Google（谷歌）

Generalization in Nonlinear Least Squares via Learned Feature Geometry

非线性最小二乘中基于学习特征几何的泛化性

Ayub Kharel, Ilja Kuzborskij, Patrick Rebeschini, Yasin Abbasi-Yadkori

机构 * University of Oxford（牛津大学） ； Google DeepMind（谷歌DeepMind） ； Sapient Intelligence（智睿科技） 纠错

AI总结 通过算法稳定性分析岭正则化非线性最小二乘的泛化误差，利用经验雅可比Gram矩阵和残差曲率项定义数据依赖的有效维度，并证明其与内在维度而非参数数量相关。

Comments Preprint, under review

Finer is Better (with the Right Scaling)

更细粒度更好（配合正确的缩放）

Clemens Schaefer, Gil Tabak

机构 * Google LLC（谷歌公司） ； Mountain View, Ca（山景城，加利福尼亚） 纠错

AI总结 本文研究大语言模型低精度量化中的块大小悖论，发现细粒度块在正确缩放策略下能降低量化误差，并通过4-over-6方法等解决退化问题。

$S^3$-R1: Learning to Retrieve and Answer Step-by-Step with Synthetic Data

$S^3$-R1: 通过合成数据学习逐步检索与回答

Harsh Goel, Akhil Udathu, Susmija Jabbireddy, Pradnesh Kalkar, Atharva Parulekar

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 提出S^3-R1框架，通过合成数据生成和密集奖励信号，解决强化学习后训练中稀疏奖励和缺乏多跳问题数据的问题，提升模型搜索与问答能力。

Comments Under Review

Informed Asymmetric Actor-Critic: Leveraging Privileged Signals Beyond Full-State Access

知情非对称Actor-Critic：利用超越全状态访问的特权信号

Daniel Ebi, Damien Ernst, Klemens Böhm, Gaspard Lambrechts

机构 * DeepMind（深度Mind） ； University of Cambridge（剑桥大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of Geneva（日内瓦大学） 纠错

AI总结 提出知情非对称Actor-Critic框架，允许评论家基于任意状态相关特权信号进行条件化，并证明其产生无偏策略梯度估计；设计两种信息性准则选择最优信号，实验表明精选信号可匹配或超越全状态基线。

Comments Accepted at ICML 2026

Synthesizable Molecular Generation via Soft-constrained GFlowNets with Rich Chemical Priors

通过具有丰富化学先验的软约束GFlowNets生成可合成分子

Hyeonah Kim, Minsu Kim, Celine Roget, Dionessa Biton, Louis Vaillancourt, Yves V. Brun, Yoshua Bengio, Alex Hernandez-Garcia

机构 * University of Toronto（多伦多大学） ； DeepMind（深度思维） ； University of Montreal（蒙特利尔大学） 纠错

AI总结 提出S3-GFN方法，通过软正则化序列GFlowNet，利用大规模SMILES语料库的化学先验，生成高奖励且可合成的分子，实验表明可合成率≥95%。

Risk Comparisons in Linear Regression: Implicit Regularization Dominates Explicit Regularization

线性回归中的风险比较：隐式正则化主导显式正则化

Jingfeng Wu, Peter L. Bartlett, Sham M. Kakade, Jason D. Lee, Bin Yu

机构 * University of California, Berkeley（加州大学伯克利分校） ； Alphabetical order ； Harvard University（哈佛大学） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 本文通过实例比较线性回归中梯度下降、岭回归和随机梯度下降的有限样本风险，发现梯度下降优于岭回归，但与随机梯度下降不可比，且在某些问题中梯度下降可能更差。

Comments Accepted for presentation at the Conference on Learning Theory (COLT) 2026

Cost-Aware Routing for Efficient Text-To-Image Generation

面向文本到图像生成的高效路由：成本感知方法

Qinchan Li, Kenneth Chen, Changyue Su, Wittawat Jitkrittum, Qi Sun, Patsorn Sangkloy

机构 * Tandon School of Engineering, New York University（纽约大学Tandon工程学院） ； Google（谷歌） ； Eigen 4D Inc.（Eigen 4D公司） 纠错

AI总结 提出成本感知路由框架，根据提示复杂度自动选择不同去噪步数或模型，在保证高质量的同时降低计算成本，优于单一模型。

Comments Accepted by TMLR

What Really Matters for Table LLMs? A Meta-Evaluation of Model and Data Effects

表格LLM真正重要的是什么？模型与数据影响的元评估

Naihao Deng, Sheng Zhang, Henghui Zhu, Shuaichen Chang, Jiani Zhang, Alexander Hanbo Li, Chung-Wei Hang, Hideo Kobayashi, Yiqun Hu, Patrick Ng

机构 * University of Michigan（密歇根大学） ； AWS AI Labs（AWS人工智能实验室） ； Figma ； OKX ； Google（谷歌） 纠错

AI总结 通过指令微调12个模型并在16个基准上评估，发现基座模型选择比训练数据对性能影响更大，泛化与推理仍是挑战。

Comments EACL 2026 Findings

Open Korean Corpora: A Practical Report

开放韩语语料库：一份实践报告

Won Ik Cho, Sangwhan Moon, Youngsook Song

机构 * AI Center, Samsung Electronics（三星电子AI中心） ； Google LLC（谷歌公司） ； Lablup Inc.（Lablup公司） 纠错

AI总结 本文梳理并评述了现有韩语开放语料库，涵盖机构级资源及各类任务数据集，并针对低资源语言提出了开源数据集构建与发布的建议。

Comments Published (v1) in NLP-OSS @EMNLP2020; May 2023 (v2) added with new datasets; June 2026 (v3) added analyses