TMLR

Reliability Scaling Laws for Quantized Large Language Models

量化大语言模型的可靠性缩放定律

Sirine Ayadi, Sándor Daróczi, Stephan Günnemann, Bertrand Charpentier

机构 * Technical University of Munich（慕尼黑工业大学） ； Munich Data Science Institute（慕尼黑数据科学研究所） ； Pruna AI（Pruna人工智能公司） 纠错

AI总结 研究量化大语言模型的可靠性缩放定律，通过对其不确定性、校准和鲁棒性进行全面评估，刻画可靠性与模型比特总数的关系，发现4比特量化模型有可靠性峰值，且量化增强了模型对自然输入扰动的鲁棒性。

Comments Transactions on Machine Learning Research (TMLR), 2026

Dynamic Agent Skills: A Lifecycle Survey and Taxonomy of Evolving Skill Libraries

动态智能体技能：不断演进的技能库的生命周期调查与分类法

Yubo Li

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 研究大型语言模型智能体中技能库随时间的变化，通过分类法、生命周期架构和技能记录模式等工具组织文献，合成证据分级模式，指出相关问题并提出报告标准及开放问题。

Comments Accepted by TMLR (2026.07), OpenReview Link: https://openreview.net/forum?id=cjU3YbcRr8

Journal ref Transactions on Machine Learning Research, 2026

Beyond Bayesian Nash: Learning Minimax-Regret Equilibria for Adversarial Team Games under Asymmetric Information

超越贝叶斯纳什均衡：非对称信息下对抗团队博弈的极小极大遗憾均衡学习

Naman Aggarwal, Jonathan P. How

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Aerospace Control Laboratory（航空控制实验室） ； Laboratory of Information and Decision Systems（信息与决策系统实验室） 纠错

AI总结 研究非对称信息下对抗团队博弈，提出概率鲁棒极小极大遗憾均衡（PR-MRE），结合极小极大遗憾推理的无分布鲁棒性与概率信息，通过鲁棒双线性规划及新型元求解器 PRMRE-PSRO 实现策略学习，实验证明其在隐藏类型上性能更优，行为更稳健。

Comments 29 pages, 11 figures, 6 tables. Submitted to Transactions on Machine Learning Research (TMLR)

Continual Test-Time Adaptation in Computer Vision: Methods, Benchmarks, and Future Directions

计算机视觉中的持续测试时间适应：方法、基准和未来方向

Sarthak Kumar Maharana, Shambhavi Mishra, Yunbei Zhang, Shuaicheng Niu, Taki Hasan Rafi, Jihun Hamm, Marco Pedersoli, Jose Dolz, Yunhui Guo

机构 * The University of Texas at Dallas（德克萨斯大学达拉斯分校） ； LIVIA ETS Montreal, ILLS International Laboratory on Learning Systems (ILLS)（蒙特利尔LIVIA ETS，学习系统国际实验室（ILLS）） ； Tulane University（路易斯安那州立大学） ； Nanyang Technological University（南洋理工大学） ； Hanyang University（翰阳大学） 纠错

AI总结 本文针对计算机视觉中训练与测试数据分布不同的问题，定义CTTA问题，分析持续域转移模式，提出分层分类法将现有方法分为三类，回顾代表性方法并展示实验结果，讨论局限性与新兴方向，为持续测试时间适应研究提供路线图。

Comments TMLR 2026

Beyond Naïve Prompting: Strategies for Improved Context-aided Forecasting with LLMs

超越简单提示：改进LLMs上下文辅助预测的策略

Arjun Ashok, Andrew Robert Williams, Vincent Zhihao Zheng, Irina Rish, Nicolas Chapados, Étienne Marcotte, Valentina Zantedeschi, Alexandre Drouin

AI总结 本文提出四种策略，从模型诊断、准确性和效率三个正交维度改进LLMs的上下文辅助预测，通过广泛实验揭示执行差距、性能提升和成本降低的解决方案。

Comments Published at TMLR - OpenReview link: https://openreview.net/forum?id=dkjHHFJkVI

Disentangling Intrinsic Importance from Emergent Structure in Multi-Expert Orchestration

在多专家编排中解耦内在重要性与涌现结构

Sudipto Ghosh, Sujoy Nath, Sunny Manchanda, Tanmoy Chakraborty

机构 * Yardi School of Artificial Intelligence（亚里学校人工智能学院） ； Indian Institute of Technology Delhi（印度德里理工学院） ； Department of Electrical Engineering（电气工程系） ； DRDO Young Scientist Laboratory – Artificial Intelligence（DRDO年轻科学家实验室–人工智能） ； Defence Research and Development Organisation, India（印度国防研究与发展组织） 纠错

AI总结 提出INFORM方法，通过解耦专家交互结构、执行顺序和功能归因，揭示路由主导性不能反映功能必要性，稀疏路由专家可能具有结构关键性。

Comments Accepted by Transactions on Machine Learning Research (TMLR)

End-to-End 4D Heart Mesh Recovery Across Full-Stack and Sparse Cardiac MRI

跨全栈和稀疏心脏磁共振成像的端到端4D心脏网格恢复

Yihong Chen, Jiancheng Yang, Deniz Sayin Mercadier, Hieu Le, Juerg Schwitter, Pascal Fua

机构 * School of Computer and Communication Science, EPFL（计算机与通信科学学院，瑞士联邦理工学院） ； ELLIS Institute Finland, Aalto University, Finland（芬兰ELLIS研究所，阿尔托大学，芬兰） ； University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校） ； Center for Interventional MRI, CHUV（介入MRI中心，CHUV） 纠错

AI总结 研究针对心脏磁共振成像序列重建心脏运动问题，提出TetHeart框架，利用可变形四面体，通过创新机制和策略，能从全栈及稀疏切片观测恢复4D心脏网格，在多数据集上实现高精度和强泛化。

Comments Accepted by TMLR