NeurIPS

Who Gets the Reward & Who Gets the Blame? Evaluation-Aligned Training Signals for Multi-LLM Agents

谁获得奖励 & 谁受到责备？面向多LLM智能体的评估对齐训练信号

Chih-Hsuan, Yang, Tanwi Mallick, Le Chen, Krishnan Raghavan, Amal Gueroudji, Ian T. Foster, Rajeev Thakur

机构 * Argonne National Laboratory（阿贡国家实验室） ； University of Chicago（芝加哥大学） 纠错

AI总结 提出一个理论框架，结合合作博弈归因与过程奖励建模，将系统级评估转化为智能体信用和消息级信号，用于多LLM智能体训练。

Comments Accepted at the NeurIPS 2025 Workshop on Bridging Language, Agent, and World Models for Reasoning and Planning (LAW 2025)

Transfer Learning Beyond the Standard Model

超越标准模型的迁移学习

Veena Krishnaraj, Adrian E. Bayer, Christian Kragh Jespersen, Peter Melchior

机构 * Princeton University（普林斯顿大学） ； Flatiron Institute（Flatiron研究所） 纠错

AI总结 本文探讨了迁移学习在宇宙学模型中的应用，通过预训练标准模型并微调其他模型，减少模拟需求，但指出物理退化可能引发负迁移，最佳架构包含瓶颈结构。

Comments 4+8 pages, 7 figures. Accepted at NeurIPS 2025 Workshop: Machine Learning and the Physical Sciences

Journal ref JCAP06(2026)026