Are LLM Decisions Faithful to Verbal Confidence?
大型语言模型的决策是否忠实于其语言自信度？
机构 * University of Southern California（南加州大学）
AI总结 研究发现大型语言模型在高惩罚条件下缺乏战略决策能力，其语言自信度与实际决策不一致，影响AI系统的可信度。
高校专区
University of Southern California（南加州大学）
Defenses Against Prompt Attacks Learn Surface Heuristics
对抗提示攻击的防御学习表面启发式
机构 * University of Southern California（南加州大学） ； University of California, Berkeley（加州大学伯克利分校） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； Amazon（亚马逊公司） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文研究了对抗提示攻击防御中表面启发式的问题，发现现有方法易受表面模式影响，提出受控数据集和系统评估以揭示监督微调的局限性。
Efficient Visual Question Answering Pipeline for Autonomous Driving via Scene Region Compression
面向自动驾驶的高效视觉问答流水线：场景区域压缩
机构 * University of Southern California（南加州大学） ； XPeng（小鹏）
AI总结 本文提出SRC-Pipeline框架，通过场景区域压缩技术，在保持性能的同时显著降低计算成本，提升自动驾驶中的实时视觉问答效率。
Comments 7 pages
SpatialNav: Leveraging Spatial Scene Graphs for Zero-Shot Vision-and-Language Navigation
SpatialNav: 利用空间场景图进行零样本视觉-语言导航
机构 * Fudan University, Shanghai, China（复旦大学） ； University of Southern California, Los Angeles, USA（南加州大学） ； Australian Institute for Machine Learning, Adelaide University, Australia（澳大利亚机器学习研究所） ； Shanghai Innovation Institute, Shanghai, China（上海创新研究院）
AI总结 SpatialNav通过构建空间场景图，利用全局空间表示提升零样本视觉-语言导航的效率与性能。
Comments 11 pages, 4 figures, 6 tables
Neural Nonmyopic Bayesian Optimization in Dynamic Cost Settings
动态成本环境下的神经非短视贝叶斯优化
机构 * Stanford University（斯坦福大学） ； National University of Singapore（新加坡国立大学） ； University of Southern California（南加州大学） ； FutureHouse, Inc.（FutureHouse公司）
AI总结 LookaHES通过整合神经策略，实现动态成本环境下的非短视贝叶斯优化，提升复杂决策空间中的长视图优化能力。
Comments 32 pages, 20 figures, 13 tables
Gecko: An Efficient Neural Architecture Inherently Processing Sequences with Arbitrary Lengths
Gecko：一种高效神经架构，能够处理任意长度的序列
机构 * University of Southern California（美国南加州大学） ； Meta AI Research（Meta人工智能研究） ； Carnegie Mellon University（卡内基梅隆大学） ； University of California San Diego（加州大学圣地亚哥分校） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
AI总结 Gecko通过改进的神经架构实现高效长序列处理，优于现有模型在效率和长上下文扩展性上的表现。
Comments 13 pages, 5 figure and 3 tables
Judge Model for Large-scale Multimodality Benchmarks
大规模多模态基准的判断模型
机构 * Department of Electrical and Computer Engineering, Viterbi School of Engineering, University of Southern California（电气与计算机工程系，维特比工程学院，南加州大学）
AI总结 本文提出了一种多模态判断模型，用于评估多种任务，通过聚合多模态判断并生成诊断反馈，展示了其在多模态AI研究中的应用潜力。
