Meta

Agentic Discovery of Neural Architectures: AIRA-Compose and AIRA-Design

代理发现神经架构：AIRA-Compose和AIRA-Design

Alberto Pepe, Chien-Yu Lin, Despoina Magka, Bilge Acun, Yannan Nellie Wu, Anton Protopopov, Carole-Jean Wu, Yoram Bachrach

机构 * FAIR at Meta（Meta的FAIR） 纠错

AI总结 本文提出AIRA-Compose和AIRA-Design框架，通过自主设计神经网络架构，实现超越标准Transformer的基础模型，提升模型性能和效率。

Comments 55 pages, 28 figures, 21 tables

Learn2Splat: Extending the Horizon of Learned 3DGS Optimization

Learn2Splat: 扩展学得3DGS优化的视野

Naama Pearl, Stefano Esposito, Haofei Xu, Amit Peleg, Patricia Gschossmann, Lorenzo Porzi, Peter Kontschieder, Gerard Pons-Moll, Andreas Geiger

机构 * University of Tübingen, Tübingen AI Center（图宾根大学，图宾根人工智能中心） ； ETH Zurich（苏黎世联邦理工学院） ； Meta Reality Labs（Meta现实实验室） 纠错

AI总结 本文提出了一种学得优化器，通过元学习方案扩展优化视野，提升稀疏和密集视角下的重建质量与稳定性，实现零样本泛化。

AstraFlow: Dataflow-Oriented Reinforcement Learning for Agentic LLMs

AstraFlow：面向代理大语言模型的数据流强化学习

Haizhong Zheng, Yizhuo Di, Jiahui Wang, Shuowei Jin, Xueshen Liu, Yongji Wu, Z. Morley Mao, Ion Stoica, Jiawei Zhao, Beidi Chen

机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Michigan（密歇根大学） ； UC Berkeley（加州大学伯克利分校） ； Meta 纠错

AI总结 AstraFlow通过数据流导向的强化学习系统，实现复杂多策略协作训练和高效利用异构计算资源，提升代理LLM的推理与工具使用能力。

LPDS: Evaluating LLM Robustness Through Logic-Preserving Difficulty Scaling

LPDS：通过逻辑保持难度扩展评估LLM鲁棒性

Philipp Mondorf, Samuel J. Bell, Jesse Dodge, Dieuwke Hupkes

机构 * FAIR at Meta（Meta 的 FAIR 部门） ； Munich Center for Machine Learning（慕尼黑机器学习中心） 纠错

AI总结 本文提出LPDS框架，通过系统搜索逻辑保持变化来评估LLM鲁棒性，发现难度增加导致性能下降，且微调困难变体能获得更一致的鲁棒性提升。

Comments 41 pages, 31 figures

Agentic Recommender System with Hierarchical Belief-State Memory

具有分层信念状态记忆的代理推荐系统

Xiang Shen, Yuhang Zhou, Yifan Wu, Zhuokai Zhao, Siyu Lin, Lei Huang, Qianqian Zhong, Lizhu Zhang, Benyu Zhang, Xiangjun Fan, Hong Yan

机构 * Meta Recommendation Systems (MRS)（Meta推荐系统） 纠错

AI总结 本文提出MARS框架，通过分层信念状态记忆提升推荐系统，采用LLM规划器动态调度六种操作，实验显示在四个基准领域中实现SOTA性能。

Comments 4 figures, 8 tables

Asking the Right Questions: Improving Reasoning with Generated Stepping Stones

问对问题：通过生成的中间步骤提升推理能力

Hengyuan Hu, Tingchen Fu, Minqi Jiang, Alexander H Miller, Yoram Bachrach, Jakob Nicolaus Foerster

机构 * FAIR at Meta（Meta的FAIR） ； Stanford University（斯坦福大学） ； University of Oxford（牛津大学） 纠错

AI总结 本文研究了生成中间步骤对提升LLM推理能力的作用，提出ARQ框架通过生成问题增强推理过程，展示了生成问题的有效性和训练方法。

Multi-Probe Zero Collision Hash (MPZCH): Mitigating Embedding Collisions and Enhancing Model Freshness in Large-Scale Recommenders

多探针零碰撞哈希（MPZCH）：在大规模推荐系统中缓解嵌入碰撞并提升模型新鲜度

Ziliang Zhao, Bi Xue, Emma Lin, Tianqi Lu, Mengjiao Zhou, Kaustubh Vartak, Shakhzod Ali-Zade, Tao Li, Bin Kuang, Rui Jian, Bin Wen, Dennis van der Staay, Yixin Bao, Eddy Li, Chao Deng, Henry Wei, Songbin Liu, Qifan Wang, Kai Ren

机构 * Meta Platforms, Inc.（Meta平台公司） ； OpenAI 纠错

AI总结 本文提出MPZCH，一种基于线性探测的新型索引机制，通过合理表大小有效消除嵌入碰撞，保持生产效率，利用辅助张量和CUDA内核实现可配置探测和主动驱逐策略，防止哈希方法中的陈旧嵌入继承，提升物品嵌入新鲜度和质量。

Comments 9 pages, 6 figures

ART: Articulated Reconstruction Transformer

ART：关节重建转换器

Zizhang Li, Cheng Zhang, Zhengqin Li, Henry Howard-Jenkins, Zhaoyang Lv, Chen Geng, Jiajun Wu, Richard Newcombe, Jakob Engel, Zhao Dong

机构 * Reality Labs Research, Meta（Meta现实实验室） ； Stanford University（斯坦福大学） 纠错

AI总结 ART通过部分基于预测的方法，从稀疏多状态RGB图像中重建完整3D关节物体，实现了高效的关节物体重建。

Comments Project Page: https://kyleleey.github.io/ART/

Visual Compositional Tuning

视觉组合调谐

Xindi Wu, Hee Seung Hwang, Polina Kirichenko, Esin Tureci, Olga Russakovsky

机构 * Princeton University（普林斯顿大学） ； Meta AI 纠错

AI总结 本文提出COMPACT方法，通过组合多个基本视觉能力提升视觉指令调谐数据效率，减少训练样本数量并提升多模态任务性能。

Comments See the project website at this [URL](https://princetonvisualai.github.io/compact/)

ViewBridge: Curriculum Knowledge Distillation for Activity View-Invariance Under Extreme Viewpoint Changes

ViewBridge：用于极端视角变化下的活动视角不变性的课程知识蒸馏

Arjun Somayazulu, Efi Mavroudi, Changan Chen, Lorenzo Torresani, Kristen Grauman

机构 * UT Austin（得克萨斯大学奥斯汀分校） ； Meta AI ； Stanford University（斯坦福大学） ； Northeastern University（东北大学） 纠错

AI总结 本文提出ViewBridge框架，通过课程学习和知识蒸馏方法，在严重视角遮挡下学习丰富的视频表示，提升了极端视角变化下的活动识别性能。