University of Toronto（多伦多大学）

SWE-QA-Pro: A Representative Benchmark and Scalable Training Recipe for Repository-Level Code Understanding

SWE-QA-Pro：一个代表性的基准和可扩展的训练配方用于仓库级代码理解

Songcheng Cai, Zhiheng Lyu, Yuansheng Ni, Xiangchao Chen, Baichuan Zhou, Shenzhe Zhu, Yi Lu, Haozhe Wang, Chi Ruan, Benjamin Schneider, Weixu Zhang, Xiang Li, Andy Zheng, Yuyu Zhang, Ping Nie, Wenhu Chen

机构 * University of Waterloo（滑铁卢大学） ； University of Toronto（多伦多大学） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； McGill University & MILA（麦吉尔大学及MILA） ； Verdent AI, Inc.（Verdent AI公司） 纠错

AI总结 本文提出SWE-QA-Pro基准，通过多样化的长尾仓库和可执行环境构建，验证了代理工作流在代码理解任务中的优势，并提出可扩展的合成数据管道和两阶段训练方法，使小型模型在复杂行为学习中取得优异表现。

Learning to Recall with Transformers Beyond Orthogonal Embeddings

基于非正交嵌入的Transformer学习回忆

Nuri Mert Vural, Alberto Bietti, Mahdi Soltanolkotabi, Denny Wu

机构 * University of Toronto and Vector Institute（多伦多大学和向量研究所） ； Flatiron Institute（Flatiron研究所） ； University of Southern California（南加州大学） ； New York University and Flatiron Institute（纽约大学和Flatiron研究所） 纠错

AI总结 本文研究了在非正交嵌入条件下，单层Transformer在简单token检索任务中的存储容量，揭示了样本量、嵌入维度和序列长度之间的乘积关系。

Comments ICLR 2026

Learning through Creation: A Hash-Free Framework for On-the-Fly Category Discovery

通过创造学习：一种无哈希的实时类别发现框架

Bohan Zhang, Weidong Tang, Zhixiang Chi, Yi Jin, Zhenbo Li, Yang Wang, Yanan Wu

机构 * College of Information and Electrical Engineering（信息与电气工程学院） ； China Agricultural University（中国农业大学） ； Department of Electrical and Computer Engineering（电气与计算机工程系） ； University of Toronto（多伦多大学） ； School of Computer and Information Technology（计算机与信息科技学院） ； Beijing Jiaotong University（北京交通大学） ； Department of Computer Science and Software Engineering（计算机科学与软件工程系） ； Concordia University（Concordia大学） 纠错

AI总结 本文提出LTC框架，通过在线伪未知生成器实现实时类别发现，提升模型对未知区域的识别能力，在七个基准测试中取得显著提升。

Comments Accepted to CVPR 2026 Findings. Code available at https://github.com/brandinzhang/LTC

SiniticMTError: A Machine Translation Dataset with Error Annotations for Sinitic Languages

SiniticMTError：一个带有错误标注的机器翻译数据集，用于斯拉夫语言

Hannah Liu, Junghyun Min, En-Shiun Annie Lee, Ethan Yue Heng Cheung, Shou-Yi Hung, Elsie Chan, Shiyao Qian, Runtong Liang, Kimlan Huynh, Wing Yu Yip, York Hay Ng, TSZ Fung Yau, Ka Ieng Charlotte Lo, You-Wei Wu, Richard Tzong-Han Tsai

机构 * University of Toronto（多伦多大学） ； Georgetown University（乔治城大学） ； Ontario Tech University（安大略技术大学） ； National Central University, Taiwan（台湾国立中央大学） 纠错

AI总结 本文介绍了一个新的细粒度数据集，用于在英语到普通话、粤语和吴语的机器翻译示例中提供错误跨度、错误类型和错误严重性标注，并提供一个基于非平行源的普通话-闽南语组件，支持低资源语言评估和翻译质量估计研究。

Comments LREC 2026 camera-ready. 23 pages, 2 figures, 11 tables

LogicXGNN: Grounded Logical Rules for Explaining Graph Neural Networks

LogicXGNN: 基于逻辑规则的图神经网络解释方法

Chuqin Geng, Ziyu Zhao, Zhaoyue Wang, Haolin Ye, Yuhe Jiang, Xujie Si

机构 * University of Toronto（多伦多大学） 纠错

AI总结 LogicXGNN通过构建逻辑规则提升图神经网络解释的可信度和可解释性，提出数据驱动的 fidelity 指标并显著提升解释质量。

Comments Accepted at ICLR 2026

Fillerbuster: Unified Generative Scene Completion Model for Casual Captures

Fillerbuster：用于随意捕获的统一生成场景补全模型

Ethan Weber, Norman Müller, Yash Kant, Vasu Agrawal, Michael Zollhöfer, Angjoo Kanazawa, Christian Richardt

机构 * Meta Reality Labs ； UC Berkeley（加州大学伯克利分校） ； University of Toronto（多伦多大学） 纠错

AI总结 本文提出Fillerbuster，一种统一的生成模型，用于补全3D场景中未知区域。针对随意捕获中稀疏且缺失物体后方或上方内容的问题，模型通过多视图潜在扩散变换器处理大量输入帧，生成未知目标视图并恢复图像姿态。

Comments Project page at https://ethanweber.me/fillerbuster/