University of California, Los Angeles（加州大学洛杉矶分校）

Scale Can't Overcome Pragmatics: The Impact of Reporting Bias on Vision-Language Reasoning

规模无法克服语用学：报告偏差对视觉-语言推理的影响

Amita Kamath, Jack Hessel, Khyathi Chandu, Jena D. Hwang, Kai-Wei Chang, Ranjay Krishna

机构 * University of Washington（华盛顿大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Samaya AI（Samaya人工智能） ； Mistral AI（Mistral人工智能） ； Allen Institute for AI（人工智能研究所） 纠错

AI总结 本文指出视觉-语言模型在推理能力上的不足源于训练数据中的报告偏差，通过实验表明单纯扩大数据规模无法提升推理技能，但专门收集隐含信息的注释能有效改善模型表现。

Comments TACL 2026

PoSh: Using Scene Graphs To Guide LLMs-as-a-Judge For Detailed Image Descriptions

PoSh：利用场景图引导LLM-as-a-Judge进行详细图像描述

Amith Ananthram, Elias Stengel-Eskin, Lorena A. Bradford, Julia Demarest, Adam Purvis, Keith Krut, Robert Stein, Rina Elster Pantalony, Mohit Bansal, Kathleen McKeown

机构 * Columbia University（哥伦比亚大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； The National Gallery of Art（国家艺术馆） ； UCLA（加州大学洛杉矶分校） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） 纠错

AI总结 PoSh通过利用场景图引导LLM-as-a-Judge，提供了一种更准确的详细图像描述评估方法，并展示了其在新数据集DOCENT中的优越表现。

Comments Accepted at ICLR 2026. 26 pages, 9 figures. Metric/benchmark available at https://github.com/amith-ananthram/posh

Zero-Variance Gradients for Variational Autoencoders

变分自编码器的零方差梯度

Zilei Shao, Anji Liu, Guy Van den Broeck

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； School of Computing, National University of Singapore（新加坡国立大学计算机学院） 纠错

AI总结 本文提出通过限制解码器架构以解析计算期望ELBO，从而获得零方差梯度，提升变分自编码器的训练稳定性。

CoLyricist: Enhancing Lyric Writing with AI through Workflow-Aligned Support

CoLyricist：通过与工作流对齐的支持增强歌词创作

Masahiro Yoshida, Bingxuan Li, Songyan Zhao, Qinyi Zhou, Shiwei Hu, Xiang Anthony Chen, Nanyun Peng

机构 * University of California, Los Angeles（加州大学洛杉矶分校） 纠错

AI总结 CoLyricist通过与工作流对齐的AI支持，提升歌词创作效率和体验，适用于不同技能水平的创作者。

Beyond the Monitor: Mixed Reality Visualization and Multimodal AI for Enhanced Digital Pathology Workflow

超越监视器：混合现实可视化与多模态AI用于增强的数字病理学工作流程

Jai Prakash Veerla, Partha Sai Guttikonda, Helen H. Shang, Mohammad Sadegh Nasr, Cesar Torres, Jacob M. Luber

机构 * Department of Computer Science and Engineering, University of Texas at Arlington（计算机科学与工程系，德克萨斯大学阿灵顿分校） ； Department of Medicine Division of Hematology-Oncology, UCLA（医学系血液肿瘤学分会，加州大学洛杉矶分校） ； Center for Innovation in Health Informatics, University of Texas at Arlington（健康信息创新中心，德克萨斯大学阿灵顿分校） 纠错

AI总结 PathVis通过混合现实和多模态AI优化数字病理学工作流程，提升诊断效率与准确性。

Towards a Sharp Analysis of Offline Policy Learning for $f$-Divergence-Regularized Contextual Bandits

面向$f$-散度正则化上下文带机的精确分析

Qingyue Zhao, Kaixuan Ji, Heyang Zhao, Tong Zhang, Quanquan Gu

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 本文研究了$f$-散度正则化上下文带机的样本复杂度分析，首次在单一策略可集中性下实现了$\tilde{O}(ε^{-1})$的样本复杂度，并提出了近似匹配的下界。

Comments 35 pages