University of Oxford（牛津大学）

Learning When to Plan: Efficiently Allocating Test-Time Compute for LLM Agents

学习何时计划：高效分配测试时计算用于LLM代理

Davide Paglieri, Bartłomiej Cupiał, Jonathan Cook, Ulyana Piterbarg, Jens Tuyls, Edward Grefenstette, Jakob Nicolaus Foerster, Jack Parker-Holder, Tim Rocktäschel

机构 * University of Warsaw（华沙大学） ； University of Oxford（牛津大学） ； New York University（纽约大学） ； Princeton University（普林斯顿大学） ； University College London（伦敦大学学院） 纠错

AI总结 本文提出一种动态规划框架，通过两阶段训练提升LLM在长周期任务中的样本效率和复杂目标达成能力，同时展示人类计划对代理系统性能的增强作用。

Quantifying construct validity in large language model evaluations

在大型语言模型评估中量化构念效度

Ryan Othniel Kearns

机构 * University of Oxford（牛津大学） ； St Catherine’s College（圣凯瑟琳学院） ； Oxford Internet Institute（牛津互联网研究所） 纠错

AI总结 本文提出结构能力模型，通过结合缩放定律和潜在因子模型，提升LLM评估中构念效度的量化能力。

Deep Ignorance: Filtering Pretraining Data Builds Tamper-Resistant Safeguards into Open-Weight LLMs

深度无知：过滤预训练数据在开放权重大语言模型中构建抗篡改的安全保障

Kyle O'Brien, Stephen Casper, Quentin Anthony, Tomek Korbak, Robert Kirk, Xander Davies, Ishan Mishra, Geoffrey Irving, Yarin Gal, Stella Biderman

机构 * EleutherAI ； UK AI Security Institute（英国人工智能安全研究所） ； University of Oxford（牛津大学） ； OATML, University of Oxford（OATML，牛津大学） 纠错

AI总结 本文提出通过过滤预训练数据中的双用途内容，增强开放权重大语言模型的抗篡改能力，实验显示其在对抗微调攻击上表现优异，且未影响其他能力。

Comments https://deepignorance.ai/

How Global Calibration Strengthens Multiaccuracy

如何全局校准增强多准确性

Sílvia Casacuberta, Parikshit Gopalan, Varun Kanade, Omer Reingold

机构 * University of Oxford（牛津大学） ； Apple（苹果公司） ； Stanford University（斯坦福大学） 纠错

AI总结 本文研究了多准确性作为学习原语的威力，发现其本身较弱，但结合全局校准后能显著提升，恢复了多校准下的推论。

Comments Presented at FOCS 2025