Google（谷歌）

LOCI: A Locator-Critic with Refinement Loop

LOCI：带精化循环的定位器-评判器

Walid Bousselham, Mathilde Caron, Arsha Nagrani, Cordelia Schmid

机构 * Google DeepMind（谷歌DeepMind） 纠错

AI总结 针对视觉语言模型无法定位图像关键细节的问题，提出无需训练的LOCI框架，通过定位器与评判器的迭代精化循环实现自修正，在多个复杂视觉基准上取得当前最优结果，显著提升了开源与专有VLMs的准确率。

RSLM: Training-Free Vector Quantization for Approximate Nearest Neighbor Search

RSLM：用于近似最近邻搜索的无训练向量量化方法

Rastislav Lenhardt, Teodora Dobos, Thomas Vecchiato, Jiri Isa, Igor Ginzburg

机构 * Google（谷歌） ； Technical University of Munich（慕尼黑工业大学） ； University of Copenhagen（哥本哈根大学） 纠错

AI总结 该研究提出无训练向量量化方法RSLM，将ANN搜索的嵌入压缩至每维度2-4比特，通过校正重构向量L2范数等创新，在降低系统复杂度与内存成本的同时保持或提升召回率。

Comments 14 Pages, 3 Figures, Preprint

PaperBanana-Interact: Scientific Diagram Refinement with Multi-Turn Human Feedback

PaperBanana-Interact：基于多轮人类反馈的科学图表优化

Xueqing Wu, Ashwin Balasubramanian, Bingxuan Li, Dawei Zhu, Kai-Wei Chang, Yale Song, Yiwen Song, Rui Meng, Tomas Pfister, Nanyun Peng

机构 * Google（谷歌公司） ； Peking University（北京大学） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 该研究针对科学图表多轮优化的空白，构建了多轮图表生成基准MTPaperBananaBench，提出多智能体系统PaperBanana-Interact，解决基线系统的质量漂移与遗忘问题，显著提升图表优化效果。

Comments this https URL (https://shirley-wu.github.io/PaperBanana-Interact/)

Towards a Systems Foundation for Agentic Skills: Architecture, Lifecycle, and Security

面向智能体技能的系统基础：架构、生命周期与安全性

Sanket Badhe, Deep Shah, Priyanka Tiwari, Nehal Kathrotia

机构 * Google LLC（谷歌有限责任公司） ； Purdue University（普渡大学） 纠错

AI总结 本文为智能体技能生态建立统一系统基础与参考架构，界定其九阶段生命周期，探讨安全威胁与防御机制，分类多领域系统实现，确立智能体技能为自主语言智能体的基础范式。

NBS: No Bias Stereo

NBS：无偏立体匹配

Vage Taamazyan, Zhuowen Shen, Stefan Hinterstoisser, Alberto Dall'Olio, Agastya Kalra, Aarrushi Shandilya, Xin Li, Wenping Wang, Kartik Venkataraman

机构 * Intrinsic (Google)（Intrinsic（谷歌）） ； Texas A&M University（德克萨斯农工大学） 纠错

AI总结 该研究提出无架构归纳偏置的NBS模型，采用端到端Vision Transformer，经大规模合成数据集训练，在立体匹配上达到最先进准确率与更优效率，证明显式归纳偏置非必要，解锁3D重建缩放定律。

ORDDAR: Observation-Driven Reasoning for Distortion-Resilient Decision, Action, and Cognitive Recovery

ORDDAR：面向抗失真决策、行动与认知恢复的观测驱动推理

Deblina Kar, Anant Nawalgaria, Shyamal Kumar Das Mandal

机构 * Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校） ； Google Research（谷歌研究院） 纠错

AI总结 本研究提出ORDDAR推理框架，通过局部认知状态转换检测、失真定位与针对性修复，提升了多类推理任务的质量、恢复能力与可解释性。

How Language Models Choose Sides: Internal Representations of Instruction Hierarchy

语言模型如何选择立场：指令层级的内部表征

Enrique Balp-Straffon, Chih-Hao Hsu, Rushiraj Gadhvi, Sunishchal Dev, Callum Stuart McDougall, Anusha Mujumdar

机构 * Amazon（亚马逊） ； National Taiwan University（国立台湾大学） ； Plaksha University（普拉卡莎大学） ； RAND Corporation（兰德公司） ； Algoverse ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 本研究探究指令微调LLM在系统与用户指令冲突中的仲裁机制，构建含41对约束的基准评估8个模型，发现反层级模型Llama-3.1-8B的冲突结果可从残差流激活线性解码，干预效果取决于读出几何结构。

Comments Published at the ICML 2026 Mechanistic Interpretability workshop, 16 pages (including appendix)

AutoScientist-Quant: Self-Evolving Coding Agents for Automatic Research in Quantitative Investment

AutoScientist-Quant：用于量化投资自动研究的自进化编码智能体

Zongqian Li, Yaoyiran Li, Yaohui Guo, Ming Zhang, Nigel Collier, Eugene Ie

机构 * Google（谷歌公司） ； University of Cambridge（剑桥大学） 纠错

AI总结 AutoScientist-Quant是将量化研究视为带预算约束搜索问题的自进化编码智能体，修复了评估流程的前瞻问题，在CSI universe等场景下实现最优泛化性能。