Structuring and Tokenizing Distributed User Interest Context for Generative Recommendation
结构化与分词化分布式用户兴趣上下文以支持生成式推荐
机构 * University of Illinois Urbana--Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Meta MRS
AI总结 提出G2Rec框架，通过统一图建模与语义分词，实现工业级生成式推荐中用户兴趣上下文的全面准确建模。
大厂专区
Meta
SAGE-OPD: Selective Agent-Guided Intervention for Multi-Turn On-Policy Distillation
SAGE-OPD：面向多轮在策略蒸馏的选择性智能体引导干预
机构 * Meta AI
AI总结 提出SAGE-OPD框架，通过环境反馈和教师判断选择性干预学生响应，结合置信度加权和损失归一化，解决多轮在策略蒸馏中的错误累积问题，在ALFWorld任务中取得13.3%的相对提升。
Comments 21 pages, 3 figures
Prediction of Alzheimer's Disease Risk Factors from Retinal Images via Deep Learning: Development and Validation of Biologically Relevant Morphological Associations in the UK Biobank
基于深度学习的视网膜图像预测阿尔茨海默病风险因素：英国生物银行中生物学相关形态学关联的开发和验证
机构 * J. Crayton Pruitt Family Dept. of Biomedical Engineering, University of Florida（朱·克雷顿·普瑞特生物医学工程系，佛罗里达大学） ； University of Florida Research Computing（佛罗里达大学研究计算中心） ； Meta AI (FAIR)（Meta AI（FAIR）） ； School of Behavioral and Brain Sciences, University of Texas at Dallas（德克萨斯大学达拉斯分校行为与脑科学学院） ； Dept. of Electrical and Computer Engineering, University of Florida（佛罗里达大学电气与计算机工程系） ； Dept. of Computer and Information Science and Engineering, University of Florida（佛罗里达大学计算机与信息科学与工程系） ； Center for Cognitive Aging and Memory, University of Florida（佛罗里达大学认知衰老与记忆中心）
AI总结 利用深度学习从视网膜彩色眼底照片预测12个阿尔茨海默病相关风险因素，并揭示其背后的视网膜结构特征，发现视神经头和视网膜血管等区域与风险因素及阿尔茨海默病前期变化相关。
Comments Accepted to the "Journal of Alzheimer's Disease" for publication
PTLD: Sim-to-real Privileged Tactile Latent Distillation for Dexterous Manipulation
PTLD: 从仿真到现实的触觉潜在知识蒸馏用于灵巧操作
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Washington（华盛顿大学） ； FAIR at Meta（Meta的FAIR团队） ； UC Berkeley（伯克利大学）
AI总结 提出PTLD方法，通过真实世界触觉策略数据蒸馏鲁棒状态估计器，解决触觉仿真困难问题，在灵巧操作任务中相比纯本体感策略提升182%和57%。
Reinforcement-aware Knowledge Distillation for LLM Reasoning
面向LLM推理的强化学习感知知识蒸馏
机构 * Meta ； Guo et al. ； Lin et al. ； Xu et al. ； Shao et al. ； Schulman et al. ； Xie et al.
AI总结 提出RL感知蒸馏（RLAD），通过信任区域比率蒸馏（TRRD）在强化学习后训练中实现选择性模仿，解决分布不匹配和目标干扰问题，在逻辑推理和数学基准上优于现有方法。
Omnilingual SONAR: Cross-Lingual and Cross-Modal Sentence Embeddings Bridging Massively Multilingual Text and Speech
Omnilingual SONAR：跨语言与跨模态句子嵌入，连接大规模多语言文本与语音
机构 * FAIR at Meta（Meta的FAIR）
AI总结 提出OmniSONAR模型，通过渐进式训练和教师-学生蒸馏，在数千种语言上实现文本、语音、代码和数学表达式的统一语义嵌入，在跨语言检索和翻译任务上显著降低错误率，并支持零样本语音翻译。
Beyond Reasoning Gains: Mitigating General-Capability Forgetting in Large Reasoning Models
超越推理增益：缓解大型推理模型中的通用能力遗忘
机构 * Meta Superintelligence Labs（Meta超智能实验室） ； New York University（纽约大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 针对强化学习训练导致推理模型遗忘基础能力的问题，提出RECAP重放策略，通过动态目标重加权在线调整训练重点，在保持通用能力的同时提升推理性能。
RoboSSM: Scalable In-context Imitation Learning via State-Space Models
RoboSSM: 基于状态空间模型的可扩展上下文模仿学习
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； KAIST（韩国科学技术院） ； FAIR at Meta（元宇宙FAIR） ； Amazon（亚马逊） ； Sony AI（索尼人工智能）
AI总结 提出RoboSSM，用状态空间模型替代Transformer实现上下文模仿学习，在LIBERO基准上对未见和长时任务泛化更优，首次证明SSM是ICIL高效可扩展的骨干网络。
Comments IROS 2026
