University of Edinburgh（爱丁堡大学）

EuroLLM-22B: Technical Report

EuroLLM-22B：技术报告

Miguel Moura Ramos, Duarte M. Alves, Hippolyte Gisserot-Boukhlef, João Alves, Pedro Henrique Martins, Patrick Fernandes, José Pombal, Nuno M. Guerreiro, Ricardo Rei, Nicolas Boizard, Amin Farajian, Mateusz Klimaszewski, José G. C. de Souza, Barry Haddow, François Yvon, Pierre Colombo, Alexandra Birch, André F. T. Martins

机构 * Instituto Superior Técnico & Universidade de Lisboa (Lisbon ELLIS Unit)（里斯本ELLIS单位（理工学院与里斯本大学）） ； Instituto de Telecomunicações（电信研究院） ； MICS, CentraleSupélec, Université Paris-Saclay（MICS、中央圣艾尔布兰理工大学、巴黎萨克雷大学） ； Acolad ； Carnegie Mellon University（卡内基梅隆大学） ； University of Edinburgh（爱丁堡大学） ； Diabolocom ； Aveni ； OutSystems ； Sword Health ； Sorbonne Université, CNRS, ISIR（索邦大学、国家科学研究中心、ISIR） ； Artefact Research Center（Artefact研究机构） ； TransPerfect 纠错

AI总结 EuroLLM-22B是一款覆盖24种欧盟语言及11种额外语言的大型语言模型，通过多语言基准测试展现强推理、指令遵循和翻译能力，提供基础模型、指令微调模型及预训练代码库以支持未来研究。

Learning to Summarize by Learning to Quiz: Adversarial Agentic Collaboration for Long Document Summarization

通过学习提问来学习总结：对抗性代理协作用于长文档摘要

Weixuan Wang, Minghao Wu, Barry Haddow, Alexandra Birch

机构 * School of Informatics, University of Edinburgh（信息学院，爱丁堡大学） ； Tongyi Lab, Alibaba Group（通义实验室，阿里巴巴集团） 纠错

AI总结 SummQ通过对抗性代理协作提升长文档摘要质量，利用生成和评审代理以及问题生成机制实现摘要的迭代优化。

HBO: Hierarchical Balancing Optimization for Fine-Tuning Large Language Models

HBO：用于微调大语言模型的分层平衡优化

Weixuan Wang, Minghao Wu, Barry Haddow, Alexandra Birch

机构 * School of Informatics, University of Edinburgh（爱丁堡大学信息学院） ； Tongyi Lab, Alibaba Group（阿里集团通义实验室） 纠错

AI总结 HBO通过分层平衡优化方法，在LLM微调中解决数据不平衡和异质性问题，提升跨数据集和单数据集的训练效果。

AccentBox: Towards High-Fidelity Zero-Shot Accent Generation

AccentBox: 向高保真零样本口音生成迈进

Jinzuomu Zhong, Korin Richmond, Zhiba Su, Siqi Sun

机构 * Centre for Speech Technology Research, University of Edinburgh, UK（语音技术研究中心，爱丁堡大学，英国） ； Department of AI Technology, Transsion, China（人工智能技术系，Transsion，中国） 纠错

AI总结 AccentBox通过两阶段流程实现高保真零样本口音生成，提升口音识别与生成的准确性和多样性。

Comments Accepted by ICASSP 2025

Interpretability by Design for Efficient Multi-Objective Reinforcement Learning

为高效多目标强化学习设计可解释性

Qiyue Xia, Tianwei Wang, J. Michael Herrmann

机构 * School of Informatics, The University of Edinburgh（信息学院，爱丁堡大学） ； School of Mathematics, The University of Edinburgh（数学学院，爱丁堡大学） ； Edinburgh Centre for Robotics（爱丁堡机器人中心） 纠错

AI总结 LLE-MORL通过设计实现可解释性，利用局部线性映射提升多目标强化学习的效率和解质量。