Meta

Latent Reasoning with Normalizing Flows

基于归一化流的潜在推理

Guancheng Tu, Xiangjun Fu, Suhao Yu, Yao Tang, Haoqiang Kang, Lianhui Qin, Yizhe Zhang, Jiatao Gu

机构 * University of Pennsylvania（宾夕法尼亚大学） ； UC San Diego（圣地亚哥大学） ； Meta 纠错

AI总结 提出NF-CoT框架，通过归一化流在LLM内部建模连续潜在思维，保留自回归生成、概率采样、KV缓存解码和似然估计等优势，在代码生成任务中提升通过率并降低推理成本。

Boosting Brain-to-Image Decoding with TRIBE v2 Data Augmentation

使用TRIBE v2数据增强提升脑到图像解码

Yohann Benchetrit, Marlène Careil, Simon Dahan, Hubert Banville, Stéphane d'Ascoli, Jean-Rémi King

机构 * Meta AI 纠错

AI总结 针对脑解码中标记数据稀缺的问题，提出利用预训练的fMRI响应模型TRIBE v2生成合成数据来增强小样本数据集，在两个数据集上实现最高68%的Top-10图像检索准确率提升，并发现纯合成数据训练的解码器在零样本设置中也能达到高于随机水平的性能。

Linear Probes Detect Task Format, Not Reasoning Mode in Language Model Hidden States

线性探针检测语言模型隐藏状态中的任务格式，而非推理模式

Subramanyam Sahoo, Vinija Jain, Aman Chadha, Divya Chaudhary

机构 * Horizon Research（远景研究） ； Meta ； Apple（苹果公司） ； Northeastern University（东北大学） 纠错

AI总结 通过线性探针实验发现，大语言模型隐藏状态中看似分离的推理模式实际上由任务格式（如来源、选项数、响应长度）混淆导致，而非真正的推理计算结构。

Comments Accepted in the 6th Workshop on Trustworthy NLP, ACL 2026

Personality Shapes Gender Bias in Persona-Conditioned LLM Narratives Across English and Hindi: An Empirical Investigation

性格在英语和印地语中影响人物条件化大语言模型叙事中的性别偏见：一项实证研究

Tanay Kumar, Shreya Gautam, Aman Chadha, Vinija Jain, Francesco Pierri

机构 * Politecnico di Milano（米兰理工学院） ； Apple（苹果公司） ； Meta 纠错

AI总结 本研究探讨了在英语和印地语中，人物条件化大语言模型叙事中的性别偏见如何受到性格特征的影响，发现性格特质与性别偏见的幅度和方向显著相关，特别是黑暗三联体性格特质与性别刻板印象的表示更相关，但这些关联在不同模型和语言中有所变化。

SOLARIS: Speculative Offloading of Latent-bAsed Representation for Inference Scaling

SOLARIS: 预测性卸载基于潜在表示的推理扩展

Zikun Liu, Liang Luo, Qianru Li, Zhengyu Zhang, Wei Ling, Jingyi Shen, Zeliang Chen, Yaning Huang, Jingxian Huang, Abdallah Aboelela, Chonglin Sun, Feifan Gu, Fenggang Wu, Hang Qu, Huayu Li, Jill Pan, Kaidi Pei, Laming Chen, Longhao Jin, Qin Huang, Tongyi Tang, Varna Puvvada, Wenlin Chen, Xiaohan Wei, Xu Cao, Yantao Yao, Yuan Jin, Yunchen Pu, Yuxin Chen, Zijian Shen, Zhengkai Zhang, Jing Zhu, Dong Liang, Ellie Wen

机构 * Meta AI 纠错

AI总结 本文提出SOLARIS框架，通过预测未来请求中的用户-项目交互嵌入，将昂贵的基础模型推理与关键服务路径解耦，从而在大规模应用中实现实时知识转移，提升服务效率和收益。

Comments Accepted to SIGIR 2026 Industry Track

On the Convergence of Multicalibration Gradient Boosting

多校准梯度提升的收敛性研究

Daniel Haimovich, Fridolin Linder, Lorenzo Perini, Niek Tax, Milan Vojnovic

机构 * Meta ； LSE, Department of Statistics（伦敦经济学院统计系） 纠错

AI总结 本文研究了多校准梯度提升的收敛性，证明了预测更新的幅度以O(1/√T)衰减，并在额外的平滑假设下实现线性收敛，实验验证了理论结果和方法的快速收敛性。

Comments Under submission

Learning Predictive Visuomotor Coordination

学习预测性视觉-运动协调

Wenqi Jia, Bolin Lai, Miao Liu, Danfei Xu, James M. Rehg

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Georgia Tech（佐治亚理工学院） ； Meta AI 纠错

AI总结 本文提出了一种基于预测的视觉-运动协调建模任务，通过结合第一人称视觉和运动学观测预测头部姿态、目光方向和上半身运动，展示了多模态整合在理解视觉-运动协调中的重要性。

Comments CVPR 2026 Findings