Google（谷歌）

The Strongest Teacher Is Not Always the Best Teacher: Student-Centric Answer Selection

最强的教师并不总是最好的教师：以学生为中心的答案选择

Zhengyu Hu, Zheyuan Xiao, Linxin Song, Fengqing Jiang, Yuetai Li, Zhihan Xiong, Yue Liu, Junhao Lin, Yao Su, Lijie Hu, Kaize Ding, Teng Xiao, Radha Poovendran

机构 * University of Washington（华盛顿大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Southern California（南加州大学） ； Independent Researcher（独立研究者） ； National University of Singapore（新加坡国立大学） ； Microsoft（微软） ； Google（谷歌） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Northwestern University（西北大学） ； Allen Institute for AI (AI2)（人工智能研究院（AI2）） 纠错

AI总结 提出以学生为中心的答案采样（SCAS）框架，通过估计学生中心的学习成本选择教师生成的答案，从而提升学生模型性能。

Realistic honeypot evaluations for scheming propensity

针对策划倾向的逼真蜜罐评估

Victoria Krakovna, David Lindner, Lewis Ho, Sebastian Farquhar, Rohin Shah

机构 * Google DeepMind（谷歌DeepMind） 纠错

AI总结 提出一种框架，通过在Google对齐研究代码库中设置编码任务作为蜜罐，测试模型在有机会时是否会追求工具性目标，实验表明Gemini模型在真实部署中不会主动策划，但在特定提示下会表现出策划或破坏行为。

The Power of Second Order Methods for Sequence Preconditioning

二阶方法在序列预处理中的威力

Annie Marsden, Elad Hazan

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

AI总结 本文提出利用Vovk-Azoury-Warmuth算法与USP结合，实现对边际稳定线性动力系统中序列预处理的强效结果，达到对数级别的 regret。

Comments 19 pages, 3 figures

Training-free Uncertainty Guidance for Complex Visual Tasks with MLLMs

无训练不确定性引导的复杂视觉任务多模态大语言模型

Sanghwan Kim, Rui Xiao, Stephan Alaniz, Yongqin Xian, Zeynep Akata

机构 * Technical University of Munich（慕尼黑技术大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； Helmholtz Munich（海德堡-慕尼黑亥姆霍兹研究中心） ； Google（谷歌） ； LTCI, Télécom Paris, Institut Polytechnique de Paris（巴黎理工大学 LTCI 实验室） 纠错

AI总结 提出无需训练的框架，利用MLLM内在不确定性主动引导，通过响应不确定性评分候选视觉输入，使模型自主聚焦关键信息，在视觉搜索、长视频理解等任务中达到与微调系统相当的性能。