Beyond Parallel Blindness: Information Floors and Model Gaps in Block Drafting
超越并行盲性：块式生成中的信息下限与模型差距
机构 * University of California San Diego（加利福尼亚大学圣迭戈分校）
AI总结 该研究针对块式生成的拒绝率，提出信息下限与模型差距的分离方法，在多领域目标上揭示了模型性能瓶颈，明确了短距离条件作用与生成质量的差异。
高校专区
University of California, San Diego（加州大学圣迭戈分校）
Enhancing Bayesian Optimization and Active Learning Through Kernel Diversity
通过核多样性增强贝叶斯优化与主动学习
机构 * University of Georgia（佐治亚大学） ； University of California San Diego（加利福尼亚大学圣迭戈分校）
AI总结 本文提出KENDO框架，将集成高斯过程与分歧感知获取策略结合，实例化KENDO-BO和KENDO-AL，在单/多目标优化及主动学习任务上，兼具更优性能与更高计算效率。
EvoLen: Evolution-Guided Tokenization for DNA Language Model
EvoLen：基于进化的标记化方法用于DNA语言模型
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Washington University in St. Louis（圣路易斯华盛顿大学）
AI总结 EvoLen通过整合进化信息优化DNA标记化，优先保留功能序列模式，提升基因组上下文区分和进化约束对齐，优于标准BPE。
UReason: Benchmarking Reasoning-to-Generation Alignment in Unified Multimodal Models
从推理到像素：统一多模态模型中对齐差距的基准测试
机构 * University of California San Diego（加利福尼亚大学圣迭戈分校） ； University of Southern California（南加利福尼亚大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文通过UReason基准测试，探讨统一多模态模型中模态对齐问题，发现去上下文生成在图像生成任务中表现更优，揭示了文本推理与生成图像之间存在对齐差距。
Comments Project page: https://ureason.github.io
HumanStudy-Bench: Towards AI Agent Design for Participant Simulation
HumanStudy-Bench: 向参与者模拟的AI代理设计迈进
机构 * University of California San Diego（加州大学圣地亚哥分校） ； Tsinghua University（清华大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Independent Researcher（独立研究者）
AI总结 HUMANSTUDY-BENCH通过代理设计问题重建人类受试者实验，评估代理行为与人类行为的一致性，涵盖个体认知、战略互动和社会心理学领域。
LLMs Can't Play Hangman: On the Necessity of a Private Working Memory for Language Agents
LLMs无法玩井字游戏：关于语言代理所需私人工作记忆的必要性
机构 * Mila – Quebec AI Institute（魁北克人工智能研究所） ； Polytechnique Montréal（蒙特利尔大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； LAMA-WeST Lab（LAMA-WeST实验室） ； Chandar Research Lab（Chandar研究实验室）
AI总结 本文提出私人状态交互任务（PSITs）并证明标准LLMs无法在交互任务中保持秘密和一致性，提出包含显式私人工作记忆的架构以恢复一致性。
Comments Accepted at the Conference on Lifelong Learning Agents (CoLLAs) 2026
CoFiRec: Coarse-to-Fine Tokenization for Generative Recommendation
CoFiRec: 生成推荐中的粗到细分词
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Meta ； University of California San Diego（加州大学圣地亚哥分校）
AI总结 CoFiRec通过粗到细分词提升生成推荐效果，有效捕捉用户意图演变。
Comments RecSys 2026
