Google（谷歌）

A Theoretical Framework for Statistical Evaluability of Generative Models

生成模型统计可评估性的理论框架

Shashaank Aiyer, Yishay Mansour, Shay Moran, Han Shao

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） 纠错

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

Jensen Gao, Dorsa Sadigh, Sandy Huang, Dhruv Shah

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

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

Tengxiao Liu, Zifeng Wang, Jin Miao, I-Hung Hsu, Jun Yan, Jiefeng Chen, Rujun Han, Fangyuan Xu, Yanfei Chen, Ke Jiang, Samira Daruki, Yi Liang, William Yang Wang, Tomas Pfister, Chen-Yu Lee

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） 纠错

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