Amazon（亚马逊）

From Interpretability to Control: Insights from Six Years of the TrustNLP Workshop

从可解释性到控制：TrustNLP研讨会六年的启示

Rahul Gupta, Abhinav Mohanty, Anaelia Ovalle, Anil Ramakrishna, Anubrata Das, Apurv Verma, Jwala Dhamala, Ninareh Mehrabi, Tharindu Kumarage, Yada Pruksachatkun, Yang Trista Cao, Kai-Wei Chang, Aram Galstyan

机构 * Meta ； Autodesk（欧特克公司） ； New Jersey Institute of Technology（新泽西理工学院） ； Salesforce（salesforce公司） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Amazon AGI（亚马逊AGI） 纠错

AI总结 该研究基于TrustNLP研讨会六年论文，分析NLP可信领域从可解释性到生成式系统控制的转变，明确各信任维度的发展趋势及与领域整体的关联性，提出结构性见解与研究方向。

Comments 17 pages, 2 figures, 3 tables. Submitted to ACL ARR August 2026 cycle (EACL 2027)

Compute-Optimal Is Not Cluster-Optimal: Systems-Aware Scaling for Sparse Mixture-of-Experts

计算最优并非集群最优：面向稀疏混合专家模型的系统感知缩放

Soumajyoti Sarkar, Yuxin Tang, Sheng Zha

机构 * Amazon AGI Foundations（亚马逊AGI基础研究部门） 纠错

AI总结 本研究开发MOSAIC框架，将稀疏MoE模型的架构与系统协同设计建模为优化问题，发现计算最优与集群最优稀疏性存在差异，主张统一架构与系统协同设计。

Putting a Face to Forgetting: Continual Learning meets Mechanistic Interpretability

为遗忘赋予面孔：持续学习与机制可解释性相遇

Sergi Masip, Gido M. van de Ven, Javier Ferrando, Tinne Tuytelaars

机构 * KU Leuven（根特大学） ； University of Groningen（Groningen大学） ； Amazon（亚马逊） 纠错

AI总结 本文提出一个机制框架，从几何角度解释持续学习中的灾难性遗忘，通过玩具模型分析并验证了深度对遗忘的影响，展示了如何利用Crosscoders分析实际模型。

Comments To appear in the Proceedings of the Fifth Conference on Lifelong Learning Agents (CoLLAs), 2026