Near-Optimal Stochastic Linear Bandits with Delay
带延迟的近最优随机线性赌博机
机构 * Tel Aviv University（特拉维夫大学） ； University of Iowa（爱荷华大学） ； Tel Aviv University and Google Research（特拉维夫大学和谷歌研究）
AI总结 研究多种延迟模型下的随机线性赌博机，给出近最优遗憾界，揭示延迟与线性结构交互的维度影响。
大厂专区
Google（谷歌）
Can LLM Agents Infer World Models? Evidence from Agentic Automata Learning
LLM智能体能否推断世界模型？来自智能体自动机学习的证据
机构 * The Hebrew University of Jerusalem（海法大学） ； New York University（纽约大学） ； Google Research（谷歌研究）
AI总结 提出智能体自动机学习框架，通过成员查询和等价查询评估LLM智能体发现隐藏确定性有限自动机的能力，发现性能随DFA规模增加而急剧下降，推理模型优于非推理模型但仍存在规划、整合和假设构建缺陷。
VisualClaw: A Real-Time, Personalized Agent for the Physical World
VisualClaw：面向物理世界的实时个性化智能体
机构 * UC Santa Cruz（加州大学圣克鲁兹分校） ； UNC-Chapel Hill（北卡罗来纳大学教堂山分校） ； Google（谷歌） ； UC Berkeley（加州大学伯克利分校）
AI总结 提出VisualClaw，一种自进化多模态智能体，通过混合编码和技能进化机制降低部署成本并提升准确性，在多个视频QA基准上实现平均-98%的API成本削减和最高+15.80%的准确率提升。
Comments H. T. and J. C. contribute to this project equally
Active Learning with Low-Rank Structure for Data Selection
基于低秩结构的数据选择主动学习
机构 * Google Research（谷歌研究院） ； University of California, Berkeley（加州大学伯克利分校） ； Institute of Science and Technology Austria (ISTA)（奥地利科学技术研究所） ； Carnegie Mellon University（卡内基梅隆大学） ； Texas A&M University（德克萨斯农工大学）
AI总结 提出基于低秩近似和残差采样的数据选择框架，在温和正则条件下选择加权子集，使平均损失近似全数据集平均损失，相对误差(1+ε)加性项εΦ_k，实验优于均匀采样和聚类敏感采样。
Comments ICML 2026
Agentic Framework for Deep Learning workload migration via In-Context Learning
基于上下文学习的深度学习工作负载迁移智能体框架
机构 * Google（谷歌）
AI总结 提出结合上下文学习与Oracle驱动的自调试的自主系统，实现从PyTorch到JAX的深度学习模型自动迁移，在神经模块上达到91%数值等价性。
Extending Item Response Theory for Efficient and Meaningful Multilingual Evaluation
扩展项目反应理论以实现高效且有意义的多语言评估
机构 * Google Research（谷歌研究） ； The Hebrew University of Jerusalem（特拉维夫大学） ； PhaseV Trials
AI总结 提出Multilingual-IRT框架，通过引入每语言难度偏差、分离内容与语言效应的区分度及每语言能力残差，解决多语言基准测试中的线性扩展、翻译错误和文化特定知识混淆问题，在MMLU-Pro-X上实现更优的预测和错误检测。
Unlocking Diffusion Hierarchies: Adaptive Timestep Selection for Zero-Shot Segmentation
解锁扩散层次：自适应时间步选择用于零样本分割
机构 * Google（谷歌）
AI总结 提出自适应时间步选择机制，利用扩散模型去噪过程中的层次语义进展，结合上下文相似度图融合高分辨率注意力与U-Net特征，实现零样本分割性能提升。
MVEB: Massive Video Embedding Benchmark
MVEB：大规模视频嵌入基准
机构 * Harvard University（哈佛大学） ； SaluteDevices ； MIRAI ； Zendesk ； Shanghai University of Finance and Economics（上海财经大学） ； Google LLC ； Salesforce ； Cornell University（康奈尔大学） ； Astera Institute（Astera研究院） ； Independent Contributor（独立贡献者） ； Indian Institute of Technology, Kharagpur（印度理工学院，克拉格浦分校） ； Barclays（巴克莱银行） ； Aarhus University（奥胡斯大学） ； Stanford University（斯坦福大学）
AI总结 提出MVEB基准，包含23个任务评估33种视频嵌入模型，发现无单一模型占优，音频贡献取决于标注来源，并集成到MTEB生态。
A theoretical model for task routing in mixture-of-expert transformers
混合专家Transformer中任务路由的理论模型
机构 * University of Sydney（悉尼大学） ； Zhejiang University（浙江大学） ； Google Research（谷歌研究院）
AI总结 通过离散语言模型证明单层MoE Transformer可利用专家实现任务专业化，支持经验发现。
