels

社交压力会破坏大语言模型安全评审团的多数投票机制

Yibo Hu, Jiaming Qu

机构 * Illinois Institute of Technology（伊利诺伊理工学院） ； Amazon（亚马逊） 纠错

AI总结 该研究发现，在LLM安全评审团中，同行的错误标签断言会大幅提升误报率，且评审员更易追随“不安全”方向，多数投票机制会因社交压力失效，还提供了部署前诊断方法。

PADFormer: Pose-agnostic Anomaly Detection from Sparse View Images

PADFormer：基于稀疏视角图像的姿态无关异常检测

Ruiqi Wang, Yiming Qian, Fenggen Yu, Yuxuan Lu, Dakuo Wang, Hao Zhang, Jing Huang

机构 * Amazon（亚马逊） ； Simon Fraser University（西蒙菲莎大学） ； Northeastern University（东北大学） 纠错

AI总结 针对现有姿态无关异常检测方法依赖3D重建的缺陷，提出PADFormer模型，利用ViT结合跨视图掩码重建等机制，在PAD基准及FSAD任务上实现最优性能，兼具效率与泛化性。

Comments Accepted to ECCV 2026 (oral)

Sample Complexity of Multicalibration for Multilevel Properties

多级属性的多校准样本复杂度

Jiuyao Lu, Krishnakumar Balasubramanian, Aleksandr Podkopaev, Shiva Prasad Kasiviswanathan

机构 * Amazon（亚马逊） ； The Wharton School, University of Pennsylvania（宾夕法尼亚大学沃顿商学院） ； University of California, Davis（加州大学戴维斯分校） 纠错

AI总结 该研究针对k个序列属性的多校准，建立了匹配的上下样本复杂度界，给出随机学习器，实例化理论为三个典型示例，明确了样本复杂度与群体规模的关系。