Google（谷歌）

Semantic Recall for Vector Search

向量搜索的语义召回

Leonardo Kuffo, Ioanna Tsakalidou, Roberta De Viti, Albert Angel, Jiří Iša, Rastislav Lenhardt

机构 * CWI（荷兰阿姆斯特丹CWI） ； EPFL（瑞士洛桑联邦理工学院） ； Google（谷歌） 纠错

AI总结 本文提出语义召回指标，用于评估近邻搜索算法的质量，考虑仅在理论上可通过精确最近邻搜索检索到的语义相关对象。通过实验证明，该指标在查询结果中相关对象较少时特别有效，并引入了容忍召回作为近似指标。

Comments Proceedings of the 49th International ACM SIGIR Conference on Research and Development in Information Retrieval

Taint-Style Vulnerability Detection and Confirmation for Node.js Packages Using LLM Agent Reasoning

基于LLM代理推理的Node.js包污点式漏洞检测与验证

Ronghao Ni, Mihai Christodorescu, Limin Jia

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Google（谷歌） 纠错

AI总结 本文提出LLMVD.js，通过LLM代理实现Node.js包的污点式漏洞检测与验证，有效率达84%，优于传统方法，无需注解或报告。

Comments 19 pages, 6 figures

Latent Stochastic Interpolants

隐式随机插值

Saurabh Singh, Dmitry Lagun

机构 * Poetiq AI ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 本文提出隐式随机插值（LSI），通过端到端优化编码器、解码器和隐式随机插值模型，在潜在空间中实现联合学习，有效学习潜在表示并生成过程。

Comments Accepted at ICLR 2026 as a conference paper

Best Policy Learning from Trajectory Preference Feedback

最佳策略学习从轨迹偏好反馈

Akhil Agnihotri, Rahul Jain, Deepak Ramachandran, Zheng Wen

机构 * University of Southern California（南加州大学） ； Google（谷歌） ； DeepMind（深度Mind） ； OpenAI 纠错

AI总结 本文研究了基于偏好强化学习的最佳策略识别问题，提出PSPL算法，通过维护奖励模型和动态的后验分布，提供首个贝叶斯简单遗憾保证，并在模拟和图像生成基准中优于现有基线。

SSL-R1: Self-Supervised Visual Reinforcement Post-Training for Multimodal Large Language Models

SSL-R1: 多模态大语言模型的自监督视觉强化后训练

Jiahao Xie, Alessio Tonioni, Nathalie Rauschmayr, Federico Tombari, Bernt Schiele

机构 * Max Planck Institute for Informatics, SIC（马克斯·普朗克信息研究所，SIC） ； VIA Research Center（VIA研究中心） ； Google（谷歌） 纠错

AI总结 SSL-R1通过自监督学习生成可验证奖励，提升多模态大语言模型的推理能力，无需人工或外部监督，有效增强视觉理解。

R-CoV: Region-Aware Chain-of-Verification for Alleviating Object Hallucinations in LVLMs

R-CoV：区域感知的验证链用于减轻LVLMs中的物体幻觉

Jiahao Xie, Alessio Tonioni, Nathalie Rauschmayr, Federico Tombari, Bernt Schiele

机构 * Max Planck Institute for Informatics, SIC（马克斯·普朗克信息研究所，SIC） ； VIA Research Center（VIA研究中心） ； Google（谷歌） 纠错

AI总结 R-CoV通过区域感知的验证链方法，减轻LVLMs中的物体幻觉问题，采用六步流程，无需额外训练即可集成至多种LVLMs，实验表明有效缓解幻觉。