University of Texas at Austin（得克萨斯大学奥斯汀分校）

2602.08208 2026-02-10 cs.CL cs.HC

LLMs and people both learn to form conventions -- just not with each other

大语言模型和人类都学会形成惯例——但并不是彼此之间

Cameron R. Jones, Agnese Lombardi, Kyle Mahowald, Benjamin K. Bergen

机构 * Department of Psychology, Stony Brook University（心理学系，石溪大学）； Department of Cognitive Science, University of California San Diego（认知科学系，加州圣地亚哥大学）； Department of Philology, Literature, and Linguistics, University of Pisa（philology、文学与语言学系，比萨大学）； Department of Linguistics, University of Texas at Austin（语言学系，德克萨斯大学奥斯汀分校）

AI总结研究发现人类和AI在同类型对话中能形成惯例，但人机对话效果较差，表明对话协调需要共同的解释偏见。

Comments 10 pages, 4 figures

2602.02878 2026-02-10 cs.CL

Which course? Discourse! Teaching Discourse and Generation in the Era of LLMs

哪门课程？对话！在LLM时代教授对话与生成

Junyi Jessy Li, Yang Janet Liu, Kanishka Misra, Valentina Pyatkin, William Sheffield

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）； University of Pittsburgh（匹兹堡大学）； Allen Institute for AI（人工智能 Allen 研究所）

AI总结本文提出一门新课程，旨在通过对话处理与生成技术，整合语言学与计算机科学理论，培养本科生的探索性思维。

Comments accepted to the TeachNLP 2026 workshop (co-located with EACL 2026), camera-ready, 14 pages; aclpubcheck fixed and ref updated

2510.03167 2026-02-10 math.OC cs.LG

Improving Online-to-Nonconvex Conversion for Smooth Optimization via Double Optimism

通过双乐观性改进在线到非凸转换以实现平滑优化

Francisco Patitucci, Ruichen Jiang, Aryan Mokhtari

机构 * Department of Electrical and Computer Engineering, The University of Texas at Austin（电气与计算机工程系，德克萨斯大学奥斯汀分校）； Google Research（谷歌研究）

AI总结本文提出了一种基于双乐观提示函数的在线乐观梯度方法，解决了非凸优化中在线到非凸转换框架的局限性，实现了统一的算法复杂度。

Comments 32 pages

2602.07997 2026-02-10 stat.ML cs.LG math.ST stat.CO stat.ME stat.TH

Fast Model Selection and Stable Optimization for Softmax-Gated Multinomial-Logistic Mixture of Experts Models

快速模型选择与稳定优化的softmax门控多项式-对数混合专家模型

TrungKhang Tran, TrungTin Nguyen, Md Abul Bashar, Nhat Ho, Richi Nayak, Christopher Drovandi

机构 * School of Computing, National University of Singapore, Singapore.（新加坡国立大学计算机学院）； ARC Centre of Excellence for the Mathematical Analysis of Cellular Systems（细胞系统数学分析卓越研究中心）； School of Mathematical Sciences, Queensland University of Technology, Brisbane, Australia.（昆士兰科技大学数学科学学院）； Department of Statistics and Data Science, University of Texas at Austin, Austin, USA（德克萨斯大学奥斯汀分校统计与数据科学系）

AI总结本文提出了一种基于softmax门控多项式-对数混合专家模型的快速模型选择与稳定优化方法，通过批量MM算法和树状图适应技术，实现了高效的模型训练和参数恢复。

Comments TrungKhang Tran and TrungTin Nguyen are co-first authors