Google（谷歌）

Pandora's AI Model Routing Box: Efficient Allocation with Costly Value Estimation

潘多拉的AI模型路由盒：带代价价值估计的高效分配

Adam Fisch, Shubhendu Trivedi, Fantine Huot, William W. Cohen, Michael Kaisers, Mirella Lapata, Kate Larson, Jacob Eisenstein

机构 * Google DeepMind（谷歌DeepMind） 纠错

AI总结 该研究针对异构AI系统的查询路由问题，提出带代价价值估计的Pandora's Router集中式策略及Pandora's Bidder去中心化策略，可在保证路由质量的同时减少高成本估计器的使用，还能在不同场景优化分配效率。

CONSCIENTIA: Can LLM Agents Learn to Strategize? Emergent Deception and Trust in a Multi-Agent NYC Simulation

CONSCIENTIA：LLM代理能否学会策略性行为？多智能体纽约市模拟中的涌现欺骗与信任

Aarush Sinha, Arion Das, Soumyadeep Nag, Charan Karnati, Shravani Nag, Chandra Vadhan Raj, Aman Chadha, Vinija Jain, Suranjana Trivedy, Amitava Das

机构 * University of Copenhagen（哥本哈根大学） ； IIIT Ranchi（印度信息技术学院兰契分校） ； ISI Kolkata（印度统计学院加尔各答分校） ； NIT Andhra Pradesh（印度国家理工学院安得拉邦分校） ； IGDTUW（英迪拉·甘地德里技术女子大学） ； IIT Kharagpur（印度理工学院卡哈拉格普尔分校） ； Google DeepMind（谷歌DeepMind） ； Google（谷歌） ； AI Institute, University of South Carolina（南卡罗来纳大学人工智能研究所） 纠错

AI总结 研究通过多智能体模拟探讨LLM在对抗性环境中的策略行为，发现智能体在导航中表现出有限的策略性，包括选择性信任与欺骗，但易受对抗性说服影响。

Dynamic Cogeneration of Bug Reproduction Test in Agentic Program Repair

代理程序修复中的动态共生测试生成

Runxiang Cheng, Michele Tufano, José Cambronero, Renyao Wei, Sherry Shi, Grant Uy, Pat Rondon, Franjo Ivančić

机构 * Google, USA（谷歌（美国）） 纠错

AI总结 本文研究了在程序修复中动态共生生成测试的方法，通过在同一补丁中生成修复和测试用例，提高修复的可信度并减少维护成本。

Learning with Local Search MCMC Layers

基于局部搜索MCMC层的学习

Germain Vivier-Ardisson, Mathieu Blondel, Axel Parmentier

机构 * Google DeepMind（谷歌DeepMind） ； ENPC Paris（巴黎高等电力学院） ； ENPC Marne-la-Vallée（马恩拉瓦尔贝勒高等电力学院） 纠错

AI总结 本文提出一种基于局部搜索MCMC层的学习方法，将局部搜索邻域系统转化为MCMC提议分布，构建可微随机组合层，在多个组合优化任务上验证了其降低学习计算负担的效果。

Model Directions, Not Words: Mechanistic Topic Models Using Sparse Autoencoders

模型方向，而非词语：使用稀疏自编码器的机制性主题模型

Carolina Zheng, Nicolas Beltran-Velez, Sweta Karlekar, Claudia Shi, Achille Nazaret, Asif Mallik, Amir Feder, David M. Blei

机构 * Columbia University（哥伦比亚大学） ； Google Research（谷歌研究院） ； Independent（独立研究者） 纠错

AI总结 本文提出机制性主题模型（MTMs），利用稀疏自编码器学习可解释特征，以揭示深层概念主题，并通过topic judge评估框架验证其有效性。

Comments Accepted for publication in Transactions of the Association for Computational Linguistics (TACL). 26 pages, 10 figures