ByteDance（字节跳动）

Verifiable Self-Evolution for Open-Ended Dialogue Skills via Future-Feedback Prediction

通过未来反馈预测实现开放式对话技能的可验证自我进化

ChaoJin Zhao, Xuan Jiang

机构 * ByteDance（字节跳动） 纠错

AI总结 研究开放式对话技能自我进化难题，提出未来反馈技能进化方法，通过预测答案对用户后续信号的影响进行验证，转化为固定离线学习目标，在销售助手数据集上获超75%准确率，实现可重复技能进化。

Comments I previously submitted another partition, but it has been lagging. I've now switched to a different partition instead. Could you please help me process this quickly? Once it's through, I can take the other partition down. Thanks!

CompilerKV: Risk-Adaptive KV Compression via Offline Experience Compilation

CompilerKV: 通过离线经验编译实现风险适应性的键值压缩

Ning Yang, Chengzhi Wang, Yibo Liu, Baoliang Tian, Haijun Zhang

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； University of Electronic Science and Technology of China（电子科技大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； ByteDance（字节跳动） ； University of Science and Technology Beijing（北京科技大学） 纠错

AI总结 本文提出CompilerKV，一种通过离线经验编译实现风险适应性的键值压缩方法，通过离线编译校准语料库中的纠正表，将在线纠正减少到O(1)查找加预算限制，从而在多个模型架构上实现了压缩SOTA，并在不同压力条件下保持最优性能。

Not All Errors Are Created Equal: ASCoT Addresses Late-Stage Fragility in Efficient LLM Reasoning

并非所有错误都是同等重要：ASCoT解决高效大语言模型推理中的晚期脆弱性

Dongxu Zhang, Yujun Wu, Yiding Sun, Jinnan Yang, Ning Yang, Jihua Zhu, Miao Xin, Baoliang Tian

机构 * Xi’an Jiaotong University（西安交通大学） ； Peking University（北京大学） ； Institute of Automation, CASIA（中国科学院自动化研究所） ； Bytedance（字节跳动） 纠错

AI总结 ASCoT通过自适应校正机制提升大语言模型推理效率与可靠性，减少计算资源消耗的同时保持高准确性。

Breaking the MoE LLM Trilemma: Dynamic Expert Clustering with Structured Compression

打破MoE大语言模型三重困境：动态专家聚类与结构压缩

Peijun Zhu, Ning Yang, Baoliang Tian, Jiayu Wei, Weihao Zhang, Haijun Zhang, Pin Lv

机构 * Guangzhou University（广州大学） ； Institue of Automation Chinese Academy of Sciences（中国科学院自动化研究所） ； ByteDance Inc.（字节跳动公司） ； University of Science and Technology Beijing（北京科技大学） 纠错

AI总结 本文提出动态专家聚类与结构压缩框架，通过参数分解和分层路由策略，显著提升MoE大语言模型的效率和内存利用率。

Comments 10 pages, 2 figures, 8 tables. Under review as a conference paper at ICML 2026

Learning, Reasoning, Refinement: A Framework for Kahneman's Dual-System Intelligence in GUI Agents

学习、推理、优化：GUI 智能体中卡尼曼双系统智能的框架

Jinjie Wei, Jiyao Liu, Lihao Liu, Ming Hu, Junzhi Ning, Mingcheng Li, Weijie Yin, Junjun He, Xiao Liang, Chao Feng, Dingkang Yang

机构 * College of Intelligent Robotics and Advanced Manufacturing, Fudan University（复旦大学智能机器人与先进制造学院） ； Institute of Science and Technology for Brain-Inspired Intelligence, Fudan University（复旦大学脑启发式智能科学技术研究院） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Amazon（亚马逊） ； Shanghai Innovation Institute（上海创新研究院） ； ByteDance Douyin Content Group（字节跳动抖音内容部） 纠错

AI总结 针对 GUI 智能体存在依赖试错决策、评估指标简单等问题，提出 CogniGUI 框架，结合全解析器引擎和 GRPO 基础智能体，实现自适应学习，经实验验证其在新基准测试中优于现有方法。

Comments Withdrawn due to ongoing technical improvements. The work requires further refinement and additional experiments to meet our quality standards. A revised version will be submitted in the future