Meta

Free-Range Gaussians: Non-Grid-Aligned Generative 3D Gaussian Reconstruction

自由范围高斯：非网格对齐的生成3D高斯重建

Ahan Shabanov, Peter Hedman, Ethan Weber, Zhengqin Li, Denis Rozumny, Gael Le Lan, Naina Dhingra, Lei Luo, Andrea Vedaldi, Christian Richardt, Andrea Tagliasacchi, Bo Zhu, Numair Khan

机构 * Meta Reality Labs（Meta现实实验室） ； Simon Fraser University（西蒙菲莎大学） ； University of Oxford（牛津大学） ； University of Toronto（多伦多大学） 纠错

AI总结 本文提出Free-Range Gaussians方法，通过高斯参数流匹配从四张图像预测非像素非体素对齐的3D高斯，提升重建质量并减少冗余。

Comments Project Page: https://free-range-gaussians.github.io

Synthetic Sandbox for Training Machine Learning Engineering Agents

合成沙盒用于训练机器学习工程代理

Yuhang Zhou, Lizhu Zhang, Yifan Wu, Jiayi Liu, Xiangjun Fan, Zhuokai Zhao, Hong Yan

机构 * Meta AI 纠错

AI总结 本文提出SandMLE框架，通过生成多样化的合成机器学习工程环境，显著提升机器学习工程代理的训练效率，实现大规模在线策略学习，并在多个基准测试中取得显著性能提升。

Comments 28 pages, 9 tables, 8 figures

Lighting Up or Dimming Down? Exploring Dark Patterns of LLMs in Co-Creativity

照亮还是熄灭？探索LLM在共创造中的暗模式

Zhu Li, Jiaming Qu, Yuan Chang

机构 * Not reflecting the authors’ positions at Meta/Amazon.（不反映作者在Meta/Amazon的职位。） 纠错

AI总结 研究探讨LLM在共创造中五种暗模式对人类创造力的影响，发现Sycophancy普遍存在，Anchoring受文学形式影响，提出AI设计需支持创造性写作。

Brittlebench: Quantifying LLM robustness via prompt sensitivity

Brittlebench: 通过提示敏感性量化大语言模型的鲁棒性

Angelika Romanou, Mark Ibrahim, Candace Ross, Chantal Shaib, Kerem Oktar, Samuel J. Bell, Anaelia Ovalle, Jesse Dodge, Antoine Bosselut, Koustuv Sinha, Adina Williams

机构 * FAIR at Meta（Meta FAIR） ； EPFL（瑞士联邦理工学院洛桑） ； Northeastern University（东北大学） 纠错

AI总结 本文提出Brittlebench框架，通过提示变异量化大语言模型的鲁棒性，揭示模型在真实输入下的性能波动，强调对更鲁棒模型和评估的需求。

Self-Improving Pretraining: using post-trained models to pretrain better models

自我改进预训练：利用后训练模型来预训练更好的模型

Ellen Xiaoqing Tan, Jack Lanchantin, Shehzaad Dhuliawala, Danwei Li, Thao Nguyen, Jing Xu, Ping Yu, Ilia Kulikov, Sainbayar Sukhbaatar, Jason Weston, Xian Li, Olga Golovneva

机构 * FAIR at Meta（Meta FAIR） 纠错

AI总结 本文提出一种新的预训练和中训练方法，通过利用已有的强后训练模型来重写预训练数据并判断策略模型的 rollout，从而在早期训练中引入安全、事实性、生成质量和推理能力等关键行为，提升模型整体性能。

Improving ML Attacks on LWE with Data Repetition and Stepwise Regression

通过数据重复和逐步回归改进ML对LWE的攻击

Alberto Alfarano, Eshika Saxena, Emily Wenger, François Charton, Kristin Lauter

机构 * FAIR at Meta（Meta FAIR） ； Duke University（杜克大学） 纠错

AI总结 本文通过增大训练集和重复样本提升对LWE的ML攻击效果，引入逐步回归技术恢复密钥中的'冷位'，并发现模型尝试、数据集大小和重复样本间存在幂律关系。

Self-Execution Simulation Improves Coding Models

自主执行模拟提升编码模型

Gallil Maimon, Ori Yoran, Felix Kreuk, Michael Hassid, Gal Cohen, Pierre Chambon, Yossi Adi

机构 * FAIR team, Meta（Meta FAIR团队） ； Hebrew University of Jerusalem（耶路撒冷希伯来大学） ； Inria（法国国家信息与自动化研究所） 纠错

AI总结 本文通过自主执行模拟提升编码模型，结合监督微调与强化学习，改进编程竞赛表现，验证了执行模拟在代码生成中的有效性。

Cite Pretrain: Retrieval-Free Knowledge Attribution for Large Language Models

Cite Pretrain: 无需检索的知识归因于大语言模型

Yukun Huang, Sanxing Chen, Jian Pei, Manzil Zaheer, Bhuwan Dhingra

机构 * Duke University（杜克大学） ； Meta 纠错

AI总结 本文提出CitePretrainBench基准，通过修改训练过程使大语言模型在无检索情况下可靠归因于训练期间看到的文档。通过两阶段方法提升模型在短形式和长形式引用任务中的表现，实验显示Active Indexing在多个任务和模型中均取得30.2%的引用精度提升。