University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）

SNIP: An Adaptive Mixed Precision Framework for Subbyte Large Language Model Training

SNIP：一种用于子字节大语言模型训练的自适应混合精度框架

Yunjie Pan, Yongyi Yang, Hanmei Yang, Scott Mahlke

机构 * University of Michigan（密歇根大学） ； NTT Research, Inc.（NTT研究公司） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） 纠错

AI总结 SNIP通过自适应混合精度框架，有效提升大语言模型训练效率，减少FLOPs达80%并保持模型质量。

Comments Accepted to ASPLOS 2026

Inferential Question Answering

推断性问答

Jamshid Mozafari, Hamed Zamani, Guido Zuccon, Adam Jatowt

机构 * University of Innsbruck（因斯布鲁克大学） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； The University of Queensland（昆士兰大学） 纠错

AI总结 本文提出推断性QA任务，通过构建QUIT数据集，发现传统QA方法在推断任务中表现不佳，揭示当前QA流程难以处理基于推断的推理。

Comments Proceedings of the ACM Web Conference 2026 (WWW 2026)

Verification Required: The Impact of Information Credibility on AI Persuasion

验证所需：信息可信度对AI说服力的影响

Saaduddin Mahmud, Eugene Bagdasarian, Shlomo Zilberstein

机构 * Manning College of Information and Computer Sciences, University of Massachusetts Amherst, Massachusetts, USA（信息与计算机科学学院，马萨诸塞大学阿默斯特分校，马萨诸塞州，美国） 纠错

AI总结 研究提出MixTalk游戏模型，通过验证与不可验证声明的结合，探讨信息可信度对AI说服力的影响，并提出TOPD方法提升接收者鲁棒性。

Comments 19 pages, 5 figures

From Scores to Steps: Diagnosing and Improving LLM Performance in Evidence-Based Medical Calculations

从分数到步骤：诊断和改进证据医学计算中LLM的性能

Benlu Wang, Iris Xia, Yifan Zhang, Junda Wang, Feiyun Ouyang, Shuo Han, Arman Cohan, Hong Yu, Zonghai Yao

机构 * Department of Computer Science, Yale University, CT, USA（耶鲁大学计算机科学系） ； Center for Healthcare Organization and Implementation Research, VA Bedford Health Care（VA贝福德医疗中心健康组织与实施研究中心） ； Miner School of Computer and Information Sciences, UMass Lowell, MA, USA（UMass洛厄尔矿尔计算机与信息科学学院） ； Manning College of Information and Computer Sciences, UMass Amherst, MA, USA（UMass阿默斯特马宁信息与计算机科学学院） 纠错

AI总结 本文提出MedRaC框架，通过分步评估和代码执行提升LLM在证据医学计算中的准确性，揭示现有评估方法的不足，并推动临床可信度的提升。

Comments Equal contribution for the first two authors. To appear as an Oral presentation in the proceedings of the Main Conference on Empirical Methods in Natural Language Processing (EMNLP) 2025