Google（谷歌）

MixRea: Benchmarking Explicit-Implicit Reasoning in Large Language Models

MixRea: 在大型语言模型中评估显式-隐式推理的基准测试

Yuanqing Cai, Ziyi Huang, Minhao Liu, Lixin Duan, Wen Li, Yanru Zhang

机构 * DeepMind ； DeepSeek-AI ； Anthropic ； Qwen ； Touvron ； Team 纠错

AI总结 本文提出MixRea基准测试，用于评估大型语言模型在显式和隐式推理任务中的表现，发现即使最佳模型也存在注意力不足的问题，并提出PRCP方法来改进推理能力。

Comments 12 pages, 6 figures, 4 tables

Stitched Value Model for Diffusion Alignment

用于扩散对齐的拼接价值模型

Hyojun Go, Hyungjin Chung, Prune Truong, Goutam Bhat, Li Mi, Zhaochong An, Zixiang Zhao, Dominik Narnhofer, Serge Belongie, Federico Tombari, Konrad Schindler

机构 * ETH Zurich（苏黎世联邦理工学院） ； Google（谷歌） ； University of Copenhagen（哥本哈根大学） 纠错

AI总结 本文提出StitchVM，一种将预训练的干净图像奖励模型转移到噪声潜在空间的拼接框架，通过高效转移和微调，提升扩散对齐的效率和效果。

Comments Project page: https://gohyojun15.github.io/StitchVM/

Causal Evidence that Language Models use Confidence to Drive Behavior

语言模型使用置信度驱动行为的因果证据

Dharshan Kumaran, Nathaniel Daw, Simon Osindero, Petar Veličković, Viorica Patraucean

机构 * Google DeepMind（谷歌DeepMind） ； Princeton University（普林斯顿大学） 纠错

AI总结 研究探讨了语言模型是否利用置信度信号来控制行为，如决定回答或 abstain，通过四个阶段实验发现模型使用多维内部置信表示和阈值策略来实现 abstention，揭示了结构化的元认知控制机制。

Optimal Reconstruction from Linear Queries

从线性查询中最优重建

Yuval Filmus, Shay Moran, Elizaveta Nesterova

机构 * Technion – Israel Institute of Technology（技术学院 – 以色列理工学院） ； Google Research（谷歌研究） 纠错

AI总结 研究如何从近似线性查询中重建未知点，分析查询数量、维度和噪声参数对重建误差的影响，并提出一种改进的重建问题变体。

Comments Accepted to COLT 2026. 46 pages, 4 figures

Density-Ratio Losses for Post-Hoc Learning to Defer

基于密度比损失的后验学习延迟

Alexander Soen, Ragnar Thobaben, Joakim Jaldén, Richard Nock

机构 * KTH（皇家理工学院） ； Google Research（谷歌研究） 纠错

AI总结 本文研究了后验学习延迟（L2D）问题，通过理想分布的视角定义延迟，并提出基于密度比损失的CPE损失函数，通过阈值判断延迟决策，从而在不重新训练的情况下调整延迟率，同时揭示了Chow规则与专家倾斜贝叶斯后验之间的联系。

Comments Preprint

Going PLACES: Participatory Localized Red Teaming for Text-to-Image Safety in the Global South

Going PLACES: 参与式本地化红队测试用于全球南方的文本到图像安全

Charvi Rastogi, Mukul Bhutani, Minsuk Kahng, Shamsuddeen Hassan Muhammad, Evgeniia Razumovskaia, Priyanka Suresh, Ibrahim Said Ahmad, Charu Kalia, Yaaseen Mahomed, Madhurima Maji, Minjae Lee, Alicia Parrish, Jessica Quaye, Vijay Janapa Reddi, Aishwarya Verma, Lora Aroyo

机构 * Google DeepMind（谷歌DeepMind） ； Yonsei University（延世大学） ； Imperial College（帝国理工学院） ； University of Wisconsin–Stevens Point（威斯康星州立大学斯普林特分校） ； Google Research（谷歌研究） ； Harvard University（哈佛大学） 纠错

AI总结 本文提出PLACES数据集，通过在非洲和亚洲的本地社区进行参与式红队测试，收集了26000多个文本到图像模型失败案例，揭示了全球南方在文化和社会规范方面的独特对抗模式和安全框架的结构性缺失。

Comments Published at ACM Conference on FAccT 2026

How do LLMs Compute Verbal Confidence

LLMs如何计算言语自信

Dharshan Kumaran, Arthur Conmy, Federico Barbero, Simon Osindero, Viorica Patraucean, Petar Veličković

机构 * Google DeepMind（谷歌DeepMind） 纠错

AI总结 研究探讨了大型语言模型如何内部生成言语自信评分，通过实验发现自信评分在回答生成后被缓存并用于后续输出，揭示了模型自我评估的机制。

Distributional AGI Safety

分布式AGI安全

Nenad Tomašev, Matija Franklin, Julian Jacobs, Sébastien Krier, Simon Osindero

机构 * Google DeepMind（谷歌DeepMind） 纠错

AI总结 本文提出了一种分布式的AGI安全框架，旨在通过设计和实现虚拟代理沙盒经济来应对群体代理协调带来的安全风险，强调市场机制、可审计性和监管的重要性。

Surviving the Unseen: Predictive Defense for Novel Multi-Turn Multimodal Attacks

在不可见中存活：面向新颖多轮多模态攻击的预测防御

Doohee You

机构 * Trust and Safety, Google（谷歌信任与安全部） 纠错

AI总结 本文提出了一种预测性防御方法，用于应对新颖多轮多模态攻击，通过动态生存预测和轨迹动态问题来解决静态防御机制的不足，建立了一个计算高效且可解释的安全保障框架。

FieldFormer: Locality-Aware Transformers for Spatio-Temporal Modeling on Sparse Sensor Networks

FieldFormer：用于稀疏传感器网络中时空建模的具有局部性的变换器

Ankit Bhardwaj, Ananth Balashankar, Lakshminarayanan Subramanian

机构 * Department of Computer Science（计算机科学系） ； New York University（纽约大学） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 本文提出FieldFormer，一种无网格变换器架构，用于在持续传感器网络中进行具有局部性的传感器空间建模。通过学习可调节的速度缩放偏移量，聚合局部证据，以适应时空依赖性，并在极端稀疏性下实现稳定和可扩展的推理。