Amazon（亚马逊）

Beyond the Harness: End-to-End Optimization of Context Artifacts for Enterprise Text-to-SQL

超越框架：面向企业文本转SQL的上下文构件端到端优化

Kate Gwimm, Carson Eisenach

机构 * Amazon（亚马逊公司） 纠错

AI总结 针对企业文本转SQL任务的上下文瓶颈，本文提出从历史查询生成可复用SQL参考卡片的端到端优化方法，在生产查询基准上取得显著优于优化检索框架的提升，在BEAVER基准上也实现了有效改进。

Journal ref COLM 2026 Workshop - Context Beyond the Window

Enrich-Retrieve-Rank: Scaling Capability Discovery Beyond In-Context Routing

Enrich-Retrieve-Rank：将能力发现扩展至上下文路由之外

Nazib Sorathiya, Daniel Zhang, Bardiya Akhbari

机构 * Amazon AGI（亚马逊AGI） 纠错

AI总结 该研究提出Enrich-Retrieve-Rank流程，将能力发现从上下文路由扩展，经实验验证其在大规模MATS组件场景下，比Full-Ctx、Search&Pick基线性能更优且成本更低，已作为多智能体平台的默认能力发现层投入生产。

Comments 11 pages, 4 figures, and 12 tables

Decoupled Physical Modeling and Execution for Physics Reasoning

用于物理推理的解耦物理建模与执行

Ye Zhang, Xuehang Guo, Rui Pan, Pengfei Yu, Denghui Zhang, Manling Li, Qingyun Wang

机构 * University of Pennsylvania（宾夕法尼亚大学） ； William & Mary（威廉玛丽学院） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Amazon（亚马逊公司） ； Stevens Institute of Technology（史蒂文斯理工学院） ； Northwestern University（西北大学） 纠错

AI总结 该研究提出解耦物理建模与执行的统一框架，通过两阶段后训练策略提升小型大语言模型物理推理性能，在多个基准上实现约3%的平均性能提升。

Beyond Similarity: Heterogeneous Graph Learning for Multi-Objective Food Substitution in Charitable Food Agencies

超越相似性：面向慈善食品机构多目标食品替代的异构图学习

Naimur Rahman Chowdhury, Limon Bin Hossain

机构 * Amazon（亚马逊） ； North Carolina State University（北卡罗来纳州立大学） ； Bangladesh University of Engineering and Technology（孟加拉工程技术大学） 纠错

AI总结 该研究针对慈善食品机构食品替代的多目标需求，提出异构图神经网络框架，利用大规模公共数据构建关系图，在稀疏性与冷启动场景下实现更优的替代推荐，为机构决策提供支持。

Perturb the Thought, Not the Pixels: Latent-Space Rollout Diversification for Reinforcement Learning of Vision-Language Models

扰动思路而非像素：用于视觉语言模型强化学习的潜在空间展开多样化

Michael Jerge, Joseph Pelczar, Justin Downes

机构 * Amazon Web Services（亚马逊网络服务） 纠错

AI总结 该研究提出 NC-GRPO 方法，通过在 VLM 潜在空间注入噪声实现展开多样化，提升了其数学推理与幻觉鲁棒性，且仅需少量代码修改即可整合进 RLVR 流程。

Model-Free Adaptive Parameter Tuning for Efficient Multi-Robot Warehouse Operations

用于高效多机器人仓库作业的无模型自适应参数调优

Pratap Tokekar, Mouhacine Benosman, Rahul Chandan, Alexandre Ormiga Galvao Barbosa, Michael Caldara, Joseph W. Durham

机构 * Amazon Robotics（亚马逊机器人公司） ； University of Maryland（马里兰大学） 纠错

AI总结 针对多机器人仓库作业参数需随工况动态调整的问题，提出基于极值寻优控制（ESC）的无模型自适应参数调优框架，经仿真验证可平均提升吞吐量5.0%，动态工况下提升8.4%，实现自调优。

Question-Guided Evidence Acquisition for Multimodal Visual Question Answering

面向多模态视觉问答的问题引导式证据获取

Alin-Ionut Popa

机构 * Amazon Inc.（亚马逊公司） 纠错

AI总结 针对多模态视觉问答中模型读取文档不可靠的问题，提出Q-Guide智能体引导感知，在两个数据集上优于基线方法，且增益来自精准感知引导而非复杂控制逻辑。