IBM

Why Pure Reasoning is Not Enough: Nature as the Source of Mathematical Innovation

为何纯推理不足：自然作为数学创新之源

Charanjit S. Jutla, Vimal Sharma

机构 * IBM T. J. Watson Research Center（IBM T. J. 沃森研究中心） 纠错

AI总结 研究认为人类数学推理受逻辑片段不可判定性和计算难题限制，依赖自然世界的模式匹配。通过追溯傅里叶变换等数学史及逻辑复杂性，表明物理启发的模式匹配是认知必要，为人工智能中语言模型规模大提供依据。

EvoOtter: Evolutionary Reproduction Test Generator

EvoOtter：进化式重现测试生成器

Toufique Ahmed, Jatin Ganhotra, Avraham Shinnar, Martin Hirzel

机构 * IBM 纠错

AI总结 研究如何生成错误重现测试，此前方法成本高且反馈不可靠。新方法EvoOtter通过连续减半控制测试执行成本，用批交叉等控制大语言模型成本，以新适应度分数生成高质量测试，成本低。

ContextNest: Verifiable Context Governance for Autonomous AI Agent

ContextNest：自主AI智能体的可验证上下文治理

Misha Sulpovar, Benn R. Konsynski, Qaish Kanchwala, Gabe Goodhart

机构 * PromptOwl, LLC（PromptOwl公司） ； Goizueta Business School, Emory University（埃默里大学戈伊苏埃塔商学院） ； IBM Research（IBM研究院） 纠错

AI总结 提出ContextNest，一种在检索前提供上下文治理的开放规范，通过版本链、哈希校验和审计追踪确保知识可验证性，实验表明其在防过时攻击和检索确定性上优于传统方法。

Comments 35 pages, 11 tables, 4 figures

Few-Step Diffusion Language Models via Trajectory Self-Distillation

通过轨迹自蒸馏实现少步扩散语言模型

Tunyu Zhang, Xinxi Zhang, Ligong Han, Haizhou Shi, Xiaoxiao He, Zhuowei Li, Hao Wang, Kai Xu, Akash Srivastava, Chengzhi Mao, Hao Wang, Vladimir Pavlovic, Dimitris N. Metaxas

机构 * Rutgers University（罗格斯大学） ； Red Hat AI Innovation（红帽AI创新） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室） 纠错

AI总结 本文提出通过轨迹自蒸馏框架训练少步学生模型，以匹配全步教师的生成轨迹，从而减少解码步骤带来的输出质量下降，并结合DDO提升推理任务性能。

SIMPLER: Efficient Foundation Model Adaptation via Similarity-Guided Layer Pruning for Earth Observation

SIMPLER：通过相似性引导的层剪枝实现高效的地球观测基础模型适应

Víctor Barreiro, Johannes Jakubik, Francisco Argüello, Dora B. Heras

机构 * Centro Singular de Investigación en Tecnoloxías Intelixentes (CiTIUS), Universidade de Santiago de Compostela, Spain（智能技术研究中心（CiTIUS），圣地亚哥-德孔波斯特拉大学，西班牙） ； Departmento de Electrónica e Computación, Universidade de Santiago de Compostela, Spain（电子与计算系，圣地亚哥-德孔波斯特拉大学，西班牙） ； IBM Research Europe, Zurich, Switzerland（IBM欧洲研究院，瑞士苏黎世） 纠错

AI总结 SIMPLER通过在适应前选择有效的模型深度，减少推理和部署成本，同时在无需梯度、幅度启发式或超参数调优的情况下，通过预训练视觉变换器中更深层的表示稳定性，选择冗余层，实现参数减少79%且性能保留94%，提升训练和推理速度。

Data Driven Optimization of GPU efficiency for Distributed LLM-Adapter Serving

用于分布式大语言模型适配器服务的GPU效率数据驱动优化

Ferran Agullo, Joan Oliveras, Chen Wang, Alberto Gutierrez-Torre, Olivier Tardieu, Alaa Youssef, Jordi Torres, Josep Ll. Berral

机构 * BSC（巴塞罗那超级计算中心） ； IBM（国际商业机器公司） ； UPC（巴塞罗那技术大学） 纠错

AI总结 研究分布式大语言模型适配器服务中GPU资源利用问题，提出数据驱动管道，通过性能预测、数字孪生等组件，以最少GPU服务工作负载，提升效率，还可用于其他目标。

Comments update of the journal paper contents after major revision

When is a System Discoverable from Data? Discovery Requires Chaos

系统何时可从数据中发现？发现需要混沌

Zakhar Shumaylov, Peter Zaika, Philipp Scholl, Gitta Kutyniok, Lior Horesh, Carola-Bibiane Schönlieb

机构 * University of Cambridge（剑桥大学） ； IBM Research（IBM研究院） ； LMU Munich and Munich Center for Machine Learning (MCML)（慕尼黑大学及慕尼黑机器学习中心） 纠错

AI总结 研究在何种条件下能从有限观测中唯一识别系统控制方程，发现混沌对连续或解析函数空间中系统可发现性至关重要，还探讨了不同情况及对工程应用的影响，表明数据驱动发现假设需重新评估。

Comments 17 pages, 5 figures; Newly added Stability results and Experiments

Measuring the Robustness of Audio Deepfake Detection under Real-World Corruption

在现实世界损坏情况下测量音频深度伪造检测的鲁棒性

Xiang Li, Pin-Yu Chen, Wenqi Wei

机构 * Fordham University（福坦大学） ； IBM Research（IBM研究院） 纠错

AI总结 研究在现实世界音频常受损坏影响下，系统评估10种音频深度伪造检测模型对18种常见损坏类型的鲁棒性，使用传统和先进模型，得出模型对不同损坏的表现及提升鲁棒性方法等关键见解。