Olmix: A Framework for Data Mixing Throughout LM Development
Olmix: 一种用于大型语言模型开发中数据混合的框架
机构 * Allen Institute for AI（艾伦人工智能研究所） ； Stanford University（斯坦福大学） ； University of Washington（华盛顿大学）
AI总结 Olmix通过混合重用机制，在LM开发中高效处理动态变化的领域集合，减少计算量并提升下游任务性能。
高校专区
Stanford University（斯坦福大学）
Divide and Learn: Multi-Objective Combinatorial Optimization at Scale
分割学习：大规模多目标组合优化
机构 * Department of Computer Science & Engineering UC San Diego（计算机科学与工程系，圣地亚哥大学） ； Department of Statistics Stanford University（统计学系，斯坦福大学） ； Halıcıoğlu Data Science Institute UC San Diego（Halıcıoğlu数据科学研究所，圣地亚哥大学）
AI总结 本文提出一种基于在线学习的多目标组合优化方法，通过分解决策空间和自适应专家引导，实现高效的样本和计算效率，优于现有方法。
Comments Tech report. Code URL coming soon
Assessing LLM Reliability on Temporally Recent Open-Domain Questions
评估LLM在近期开放领域问题上的可靠性
机构 * University of Alabama Huntsville（阿拉巴马大学亨茨维尔分校） ； University of North Alabama（北阿拉巴马大学） ； Stanford University（斯坦福大学） ； Google（谷歌） ； Apple（苹果公司）
AI总结 RECOM研究通过分析15000个Reddit问题，发现LLM在语义对齐上表现优异，但词汇重合度低，揭示模型通过改写保留意义，挑战传统词汇度量的可靠性。
Dexterous Manipulation Policies from RGB Human Videos via 3D Hand-Object Trajectory Reconstruction
通过3D手-物体轨迹重建从RGB人类视频中学习灵巧操作策略
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Stanford University（斯坦福大学）
AI总结 VIDEOMANIP通过3D手-物体轨迹重建从RGB视频直接学习灵巧操作策略，实现无需设备的高效训练和高成功率抓取
Symmetry Breaking in Transformers for Efficient and Interpretable Training
Transformer中对称破缺以实现高效且可解释的训练
机构 * Stanford University（斯坦福大学） ； Zyphra Technologies（Zyphra技术公司）
AI总结 通过引入对称破缺协议，Transformer模型在提升性能的同时增强了可解释性。
Comments 22 pages, 3 figures
On Fairness of Task Arithmetic: The Role of Task Vectors
任务算术的公平性：任务向量的作用
机构 * Stanford University（斯坦福大学） ； Mila（Mila研究所） ； Université de Montréal（蒙特利尔大学） ； Institute of Science Tokyo（东京科学研究所） ； Kyoto University（京都大学） ； ZOZO Research（ZOZO研究所）
AI总结 本研究首次系统探讨了任务算术中群体公平性，通过任务向量调整实现公平性与准确性的平衡，为大语言模型的负责任部署提供理论支持。
Minimax Optimal Estimation of Stability Under Distribution Shift
在分布偏移下稳定性最小最大最优估计
机构 * Decision, Risk, and Operations Division（决策、风险与运营部门） ； Department of Industrial Engineering and Operations Research（工业工程与运筹学系） ； Management Science and Engineering（管理科学与工程） ； Columbia University（哥伦比亚大学） ； Stanford University（斯坦福大学）
AI总结 本文提出了一种最小最大最优稳定性估计器，用于评估系统在分布偏移下的稳定性，通过分析收敛速率和实证验证，展示了其在鲁棒性问题中的应用价值。
Journal ref Operations Research 2026 74:1, 464-483
