Google（谷歌）

Seasoning Generative Models for a Generalization Aftertaste

为泛化后味设计生成模型

Hisham Husain, Valentin De Bortoli, Richard Nock

机构 * Google Research（谷歌研究） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 本文提出一种通过判别器指导生成模型的通用方法，证明其能提升模型泛化能力，并涵盖最近的分数扩散方法。

What You Read is What You Classify: Highlighting Attributions to Text and Text-Like Inputs

你读的是你分类的：突出对文本和文本样输入的归因

Daniel S. Berman, Brian Merritt, Stanley Ta, Dana Udwin, Amanda Ernlund, Jeremy Ratcliff, Vijay Narayan

机构 * Johns Hopkins Applied Physics Laboratory（约翰霍普金斯应用物理实验室） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 本文提出一种针对基于token分类器的可解释AI方法，通过mask机制生成可读解释，适用于文本等离散输入。

Comments 15 pages, 8 figures

Systematic Scaling Analysis of Jailbreak Attacks in Large Language Models

大语言模型中越狱攻击的系统缩放分析

Xiangwen Wang, Ananth Balashankar, Varun Chandrasekaran

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 本文系统分析了大语言模型中越狱攻击的缩放规律，通过计算限制优化过程评估不同方法、模型家族和危害类型的攻击成功率，发现提示基方法在计算效率上更具优势。

Image2Garment: Simulation-ready Garment Generation from a Single Image

Image2Garment: 从单张图像生成可模拟的服装

Selim Emir Can, Jan Ackermann, Kiyohiro Nakayama, Ruofan Liu, Tong Wu, Yang Zheng, Hugo Bertiche, Menglei Chai, Thabo Beeler, Gordon Wetzstein

机构 * Stanford University（斯坦福大学） ； Google（谷歌） ； Institute of Science Tokyo（东京科学研究所） 纠错

AI总结 本文提出一种框架，通过微调视觉语言模型获取材料属性，再训练轻量预测模型生成物理参数，实现从单张图像生成可模拟的服装。

Comments Project Page: https://image2garment.github.io/

An Improved Model-Free Decision-Estimation Coefficient with Applications in Adversarial MDPs

一种改进的无模型决策-估计系数及其在对抗性MDPs中的应用

Haolin Liu, Chen-Yu Wei, Julian Zimmert

机构 * University of Virginia（弗吉尼亚大学） ； Google Research（谷歌研究） 纠错

AI总结 本文提出Dig-DEC，一种无模型的决策-估计系数，通过信息增益驱动探索，解决了对抗性MDP中的再生问题，并改进了函数估计过程的性能。

Comments ICLR 2026