Less is More: Benchmarking LLM Based Recommendation Agents
少即是多：基于大语言模型的推荐代理基准测试
机构 * University of California, Santa Cruz（加州大学圣克鲁兹分校） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文通过基准测试挑战了“更多上下文更好”的假设，发现较短上下文能有效降低推理成本而不影响推荐质量。
高校专区
Georgia Institute of Technology（佐治亚理工学院）
Minimax Rates for Hyperbolic Hierarchical Learning
超几何分层学习的最坏率
机构 * University of California, Berkeley（加州大学伯克利分校） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 该研究证明了双曲空间在分层学习中能实现信息论最优的样本复杂度，而欧几里得空间则面临指数级的样本复杂度问题。
Decomposing multimodal embedding spaces with group-sparse autoencoders
用组稀疏自编码器分解多模态嵌入空间
机构 * School of Electrical and Computer Engineering（电气与计算机工程学院） ； Georgia Institute of Technology（佐治亚理工学院） ； Dolby Laboratories（杜比实验室）
AI总结 本文提出基于组稀疏正则化的多模态嵌入分解方法，通过跨模态随机遮蔽提升多模态对齐，减少死神经元并增强语义性。
Comments 19 pages
Spectral Representation-based Reinforcement Learning
基于谱表示的强化学习
机构 * Georgia Tech（佐治亚理工学院） ； Harvard University（哈佛大学） ； University of Alberta（阿尔伯塔大学） ； Google（谷歌） ； DeepMind（深度Mind）
AI总结 本文提出基于谱表示的强化学习框架，通过谱分解转移算子来提升策略优化效果，并在多个任务中验证了其性能优势。
LEGO-Eval: Towards Fine-Grained Evaluation on Synthesizing 3D Embodied Environments with Tool Augmentation
LEGO-Eval: 向通过工具增强合成3D具身环境的细粒度评估迈进
机构 * Yonsei University（延世大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 LEGO-Eval通过工具增强合成3D具身环境，提供细粒度评估框架和基准测试集，提升场景与指令对齐的准确性。
NoWag: A Unified Framework for Shape Preserving Compression of Large Language Models
NoWag：一种用于大型语言模型形状保持压缩的统一框架
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Georgia Institute of Technology（佐治亚理工学院） ； Princeton University（普林斯顿大学）
AI总结 NoWag提出了一种统一的单次形状保持压缩框架，通过向量量化和剪枝技术有效压缩大型语言模型，展示了其在性能上的优势。
