IBM

StepPRM-RTL: Stepwise Process-Reward Guided LLM Fine-Tuning for Enhanced RTL Synthesis

StepPRM-RTL：基于逐步过程奖励引导的LLM微调以增强RTL综合

Prashanth Vijayaraghavan, Apoorva Nitsure, Luyao Shi, Ehsan Degan, Vandana Mukherjee

机构 * IBM Research San Jose CA USA（IBM研究院圣何塞加州美国） 纠错

AI总结 提出StepPRM-RTL框架，结合逐步轨迹建模、过程奖励模型和检索增强微调，通过密集反馈和蒙特卡洛树搜索探索推理路径，提升LLM生成RTL代码的功能正确性和推理保真度，在基准数据集上相比先前方法提升超10%。

Comments 6 pages, 2 figures, DAC'2026

Synthesize and Reward -- Reinforcement Learning for Multi-Step Tool Use in Live Environments

合成与奖励——面向实时环境中多步骤工具使用的强化学习

Ibrahim Abdelaziz, Asim Munawar, Kinjal Basu, Maxwell Crouse, Chulaka Gunasekara, Suneet Katrekar, Pavan Kapanipathi

机构 * IBM Research（IBM研究院） 纠错

AI总结 提出PROVE框架，通过20个有状态MCP服务器、自动化数据合成流水线和多组件程序化奖励，解决多步骤工具调用中的环境构建、查询生成和奖励设计问题，在BFCL Multi-Turn、tau2-bench和T-Eval上分别提升最多+10.2、+6.8和+6.5分。

AutoForest: Automatically Generating Forest Plots from Biomedical Studies with End-to-End Evidence Extraction and Synthesis

AutoForest: 从生物医学研究中自动生成森林图，实现端到端的证据提取与综合

Massimiliano Pronesti, Angelo Miculescu, Mohsin Kapdi, Paul Flanagan, Oisín Redmond, Joao Bettencourt-Silva, Gurdeep Mannu, Spiros Denaxas, Rui Bebiano Da Providencia E Costa, Anya Belz, Yufang Hou

机构 * IBM Research（IBM研究院） ； Dublin City University（都柏林城市大学） ； UCL（伦敦大学学院） ； University of Oxford（牛津大学） ； IT:U Interdisciplinary Transformation University Austria（奥地利 interdisciplinary Transformation 大学） 纠错

AI总结 提出AutoForest系统，通过端到端的证据提取与统计综合，直接从生物医学论文自动生成可发表的森林图，加速证据综合并降低元分析门槛。

Comments Accepted to ACL2026 (System Demonstrations Track)

Emotion Entanglement and Bayesian Inference for Multi-Dimensional Emotion Understanding

情感纠缠与贝叶斯推理用于多维情感理解

Hemanth Kotaprolu, Kishan Maharaj, Raey Zhao, Abhijit Mishra, Pushpak Bhattacharyya

机构 * Indian Institute of Technology Bombay（印度理工学院班加罗尔） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； IBM Research（IBM研究院） 纠错

AI总结 提出基于Plutchik基本情绪理论的情感场景基准EmoScene，并利用情感共现统计的贝叶斯推理框架进行联合后验推理，提升多维情感理解的结构一致性。

Comments 19 pages in total, 10 Figures, 7 Tables

A Latent Variable Framework for Scaling Laws in Large Language Models

大型语言模型中缩放定律的潜变量框架

Peiyao Cai, Chengyu Cui, Felipe Maia Polo, Seamus Somerstep, Leshem Choshen, Mikhail Yurochkin, Yuekai Sun, Kean Ming Tan, Gongjun Xu

机构 * Department of Statistics, University of Michigan（密歇根大学统计系） ； IBM Research and CSAIL, MIT（IBM研究与麻省理工学院计算机科学与人工智能实验室） ； Institute of Foundation Models, MBZUAI（MBZUAI基础模型研究所） 纠错

AI总结 提出基于潜变量建模的统计框架，通过引入潜变量捕获不同模型家族和基准的异构性，以更准确地建模大型语言模型的缩放定律。

IHT dies hard: Provable accelerated Iterative Hard Thresholding

IHT死守：可证明的加速迭代硬阈值法

Rajiv Khanna, Anastasios Kyrillidis

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； IBM T.J. Watson Research Center（IBM 沃森研究中心） 纠错

AI总结 本文研究了在理论和实践中经典迭代硬阈值（IHT）方法中动量运动的使用，通过简单修改普通IHT，探讨了其在具有非凸约束的凸优化标准下的收敛行为，并观察到IHT的加速在投影梯度下降和Frank-Wolfe变体中带来了显著改进。

Comments accepted to AISTATS 2018

Find the dimension that counts: Fast dimension estimation and Krylov PCA

找出计数的维度：快速维度估计和Krylov PCA

Shashanka Ubaru, Abd-Krim Seghouane, Yousef Saad

机构 * IBM T. J. Watson Research Center（IBM T.J.沃森研究中心） ； The University of Melbourne（墨尔本大学） ； University of Minnesota（明尼苏达大学） 纠错

AI总结 本文提出了一种新的方法，用于同时估计协方差矩阵主子空间的维度并获得子空间的近似值，该方法结合了Krylov子空间方法，避免了显式计算样本协方差矩阵和完整的特征分解，从而在大规模数据应用中具有成本效益。

Sampling and multilevel coarsening algorithms for fast matrix approximations

用于快速矩阵近似的大规模矩阵采样和多级粗化算法

Shashanka Ubaru, Yousef Saad

机构 * IBM T. J. Watson Research Center（IBM T.J.沃森研究中心） ； University of Minnesota（明尼苏达大学） 纠错

AI总结 本文针对大规模稀疏矩阵及其作为大规模图表示的问题，提出基于粗化技术（可能结合随机采样）的算法，通过超图关联数据矩阵和基于列匹配的图粗化策略，理论分析了适当列匹配策略下粗化步骤的降维质量，并在标准应用和新应用中展示了方法的有效性。

Simple and practical algorithms for $\ell_p$-norm low-rank approximation

简单且实用的ℓp-范数低秩近似算法

Anastasios Kyrillidis

机构 * IBM T.J. Watson Research Center（IBM T.J. 巴特利特研究中心） ； Rice University（里士满大学） 纠错

AI总结 本文提出基于梯度的非凸算法，用于ℓp范数低秩近似，适用于p=1或p=∞。算法易于实现，能更快速且更精确地逼近，理论证明其可达到(1+ε)-OPT近似，且不依赖超参数。

Comments 16 pages, 11 figures, to appear in UAI 2018

Distributed Low Rank Approximation of Implicit Functions of a Matrix

分布式隐函数矩阵的低秩近似

David P. Woodruff, Peilin Zhong

机构 * IBM Almaden Research Center（IBM 阿玛登研究中心） ； Institute for Interdisciplinary Information Sciences（交叉信息科学研究院） 纠错

AI总结 研究分布式低秩近似问题，针对隐式表示的矩阵计算低秩近似，提出高效算法并验证其在softmax、高斯核和鲁棒近似中的应用。