IBM

Skill Issue: Are Skills Language-Invariant in LLMs?

技能问题：大型语言模型的技能是否具有语言不变性？

Bobby Cheng, Adam Gaber, Zhengyuan Liu, Catherine Arnett, Omer Goldman, Cheston Tan, Leshem Choshen

机构 * A*STAR（新加坡科技研究局） ； Weizmann Institute of Science（魏茨曼科学研究所） ； MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室） ； University of Cambridge（剑桥大学） ； EleutherAI 纠错

AI总结 该研究以多语言自博弈方法量化大型语言模型的跨语言技能不一致性，发现同一模型在不同语言下博弈实力差异显著，语言可影响决策阶段，技能差异是多语言模型开发的主要障碍。

DataKernelBench: Can LLMs Optimize Database Queries on GPUs?

DataKernelBench：大语言模型能否在GPU上优化数据库查询？

Gokul Karthik Kumar, Yotam Perlitz, Corey Lammie, Andrea Giovannini, Katja Hose

机构 * IBM Research（IBM研究院） ； TU Wien（维也纳技术大学） 纠错

AI总结 本文提出DataKernelBench基准，评估LLM在GPU上优化数据库查询内核的能力，实验显示最强模型配置在TPC-H数据集上实现2.11倍加速，工作负载上下文对性能影响大于硬件上下文。

Comments Accepted at EMNLP 2026. Homepage: this https URL (https://kerneldf.github.io/datakernelbench)

Precipitation Downscaling Using Foundation Model-Conditioned Diffusion

基于基础模型条件扩散的降水降尺度方法

Victor Nascimento Ribeiro, Jorge Guevara, Jorge Sebastian Moraga, Chris Lucas, Natalie Lord, Andrew Taylor, Edward Lockhart, Will Trojak, Johannes Schmude, Anne Jones

机构 * IBM Research（IBM研究院） ； Fathom ； STFC Hartree Centre（STFC哈特雷中心） 纠错

AI总结 该研究针对降水降尺度问题，探究三种扩散模型条件策略，发现交叉注意力条件优于通道拼接，且Prithvi WxC基础模型在数据有限场景下性能良好。

Tracing Target Answers in Poisoned Retrieval Corpora via Token Influence Attribution

通过令牌影响归因追踪中毒检索语料库中的目标答案

Yan-Lun Chen, Pin-Yu Chen, Chia-Mu Yu, Ying-Dar Lin, Yu-Sung Wu, Wei-Bin Lee

机构 * National Yang Ming Chiao Tung University（阳明交通大学） ； IBM Research（IBM研究院） ； Hon Hai Research Institute（宏海研究院） 纠错

AI总结 提出TRACE框架，通过令牌影响归因识别检索增强生成系统中的语料投毒攻击，无需额外分类器或LLM验证，在三个QA基准和六个LLM上验证了有效性。

Comments This paper has been accepted to EMNLP 2026 Industry Track

AIRL-S: Unifying Reinforcement Learning and Search-Based Test-Time Scaling via Adversarial Inverse Reinforcement Learning

你的强化学习奖励函数是你的最佳搜索PRM：统一强化学习与基于搜索的文本生成

Can Jin, Yang Zhou, Qixin Zhang, Hongwu Peng, Di Zhang, Zihan Dong, Marco Pavone, Ligong Han, Zhang-Wei Hong, Tong Che, Dimitris N. Metaxas

机构 * Rutgers University（新泽西州立大学） ； Nanyang Technological University（南洋理工大学） ； University of Connecticut（康涅狄格大学） ； Fudan University（复旦大学） ； NVIDIA Research（NVIDIA研究） ； Red Hat AI Innovation（红帽AI创新） ； MIT-IBM Watson AI Lab（MIT-IBM沃森AI实验室） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本文提出AIRL-S，通过强化学习与搜索技术的统一，利用奖励函数直接学习动态PRM，提升推理链扩展和跨任务泛化能力，实验显示性能提升9%并优于基线PRM。