Meta

Speculative Sampling For Faster Molecular Dynamics

用于加速分子动力学的推测采样

Arthur Kosmala, Stephan Günnemann, Meng Gao, Brandon Wood

机构 * FAIR at Meta（Meta FAIR） ； School of Computation, Information & Technology, Technical University of Munich（技术大学慕尼黑计算、信息与技术学院） ； Munich Data Science Institute（慕尼黑数据科学研究所） ； Munich Center For Machine Learning（慕尼黑机器学习中心） 纠错

AI总结 提出Langevin推测动力学（LSD），一种分布式且模型无关的推测采样方法，通过草稿模型快速提议步长并用目标模型并行验证，实现分子动力学模拟的3-9倍加速而不增加相对误差。

Comments Forty-Third International Conference on Machine Learning (ICML 2026). 32 pages, 14 figures, 8 tables

OPD+: Rethinking the Advantage Design for On-Policy Distillation

OPD+: 重新思考在线策略蒸馏中的优势设计

Hanyang Zhao, Haoxian Chen, Han Lin, Genta Indra Winata, David Yao, Wenpin Tang

机构 * Columbia University（哥伦比亚大学） ； Amazon（亚马逊） ； Meta ； Capital One 纠错

AI总结 本文提出OPD+，通过修正在线策略蒸馏中因停止梯度操作导致的奖励目标偏差，并支持多种f-散度，在数学推理和工具使用基准上提升了性能。

SuperMemory-VQA: An Egocentric Visual Question-Answering Benchmark for Long-Horizon Memory

SuperMemory-VQA：面向长期记忆的自我中心视觉问答基准

Samiul Alam, Shakhrul Iman Siam, Michael J. Proulx, James Fort, Richard Newcombe, Hyo Jin Kim, Mi Zhang

机构 * The Ohio State University（俄亥俄州立大学） ； Meta Project（Meta项目） 纠错

AI总结 提出SuperMemory-VQA数据集，包含52.9小时AI眼镜录制的日常活动及4853个多选问答对，用于评估AI助手在长期记忆任务上的表现，发现现有系统可靠性不足。

Comments 34 pages, 21 figures, 5 tables

An Attribute-Based Measure of Video Complexity

基于属性的视频复杂度度量

Aditya Sarkar, Yi Li, Zihao Wang, Jiacheng Cheng, Sai Vidyaranya Nuthalapati, Aashu Singh, Shlok Kumar Mishra, David Jacobs, Nuno Vasconcelos

机构 * UMIACS-University of Maryland College Park（马里兰大学College Park分校UMIACS） ； University of California San Diego（加州大学圣地亚哥分校） ； Yale University（耶鲁大学） ； Meta AI 纠错

AI总结 提出VideoABC框架，通过属性空间量化估计视频-问题对在视频大语言模型上的失败概率，实现非参数复杂度度量。

Synthetic Data from Cross-Domain Events for Large-Scale Recommendation Systems

跨域事件的合成数据用于大规模推荐系统

Xiangyu Wang, Yawen He, Shivendra Pratap Singh, Han Huang, Mengtong Hu, Sharath Ciddu, Yi-Hsuan Hsieh, Erik Groving, Yi Ding, Jieming Di, Tony Wang, Min Yun, Xiaoyu Chen, Ling Leng, Rob Malkin

机构 * Meta 纠错

AI总结 提出SCALR框架，通过源域事件生成目标域的合成用户-物品交互事件，以缓解数据稀疏和噪声反馈问题，并在工业推荐平台的在线A/B测试中取得显著改进。

Comments 13 pages, 3 figures

Quantized Reasoning Models Think They Need to Think Longer, but They Do Not

量化推理模型认为它们需要思考更长时间，但实际上并不需要

Sanae Lotfi, Polina Kirichenko, Steven Li, Zechun Liu

机构 * FAIR at Meta（Meta 联合实验室） ； Meta AI 纠错

AI总结 本文发现后训练量化会降低推理模型准确率并增加思维链长度，通过分析量化模型在中间步骤正确但最终输出错误的“过度思考”错误，提出一种无训练的对过度思考标记施加logit惩罚的方法，在保持或提升准确率的同时减少12-23%的思维链长度。

Foundation-Preserving Adaptation via Generalized Rayleigh-Quotient Optimization

基于广义瑞利商优化的基础模型保留适配

Dongjun Kim, Adrian de Wynter, Huancheng Chen, Heasung Kim, Haris Vikalo

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Microsoft（微软） ； Microsoft AI（微软人工智能） ； Meta 纠错

AI总结 提出FoLoRA框架，通过广义瑞利商优化更新方向，在微调中平衡下游任务性能与预训练能力保留。

LagerNVS: Latent Geometry for Fully Neural Real-time Novel View Synthesis

LagerNVS：用于全神经实时新视角合成的潜在几何

Stanislaw Szymanowicz, Minghao Chen, Jianyuan Wang, Christian Rupprecht, Andrea Vedaldi

机构 * Visual Geometry Group, University of Oxford（牛津大学视觉几何组） ； Meta AI 纠错

AI总结 提出LagerNVS，一种基于3D感知潜在特征的编码器-解码器神经网络，通过显式3D监督预训练初始化编码器，结合轻量解码器和光度损失端到端训练，实现实时、泛化的新视角合成，在Re10k上达到31.4 PSNR。

Comments IEEE CVF Conference on Computer Vision and Pattern Recognition 2026. Project page with code, models and examples: szymanowiczs.github.io/lagernvs

Adaptive Exploration for Latent-State Bandits

潜在状态赌博机的自适应探索

Jikai Jin, Kenneth Hung, Sanath Kumar Krishnamurthy, Baoyi Shi, Congshan Zhang

机构 * The Institute for Computational and Mathematical Engineering（计算与数学工程研究所） ； Stanford University（斯坦福大学） ； Meta Platforms, Inc.（Meta平台公司） ； Ads Online Experimentation（广告在线实验部） ； Central Applied Science（应用科学中央研究所） 纠错

AI总结 针对奖励依赖于未观测马尔可夫状态的赌博机问题，提出基于LinUCB的自适应算法，通过滞后动作-奖励对和探针指纹两种摘要来区分状态，并采用残差、边际和过时测试动态更新指纹，在合成压力测试中相比标准、对抗和非平稳基线降低了动态遗憾。

Comments 12 pages, 3 figures, 5 tables

Principled Synthetic Data Enables the First Scaling Laws for LLMs in Recommendation

原则性合成数据使推荐系统中的LLM首次出现缩放定律

Benyu Zhang, Qiang Zhang, Jianpeng Cheng, Hong-You Chen, Qifei Wang, Wei Sun, Shen Li, Jia Li, Jiahao Wu, Qunshu Zhang, Neeraj Bhatia, Xiangjun Fan, Hong Yan

机构 * Meta 纠错

AI总结 本文提出一种分层框架生成高质量合成数据，通过避免原始数据噪声，首次在推荐领域实现LLM的稳健幂律缩放，并显著提升下游排序任务性能。

Comments update according to icml reviewers feedback

Journal ref ICML 2026

Online Learning in MDPs with Partially Adversarial Transitions and Losses

具有部分对抗性转移和损失的MDP中的在线学习

Ofir Schlisselberg, Tal Lancewicki, Yishay Mansour

机构 * Tel Aviv University（特拉维夫大学） ； Meta AI ； Google Research（谷歌研究院） 纠错

AI总结 研究转移函数在大多数步骤随机但在每回合固定Λ个步骤可对抗的MDP中的强化学习，提出条件占用度量并设计两种算法，分别处理任意对抗步骤和连续对抗步骤，并给出全对抗设置下的遗憾界。

Structure Enables Effective Self-Localization of Errors in LLMs

结构使语言模型能够有效自我定位错误

Ankur Samanta, Akshayaa Magesh, Ayush Jain, Kavosh Asadi, Youliang Yu, Daniel Jiang, Boris Vidolov, Kaveh Hassani, Paul Sajda, Jalaj Bhandari, Yonathan Efroni

机构 * Meta AI ； Columbia University（哥伦比亚大学） ； Meta Superintelligence Labs（Meta超智能实验室） ； Tel Aviv University（特拉维夫大学） 纠错

AI总结 本文提出结构化推理方法，通过将推理分解为离散语义步骤，使语言模型能更可靠地定位错误，并基于此设计了迭代纠正采样框架Thought-ICS，实现20-40%的自我纠正提升。

Scaling depth capacity via zero/one-layer model expansion

通过零/单层模型扩展扩展深度容量

Zhiqi Bu

机构 * Meta FAIR 纠错

AI总结 提出零/单层渐进训练方法，通过优化理论和特征学习分析深度扩展，在GPT2上节省约80%计算量并实现约5倍加速，在LLAMA3和DeepSeekV3上展示3~5倍计算效率提升。

Comments Accepted to ICML 2026

iLRM: An Iterative Large 3D Reconstruction Model

iLRM：一种迭代式大型3D重建模型

Gyeongjin Kang, Seungtae Nam, Seungkwon Yang, Xiangyu Sun, Sameh Khamis, Abdelrahman Mohamed, Eunbyung Park

机构 * Sungkyunkwan University（首尔大学） ； Yonsei University（延世大学） ； Rembrand ； Meta 纠错

AI总结 提出一种迭代式大型3D重建模型iLRM，通过解耦场景表示、分解多视图交互和注入高分辨率信息，实现高效、可扩展的前馈3D重建，在RE10K和DL3DV数据集上优于现有方法。

Comments Project page: https://gynjn.github.io/iLRM/

Score Function Gradient Estimation to Widen the Applicability of Decision-Focused Learning

评分函数梯度估计以拓宽决策聚焦学习的适用性

Mattia Silvestri, Senne Berden, Jayanta Mandi, Ali İrfan Mahmutoğulları, Brandon Amos, Tias Guns, Michele Lombardi

机构 * University of Bologna（博洛尼亚大学） ； KU Leuven（鲁汶大学） ； Meta 纠错

AI总结 提出一种结合随机平滑与评分函数梯度估计的方法，无需对问题结构做特定假设，即可将决策聚焦学习扩展到非线性目标、约束中不确定参数及两阶段随机优化问题。

Journal ref Silvestri, Mattia, et al. "Score Function Gradient Estimation to Widen the Applicability of Decision-Focused Learning." Journal of Artificial Intelligence Research 85 (2026)