University of Oxford（牛津大学）

Diagnose, Localize, Align: A Full-Stack Framework for Reliable LLM Multi-Agent Systems under Instruction Conflicts

诊断、定位、对齐：一种用于在指令冲突下可靠LLM多智能体系统的全栈框架

Guancheng Wan, Leixin Sun, Longxu Dou, Zitong Shi, Fang Wu, Eric Hanchen Jiang, Wenke Huang, Guibin Zhang, Hejia Geng, Xiangru Tang, Zhenfei Yin, Yizhou Sun, Wei Wang

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Sea AI Lab（Sea AI 实验室） ； Stanford University（斯坦福大学） ； University of Oxford（牛津大学） ； Yale University（耶鲁大学） ； NTU（南洋理工大学） ； NUS（新加坡国立大学） ； Boston University（波士顿大学） 纠错

AI总结 本文提出了一种全栈框架，通过诊断、定位和对齐三个阶段提升LLM多智能体系统在指令冲突下的可靠性。

Comments Upon further review, we realized that the version submitted to arXiv was not the final draft and omits crucial results and discussion. To avoid confusion and ensure the integrity of the record, we request withdrawal and will resubmit once the complete work is ready

Extending the Context of Pretrained LLMs by Dropping Their Positional Embeddings

通过删除预训练语言模型的位置嵌入来扩展上下文

Yoav Gelberg, Koshi Eguchi, Takuya Akiba, Edoardo Cetin

机构 * Sakana AI ； University of Oxford（牛津大学） 纠错

AI总结 通过删除预训练语言模型的位置嵌入，实现无需长上下文微调的零样本上下文扩展，提升语言模型的泛化能力。

On the Dangers of Bootstrapping Generation for Continual Learning and Beyond

关于通过生成数据进行持续学习及其他方面的危险

Daniil Zverev, A. Sophia Koepke, Joao F. Henriques

机构 * Technical University of Munich（慕尼黑技术大学） ； University of Tübingen（图宾根大学） ； Tübingen AI Center（图宾根人工智能中心） ； University of Oxford（牛津大学） 纠错

AI总结 研究指出持续学习中反复使用合成数据会引入偏差和方差，导致性能下降，且现有GER方法无法维持潜在空间对齐。

Comments DAGM German Conference on Pattern Recognition, 2025