Meta

Does Multi-Agent Debate Improve AI Feedback on Research Papers?

多智能体辩论能否改善人工智能对研究论文的反馈？

Tomas Havranek, Zuzana Irsova

机构 * Charles University, Faculty of Social Sciences, Institute of Economic Studies（查理大学社会科学学院经济研究所） ； Charles University, Prague Centre for Economic Policy Research, London（查理大学布拉格经济政策研究中心，伦敦） ； Meta-Research Innovation Center at Stanford（斯坦福大学元研究创新中心） 纠错

AI总结 研究探讨多智能体辩论能否改善人工智能对研究论文的反馈。通过44篇元分析作者对三篇人工智能报告排名，发现作者更青睐前沿模型单次审阅，且不同评判排序有差异，警示不能用人工智能评判替代作者，还衡量了对已完成论文的有用性。

Comments 29 pages, 1 figure, 6 tables. Pre-registered on OSF; data, code, judge prompts, and blinded reports in the replication package on Zenodo. Project page: https://meta-analysis.cz/debate

Ray-based phase error correction for miniaturized DOE projector-based FPP under single-directional hyperbolic projection

基于光线的微型 DOE 投影仪的 FPP 在单向双曲投影下的相位误差校正

Seung-Jae Son, Yatong An, Jae-Sang Hyun

机构 * School of Mechanical Engineering Yonsei University（延世大学机械工程学院） ； Meta Reality Labs（Meta 现实实验室） 纠错

AI总结 针对微型 DOE投影仪的FPP系统相位伪影问题，提出基于光线的相位误差校正框架，引入基于单向双曲条纹图案的针孔估计方法及数据高效策略，实验证明该方法能显著提高非线性投影条件下的重建精度。

Rotational Motion-Induced Error Compensation for Phase-Shifting Profilometry-Based Eye Reconstruction

基于相移轮廓术的眼部重建中旋转运动引起的误差补偿

Seong-Jin An, Sanghoon Jeon, Yatong An, Jae-Sang Hyun

机构 * Department of Mechanical Engineering, Yonsei University（延世大学机械工程系） ； Meta Reality Labs（Meta现实实验室） 纠错

AI总结 针对相移轮廓术在眼部重建中因眼旋转产生的误差问题，提出基于特定用户三维眼模型估计眼旋转，补偿相机像素失配和相移误差，并引入区域优化策略，实验证明可提高重建精度，为高精度眼动追踪奠定基础。

Flow Matching in Feature Space for Stochastic World Modeling

特征空间中的流匹配用于随机世界建模

Francois Porcher, Nicolas Carion, Karteek Alahari, Shizhe Chen

机构 * FAIR at Meta（Meta的FAIR） 纠错

AI总结 提出FlowWM，在预训练特征空间中直接进行流匹配，通过可微一步投影机制实现高效训练，在合成和真实基准上提升感知性能、模式覆盖和时域鲁棒性。

Comments 24 pages, 18 figures, 6 tables

Learning Pseudorandom Numbers with Transformers: Permuted Congruential Generators, Curricula, and Interpretability

利用Transformer学习伪随机数：排列同余生成器、课程学习与可解释性

Tao Tao, Maissam Barkeshli

机构 * Department of Physics, University of Maryland, College Park, USA（大学物理系，马里兰大学，College Park, USA） ； Meta FAIR Joint Quantum Institute, University of Maryland（Meta FAIR联合量子研究所，马里兰大学） 纠错

AI总结 本研究探讨了Transformer模型学习排列同余生成器生成的序列能力，揭示了课程学习在处理大模数时的重要性，并发现嵌入层中存在位旋转不变的聚类现象。

Comments 10+13 pages, 8+21 figures

Journal ref International Conference on Learning Representations (ICLR) 2026