Proteus: Incremental Memory Activation for Long-Context Sequence Modeling
Proteus：面向长上下文序列建模的增量式内存激活机制
机构 * Mila（米拉计算科学研究所） ； Google（谷歌公司）
AI总结 Proteus 是一种增量式内存激活机制，可嵌入多种神经内存架构，应用于 SWLA 等模型后，能在长上下文相关任务上实现性能提升，证明调度有效容量对序列建模的适用性。
大厂专区
Google（谷歌）
Dear Algo: A Precision-First Agentic Intent Layer for Unified Search and Recommendation
Dear Algo：面向统一搜索与推荐的精准优先智能体意图层
机构 * Meta Platforms Inc.（元平台公司） ； Google DeepMind（谷歌DeepMind）
AI总结 该研究提出面向统一搜索与推荐的精准优先智能体意图层Dear Algo，将多类型意图编译为可执行计划，实验显示其在精度、候选数量及用户相关性上均优于基线。
TransfHAR: Self-Supervised Wrist Representations for On-Demand Activity Recognition
TransfHAR：用于按需活动识别的自监督手腕表征
机构 * Northwestern University（西北大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Google（谷歌）
AI总结 TransfHAR是一种自监督手腕IMU框架，可通过学习粗粒度运动先验实现按需细粒度活动识别，在跨数据集评估及用户研究中均优于或匹配全监督基线，为该领域提供了有效基础。
Agent Gym: A Framework for Continuous Evaluation and Evolution of LLM Agents Through Human-in-the-Loop Feedback
Agent Gym：通过人在回路反馈实现LLM智能体持续评估与演化的框架
机构 * Google Cloud（谷歌云）
AI总结 Agent Gym是支持LLM智能体持续评估演化的模块化框架，通过人在回路反馈实现行为修正，其发票处理参考验证表明框架实用可用。
Comments 15 pages, 4 figures
TEA: Text Encoder Alignment for Robust Concept Erasure in Text-to-Image Models
TEA：用于文本到图像模型中稳健概念擦除的文本编码器对齐
机构 * Mila – Quebec AI Institute（米拉-魁北克人工智能研究所） ； McGill University（麦吉尔大学） ； Google Research（谷歌研究院）
AI总结 该研究提出轻量级文本编码器对齐框架 TEA，将概念擦除建模为文本表示空间的域对齐问题，仅微调文本编码器，在零推理开销下提升了文本到图像模型对对抗攻击的概念擦除稳健性，且模型无关，在 Stable Diffusion 系列模型上表现优异。
Do LLMs Know What to Ask and When? Evaluating Multi-Turn Information Seeking
大型语言模型（LLMs）知道该问什么以及何时提问吗？评估多轮信息获取能力
机构 * Harvard University（哈佛大学） ； Google DeepMind（谷歌DeepMind）
AI总结 该研究构建MT-InfoSeek评估套件，从提问内容、时机及信息影响三方面评估LLMs的多轮信息获取能力，发现其存在低估信息需求等缺陷，且该能力未被现有评估覆盖。
A Theoretical Framework for Statistical Evaluability of Generative Models
生成模型统计可评估性的理论框架
机构 * University of Maryland（马里兰大学） ； Tel Aviv University and Google Research（特拉维夫大学和谷歌研究） ； Technion and Google Research（技术学院和谷歌研究）
AI总结 提出一个理论框架，研究生成模型的统计可评估性，证明基于有界测试类的积分概率度量可有限样本评估，而Rényi和KL散度不可评估。
Comments 30 pages
Grounding Robot Generalization in Training Data via Retrieval-Augmented VLMs
通过检索增强的视觉语言模型实现机器人在训练数据中的泛化
机构 * Stanford University（斯坦福大学） ； Google DeepMind（谷歌DeepMind） ； Princeton University（普林斯顿大学）
AI总结 本文提出RADAR框架，通过检索和视觉语言模型分析，评估机器人策略在不同场景下的泛化能力，验证了其在大规模数据集中的有效性。
Comments IEEE Robotics and Automation Letters (RA-L)
Budget-Aware Tool Use Enables Effective Agent Scaling
预算感知的工具使用实现有效的代理扩展
机构 * Google Cloud AI Research（谷歌云人工智能研究） ； Google DeepMind（谷歌DeepMind） ； New York University（纽约大学） ； UC Santa Barbara（加州大学圣塔芭芭拉分校）
AI总结 本研究提出BATS框架，通过预算感知机制提升工具增强代理的扩展效率，实现更优的成本-性能平衡。
Comments Accepted to COLM 2026
