IBM

FlowCompile: An Optimizing Compiler for Structured LLM Workflows

FlowCompile: 一种用于结构化大语言模型工作流的优化编译器

Junyan Li, Zhang-Wei Hong, Maohao Shen, Yang Zhang, Chuang Gan

机构 * UMass Amherst（马萨诸塞大学阿姆赫斯特分校） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室） 纠错

AI总结 本文提出FlowCompile，一种优化结构化大语言模型工作流的编译器，通过编译时设计空间探索生成高质量可重用配置集，实现准确率与延迟的平衡，实验表明其在多种工作流和基准测试中表现优异，速度提升达6.4倍。

High-Rate Quantized Matrix Multiplication I

高速率量化矩阵乘法 I

Or Ordentlich, Yury Polyanskiy

机构 * Hebrew University of Jerusalem（海法大学） ； MIT（麻省理工学院） ； MIT-IBM Watson AI Lab（麻省理工-IBM Watson AI实验室） 纠错

AI总结 本文研究了量化矩阵乘法问题，探讨了量化速率与失真之间的信息论权衡，并对比了主流量化方案的性能。

Visual Aesthetic Benchmark: Can Frontier Models Judge Beauty?

视觉审美基准：前沿模型能评判美吗？

Yichen Feng, Yuetai Li, Chunjiang Liu, Yuanyuan Chen, Fengqing Jiang, Yue Huang, Hang Hua, Zhengqing Yuan, Kaiyuan Zheng, Luyao Niu, Bhaskar Ramasubramanian, Basel Alomair, Xiangliang Zhang, Misha Sra, Zichen Chen, Radha Poovendran, Zhangchen Xu

机构 * Bake AI ； University of Washington（华盛顿大学） ； University of California, Santa Barbara（加州大学圣巴巴拉分校） ； Stanford University（斯坦福大学） ； University of Notre Dame（诺丁汉大学） ； Carnegie Mellon University（卡内基梅隆大学） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室） ； Western Washington University（西雅图华盛顿大学） ； King Abdulaziz City for Science and Technology（国王阿卜杜勒阿齐兹科技城） 纠错

AI总结 本文提出视觉审美基准（VAB），通过比较选择评估审美，发现前沿模型在判断最佳和最差图像时表现逊于人类专家，表明需进一步改进。

Comments Project page: https://vab.bakelab.ai. Code: https://github.com/BakeLab/Visual-Aesthetic-Benchmark. Dataset: https://huggingface.co/datasets/BakeLab/Visual-Aesthetic-Benchmark

Instructions Shape Production of Language, not Processing

指令塑造语言的生成，而非处理

Andreas Waldis, Leshem Choshen, Yufang Hou, Yotam Perlitz

机构 * Department of Linguistics, University of Tübingen（图宾根大学语言学系） ； IBM Research, MIT, and MIT-IBM Watson AI Lab（IBM研究院、麻省理工学院和麻省理工-IBM沃森人工智能实验室） ； Interdisciplinary Transformation University of Austria（奥地利跨学科转型大学） ； IBM Research（IBM研究院） 纠错

AI总结 研究揭示指令通过影响语言模型生成阶段的信息 asymmetry，而非处理阶段，通过五种二元判断任务层析任务特定信息，发现输出 tokens 的信息变化与行为强相关，而输入 tokens 的信息变化弱相关。

MorphOPC: Advancing Mask Optimization with Multi-scale Hierarchical Morphological Learning

MorphOPC：通过多尺度分层形态学习推进掩模优化

Yuting Hu, Lei Zhuang, Chen Wang, Ruiyang Qin, Hua Xiang, Gi-joon Nam, Jinjun Xiong

机构 * University at Buffalo（布法罗大学） ； IBM T. J. Watson Research Center（IBM 沃森研究中心） ； Villanova University（维拉诺瓦大学） 纠错

AI总结 本文提出MorphOPC，通过多尺度分层形态学习提升掩模优化精度，实验显示其在边缘基于OPC和ILT基准测试中表现优异，实现更高的打印保真度和更低的制造成本。

ToolWeave: Structured Synthesis of Complex Multi-Turn Tool-Calling Dialogues

ToolWeave：复杂多轮工具调用对话的结构化合成

Dinesh Khandelwal, Gnana Prakash Punnavajhala, GPS Bhargav, Gaurav Pandey, Sachin Joshi, Hima Karanam, Dinesh Raghu

机构 * IBM Research（IBM研究院） ； IIIT Hyderabad（Hyderabad理工学院） 纠错

AI总结 ToolWeave通过构建带有内置依赖关系的工具，生成更真实的多轮工具调用对话，减少参数幻觉，提升LLM在多步骤任务中的表现。