University of Maryland, College Park（马里兰大学帕克分校）

Towards Understanding Best Practices for Quantization of Vision-Language Models

朝着理解视觉-语言模型量化最佳实践

Gautom Das, Vincent La, Ethan Lau, Abhinav Shrivastava, Matthew Gwilliam

机构 * University of Maryland, College Park（马里兰大学学院公园分校） 纠错

AI总结 本研究探讨了视觉-语言模型量化方法对多模态流水线性能的影响，发现LLM低位量化在减少bpw时仍保持高精度，为高效部署MLLMs提供实践指导。

Comments 15 pages, 12 figures, 1 table

Towards noise-robust speech inversion through multi-task learning with speech enhancement

通过多任务学习实现噪声鲁棒的语音反向转换

Saba Tabatabaee, Carol Espy-Wilson

机构 * Department of Electrical and Computer Engineering, University of Maryland, College Park, USA（电气与计算机工程系，马里兰大学， College Park, USA） 纠错

AI总结 本文提出通过多任务学习整合语音增强与语音反向转换，提升噪声环境下语音处理的鲁棒性。

Comments Accepted for presentation at ICASSP 2026

PersonaLedger: Generating Realistic Financial Transactions with Persona Conditioned LLMs and Rule Grounded Feedback

PersonaLedger: 通过基于人设的LLM和规则驱动的反馈生成逼真的财务交易

Dehao Yuan, Tyler Farnan, Stefan Tesliuc, Doron L Bergman, Yulun Wu, Xiaoyu Liu, Minghui Liu, James Montgomery, Nam H Nguyen, C. Bayan Bruss, Furong Huang

机构 * Capital One ； Google（谷歌） ； University of Maryland, College Park（马里兰大学学院 park 分校） 纠错

AI总结 PersonaLedger通过基于人设的LLM和规则驱动的反馈生成逼真的财务交易，提供隐私保护的数据集和基准测试，支持金融AI的创新与评估。

Protocode: Prototype-Driven Interpretability for Code Generation in LLMs

Protocode: 为LLMs中的代码生成提供原型驱动的可解释性

Krishna Vamshi Bodla, Haizhao Yang

机构 * University of Maryland, College Park（马里兰大学 College Park分校） 纠错

AI总结 Protocode通过原型驱动的ICL采样提升代码生成的可解释性和性能。

OptimAI: Optimization from Natural Language Using LLM-Powered AI Agents

OptimAI：利用LLM驱动的AI代理进行自然语言优化

Raghav Thind, Youran Sun, Ling Liang, Haizhao Yang

机构 * Department of Computer Science University of Maryland at College Park（计算机科学系大学马里兰大学学院公园分校） ； Department of Mathematics University of Maryland at College Park（数学系大学马里兰大学学院公园分校） ； Department of Mathematics Department of Computer Science University of Maryland at College Park（数学系计算机科学系大学马里兰大学学院公园分校） 纠错

AI总结 OptimAI通过LLM驱动的AI代理解决自然语言描述的优化问题，实现88.1%的准确率，显著降低错误率。

Reinforced Inverse Scattering

强化反散射

Hanyang Jiang, Yuehaw Khoo, Haizhao Yang

机构 * School of Industrial and Systems Engineering（工业与系统工程学院） ； Georgia Institute of Technology（佐治亚理工学院） ； Department of Statistics（统计学系） ； University of Chicago（芝加哥大学） ； Department of Mathematics（数学系） ； Department of Computer Science（计算机科学系） ； University of Maryland College Park（马里兰大学 College Park 分校） 纠错

AI总结 本文通过强化学习智能优化传感器位置和波频，提升反散射成像的重建质量与资源利用效率。