Massachusetts Institute of Technology（麻省理工学院）

Dep-Search: Learning Dependency-Aware Reasoning Traces with Persistent Memory

Dep-Search: 基于持久记忆的学习依赖意识推理轨迹

Yanming Liu, Xinyue Peng, Zixuan Yan, Yanxin Shen, Wenjie Xu, Yuefeng Huang, Xinyi Wang, Jiannan Cao, Jianwei Yin, Xuhong Zhang

机构 * Zhejiang University（浙江大学） ； Intel Corporation（英特尔公司） ； Tsinghua University（清华大学） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 Dep-Search 通过 GRPO 集成结构化推理、检索和持久记忆，提升 LLM 处理复杂多跳推理任务的能力。

Comments Dep-Search 1st version

AmbER$^2$: Dual Ambiguity-Aware Emotion Recognition Applied to Speech and Text

AmbER$^2$: 双重模糊感知情感识别应用于语音和文本

Jingyao Wu, Grace Lin, Yinuo Song, Rosalind Picard

机构 * Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 AmbER$^2$通过双重模糊感知框架提升语音和文本情感识别的准确性与鲁棒性。

Comments Accepted in ICASSP 2026

A Model-Driven Lossless Compression Algorithm Resistant to Mismatch

一种具有模型驱动的无损压缩算法，对不匹配具有鲁棒性

Cordelia Hu, Jennifer Tang

机构 * Massachusetts Institute of Technology（麻省理工学院） ； College of the Holy Cross（圣十字学院） 纠错

AI总结 本文提出了一种基于下一个令牌预测的无损压缩算法，该算法对结构化的预测不匹配具有鲁棒性，通过形式认证保证正确性并实现更高的压缩率。

Comments 10 pages, 5 figure. Submitted to ISIT 2026. This is a follow-up to the following paper: arXiv:2601.10678

Jet-RL: Enabling On-Policy FP8 Reinforcement Learning with Unified Training and Rollout Precision Flow

Jet-RL: 通过统一训练和回放精度流实现基于策略的FP8强化学习

Haocheng Xi, Charlie Ruan, Peiyuan Liao, Yujun Lin, Han Cai, Yilong Zhao, Shuo Yang, Kurt Keutzer, Song Han, Ligeng Zhu

机构 * NVIDIA ； MIT（麻省理工学院） ； UC Berkeley（加州大学伯克利分校） 纠错

AI总结 Jet-RL通过统一FP8精度流实现稳定高效的强化学习训练，显著提升训练和回放速度，同时保持精度稳定。

Comments 11 pages, 6 figures, 4 tables

Thermodynamic structure of the Sinkhorn flow

Sinkhorn 流的热力学结构

Anand Srinivasan, Jean-Jacques Slotine

机构 * Department of Applied Mathematics and Theoretical Physics, University of Cambridge（应用数学与理论物理系，剑桥大学） ； Nonlinear Systems Laboratory, Massachusetts Institute of Technology（非线性系统实验室，麻省理工学院） 纠错

AI总结 本文从热力学角度探讨Sinkhorn流的结构，证明其为非局部Wasserstein梯度流，并推导了熵-能量恒等式和对数Sobolev不等式，揭示其在熵收敛中的指数收敛性质。

Comments 26 pages excluding references

BILLY: Steering Large Language Models via Merging Persona Vectors for Creative Generation

BILLY：通过合并人设向量来引导大型语言模型进行创造性生成

Tsung-Min Pai, Jui-I Wang, Li-Chun Lu, Shao-Hua Sun, Hung-Yi Lee, Kai-Wei Chang

机构 * Department of Electrical Engineering, National Taiwan University（国立台湾大学电子工程系） ； Department of Computer Science & Information Engineering, National Taiwan University（国立台湾大学计算机科学与信息工程系） ； Graduate Institute of Communication Engineering, National Taiwan University（国立台湾大学通信工程研究所） ； CSAIL, Massachusetts Institute of Technology（麻省理工学院计算机科学与人工智能实验室） 纠错

AI总结 BILLY通过合并人设向量在单个模型中实现多视角生成，提升创造力并降低计算成本。

Learning the Wrong Lessons: Syntactic-Domain Spurious Correlations in Language Models

学习错误的教训：语言模型中的语法-领域虚假相关性

Chantal Shaib, Vinith M. Suriyakumar, Levent Sagun, Byron C. Wallace, Marzyeh Ghassemi

机构 * Northeastern University（东北大学） ； MIT（麻省理工学院） ； Meta 纠错

AI总结 研究揭示了语言模型中语法与领域之间的虚假相关性问题，指出训练数据中语法模板可能影响模型性能，并提出需测试此类相关性及确保训练数据多样性以防止错误学习。

Comments NeurIPS 2025 Spotlight

Strategic Tradeoffs Between Humans and AI in Multi-Agent Bargaining

人类与AI在多智能体协商中的战略权衡

Crystal Qian, Kehang Zhu, John Horton, Benjamin S. Manning, Vivian Tsai, James Wexler, Nithum Thain

机构 * Google DeepMind Mountain View CA USA（谷歌DeepMind） ； Harvard University Cambridge MA USA ； MIT \& NBER Cambridge MA USA ； MIT Cambridge MA USA ； Google DeepMind ； Harvard University ； MIT \& NBER ； MIT 纠错

AI总结 本研究通过实证分析比较了人类、前沿LLMs和定制化贝叶斯代理在动态多玩家协商游戏中的表现，揭示了LLMs在复杂多代理互动中与人类行为的差异及性能平局的局限性。

Efficient Knowledge Probing of Large Language Models by Adapting Pre-trained Embeddings

通过适应预训练嵌入高效探测大语言模型的知识

Kartik Sharma, Yiqiao Jin, Rakshit Trivedi, Srijan Kumar

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 PEEK通过适应预训练嵌入模型，高效探测大语言模型的知识，准确率达90%，揭示了事实表示的底层结构。

Debate, Deliberate, Decide (D3): A Cost-Aware Adversarial Framework for Reliable and Interpretable LLM Evaluation

辩论、 deliberative、决定（D3）：一种成本意识的对抗框架，用于可靠且可解释的LLM评估

Abir Harrasse, Chaithanya Bandi, Hari Bandi

机构 * Martian ； NUS（新加坡国立大学） ； MIT（麻省理工学院） 纠错

AI总结 D3是一种通过结构化辩论和聚合机制提升LLM评估可靠性和可解释性的对抗框架，通过预算停止机制优化成本效率。

Journal ref EACL 2026

Can LLMs Clean Up Your Mess? A Survey of Application-Ready Data Preparation with LLMs

大模型能帮你清理数据吗？基于大模型的应用级数据准备综述

Wei Zhou, Jun Zhou, Haoyu Wang, Zhenghao Li, Qikang He, Shaokun Han, Guoliang Li, Xuanhe Zhou, Yeye He, Chunwei Liu, Zirui Tang, Bin Wang, Shen Tang, Kai Zuo, Yuyu Luo, Zhenzhe Zheng, Conghui He, Jingren Zhou, Fan Wu

机构 * Shanghai Jiao Tong University（上海交通大学） ； Tsinghua University（清华大学） ； Microsoft Research（微软研究院） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Shanghai AI Laboratory（上海人工智能实验室） ； Xiaohongshu Inc.（小红书公司） ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Alibaba Group（阿里巴巴集团） 纠错

AI总结 本文综述了基于大语言模型的应用级数据准备方法，探讨了数据清洗、整合与丰富三大任务的技术、优势与局限，并提出了可扩展的大语言模型-数据系统和稳健评估协议的未来研究方向。

Comments Please refer to our repository for more details: https://github.com/weAIDB/awesome-data-llm