Modular Prompt Optimization: Optimizing Structured Prompts with Section-Local Textual Gradients
模块化提示优化：通过部分局部文本梯度优化结构化提示
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 模块化提示优化通过局部文本梯度优化结构化提示，提升小型开源LLM的推理性能。
高校专区
Carnegie Mellon University（卡内基梅隆大学）
LinkD: AutoRegressive Diffusion Model for Mechanical Linkage Synthesis
LinkD：用于机械连杆合成的自回归扩散模型
机构 * Department of Mechanical Engineering, Carnegie Mellon University, Pittsburgh, PA, USA（机械工程系，卡内基梅隆大学，匹兹堡，PA，USA）
AI总结 LinkD通过自回归扩散模型实现机械连杆的高效逆向设计，结合因果Transformer和DDPM，支持动态生成和自适应修正，适用于大规模复杂机械系统。
Grading Scale Impact on LLM-as-a-Judge: Human-LLM Alignment Is Highest on 0-5 Grading Scale
评分尺度对LLM作为裁判的影响：人类与LLM的对齐在0-5评分尺度上最高
机构 * Harvard University（哈佛大学） ； CMU（卡内基梅隆大学） ； Stanford University（斯坦福大学） ； UC San Diego（圣地亚哥大学）
AI总结 本文研究了评分尺度对LLM作为裁判一致性的影响，发现0-5评分尺度在人类与LLM之间产生最强的一致性。
Jailbreak-Zero: A Path to Pareto Optimal Red Teaming for Large Language Models
Jailbreak-Zero：大型语言模型安全评估的帕累托最优渗透测试路径
机构 * Meta Superintelligence Labs（Meta超智能实验室） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 Jailbreak-Zero通过生成多样化对抗性提示并微调攻击模型，实现了LLM安全评估的帕累托最优，提高了攻击成功率并减少了人工干预需求。
Comments Socially Responsible and Trustworthy Foundation Models at NeurIPS 2025
Explaining Necessary Truths
解释必要的真理
机构 * Department of Computer Science, University of Colorado, Boulder, CO 80309, USA（计算机科学系，科罗拉多大学，布洛克，科罗拉多80309，美国） ； the Santa Fe Institute, Santa Fe, NM 87501, USA（圣菲研究所，圣菲，新墨西哥87501，美国） ； Carnegie Mellon University, Pittsburgh, PA 15213, USA（卡内基梅隆大学，匹兹堡，宾夕法尼亚15213，美国）
AI总结 本文提出基于计算复杂性的框架，解释逻辑必然真理的成因，并通过模拟人类解决SAT谜题验证理论。
Comments 7 pages, in review
Journal ref Proceedings of the Annual Meeting of the Cognitive Science Society, 47 (2025)
