Google（谷歌）

Generalization in LLM Problem Solving: The Case of the Shortest Path

大模型问题解决中的泛化能力：最短路径问题的案例

Yao Tong, Jiayuan Ye, Anastasia Borovykh, Reza Shokri

机构 * National University of Singapore（新加坡国立大学） ； Capital Fund Management（资本基金管理公司） ； Google Research（谷歌研究） 纠错

AI总结 研究探讨了大模型在最短路径问题中的泛化能力，发现模型在空间迁移表现良好，但在长度扩展上因递归不稳定性而失败，分析了不同学习阶段对系统性问题解决的影响。

Blazing the trails before beating the path: Sample-efficient Monte-Carlo planning

在铺设道路之前击败路径：样本高效的蒙特卡洛规划

Jean-Bastien Grill, Michal Valko, Rémi Munos

机构 * SequeL team, INRIA Lille - Nord Europe（SequeL团队，INRIA里尔-北欧分校） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 本文提出TrailBlazer算法，通过高效样本探索近优状态结构，实现样本效率高的蒙特卡洛规划，兼顾策略优化与计算效率。

Comments Published in Neural Information Processing Systems 2016

Text2Arch: A Dataset for Generating Scientific Architecture Diagrams from Natural Language Descriptions

Text2Arch：一个用于从自然语言描述生成科学架构图的数据库

Shivank Garg, Sankalp Mittal, Manish Gupta

机构 * IIT Roorkee, India（印度拉尔·克里希纳理工学院） ； Google, India（印度谷歌） ； Microsoft, India（印度微软） 纠错

AI总结 本文提出Text2Arch数据库，通过语言模型生成高保真的架构图，解决了文本生成架构图的效率和歧义问题，并展示了其在多个应用中的优势。

Comments ICLR 2026 Poster

Knowledge Graph RAG: Agentic Crawling and Graph Construction in Enterprise Documents

知识图谱RAG：企业文档中的代理爬取与图谱构建

Koushik Chakraborty, Koyel Guha

机构 * Google AI, Global Services Delivery（谷歌AI，全球服务交付） 纠错

AI总结 本文提出基于递归爬取的代理知识图谱，解决复杂企业文档语义检索的局限性，提升法规查询的准确率。

Comments 15 pages, 4 figures

CROP: Token-Efficient Reasoning in Large Language Models via Regularized Prompt Optimization

CROP：通过正则化提示优化实现大语言模型的token高效推理

Deep Shah, Sanket Badhe, Nehal Kathrotia, Priyanka Tiwari

机构 * Google LLC（谷歌公司） ； Purdue University（普渡大学） 纠错

AI总结 CROP通过正则化提示优化，在保持准确性的同时显著降低token消耗，适用于复杂推理任务。

Comments Accepted at ICLR 2026 Workshop on Logical Reasoning of Large Language Models

Survey of Deep Learning and Physics-Based Approaches in Computational Wave Imaging

计算波成像中深度学习与物理基础方法的综述

Youzuo Lin, Shihang Feng, James Theiler, Yinpeng Chen, Umberto Villa, Jing Rao, John Greenhall, Cristian Pantea, Mark A. Anastasio, Brendt Wohlberg

机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室） ； Google DeepMind（谷歌DeepMind） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of New South Wales（新南威尔士大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） 纠错

AI总结 本文综述了计算波成像中传统物理方法与深度学习方法的结合，探讨了其在提高分辨率和准确性的应用，以及深度学习在解决计算波成像问题中的新进展。

Comments 34 pages, 16 figures