Harvard University（哈佛大学）

$p1$: Better Prompt Optimization with Fewer Prompts

用更少提示实现更好的提示优化

Zhaolin Gao, Yu (Sid) Wang, Bo Liu, Thorsten Joachims, Kianté Brantley, Wen Sun

机构 * Cornell University（康奈尔大学） ； Microsoft（微软） ； Harvard University（哈佛大学） ； Databricks AI Research（Databricks AI研究） 纠错

AI总结 研究揭示提示优化有效性取决于系统提示与响应方差，提出$p1$过滤方法提升优化效果，实验显示其在推理基准上优于基线方法。

FLAT: FLow-Aligned Training of Unrolled Networks for MRI Reconstruction

展开网络是MRI重建中的条件概率流

Kehan Qi, Saumya Gupta, Xiaoling Hu, Qingqiao Hu, Weimin Lyu, Yicun Wang, Chao Chen

机构 * Stony Brook University（石溪大学） ； Harvard Medical School（哈佛医学院） 纠错

AI总结 本文提出FLAT方法，通过流匹配离散化和轨迹对齐提升MRI重建的稳定性与质量。

Beyond the Rosetta Stone: Unification Forces in Generalization Dynamics

超越罗塞塔石碑：泛化动态中的统一力量

Carter Blum, Katja Filippova, Ann Yuan, Asma Ghandeharioun, Julian Zimmert, Fred Zhang, Jessica Hoffmann, Tal Linzen, Martin Wattenberg, Lucas Dixon, Mor Geva

机构 * Google DeepMind（谷歌DeepMind） ； Tel Aviv University（特拉维夫大学） ； Harvard University（哈佛大学） ； New York University（纽约大学） 纠错

AI总结 本研究通过在合成多语言数据集上训练小型Transformer模型，揭示了LLMs跨语言知识迁移困难的原因，提出了统一表征视角，为改善LLMs跨语言迁移提供了方法。