Google（谷歌）

On the Learning Curves of Revenue Maximization

收益最大化学习曲线研究

Steve Hanneke, Alkis Kalavasis, Shay Moran, Grigoris Velegkas

机构 * Purdue University（普渡大学） ； Yale University（耶鲁大学） ； Technion（技术学院） ； Google Research（谷歌研究院） 纠错

AI总结 本文研究收益最大化学习曲线，揭示单件和单买家环境下学习曲线衰减率，证明在无分布限制时学习曲线收敛但速度极慢，而当最优收益由有限价格实现时衰减率为1/√n，离散分布下衰减几乎指数快。

Comments To appear in the 58th ACM Symposium on Theory of Computing (STOC 2026)

How Do AI Agents Spend Your Money? Analyzing and Predicting Token Consumption in Agentic Coding Tasks

AI代理如何花费你的钱？分析和预测代理编码任务中的令牌消耗

Longju Bai, Zhemin Huang, Xingyao Wang, Jiao Sun, Rada Mihalcea, Erik Brynjolfsson, Alex Pentland, Jiaxin Pei

机构 * University of Michigan（密歇根大学） ； Stanford University（斯坦福大学） ； All Hands AI ； Google Deepmind（谷歌DeepMind） ； Microsoft AI（微软AI） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本文研究了代理编码任务中令牌消耗模式，发现代理任务消耗远高于代码推理和代码聊天，且模型在任务执行前难以准确预测自身令牌使用。

Perception Test 2025: Challenge Summary and a Unified VQA Extension

2025感知测试挑战：挑战总结及统一视觉问答扩展

Joseph Heyward, Nikhil Parthasarathy, Tyler Zhu, Aravindh Mahendran, João Carreira, Dima Damen, Andrew Zisserman, Viorica Pătrăucean

机构 * Google DeepMind（谷歌DeepMind） ； Princeton University（普林斯顿大学） ； University of Bristol（布里斯托大学） ； University of Oxford（牛津大学） 纠错

AI总结 2025年感知测试挑战旨在评估最新视频模型并衡量多模态感知的进步，通过统一任务测试揭示现有模型在统一接口下处理多样化感知任务的困难。

Auto-ARGUE: LLM-Based Report Generation Evaluation

Auto-ARGUE：基于大语言模型的报告生成评估

William Walden, Marc Mason, Orion Weller, Laura Dietz, John Conroy, Neil Molino, Hannah Recknor, Bryan Li, Gabrielle Kaili-May Liu, Yu Hou, Dawn Lawrie, James Mayfield, Eugene Yang

机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of New Hampshire（新罕布什尔大学） ； IDA Center for Computing Services（IDA计算服务中心） ； Google（谷歌） ； Yale University（耶鲁大学） ； University of Maryland（马里兰大学） 纠错

AI总结 本文提出Auto-ARGUE，一种基于大语言模型的报告生成评估工具，通过TREC 2024 NeuCLIR和RAG任务验证，展示了与人类判断的良好相关性，并发布ARGUE-Viz可视化工具。

Comments SIGIR 2026: Demo Track

Quantamination: Dynamic Quantization Leaks Your Data Across the Batch

量化污染：动态量化在批次中泄露你的数据

Hanna Foerster, Ilia Shumailov, Cheng Zhang, Yiren Zhao, Jamie Hayes, Robert Mullins

机构 * University of Cambridge（剑桥大学） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 本文揭示动态量化中存在关键漏洞，攻击者可通过量化策略窃取同一批数据中的敏感信息，主要贡献是发现4种主流框架存在数据泄露风险。

Comments 11 pages, 4 figures, 4 tables

Featurising Pixels from Dynamic 3D Scenes with Linear In-Context Learners

从动态3D场景中提取像素特征的线性上下文学习器

Nikita Araslanov, Martin Sundermeyer, Hidenobu Matsuki, David Joseph Tan, Federico Tombari

机构 * Google（谷歌） ； TU Munich（慕尼黑工业大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） 纠错

AI总结 本文提出LILA框架，通过线性上下文学习从视频中提取精确像素特征，解决动态场景中像素级表示问题，应用于视频目标分割、表面法线估计和语义分割等任务。

Comments To appear at CVPR 2026 (oral). Project website: https://lila-pixels.github.io