TMLR

Efficient LLM Collaboration via Planning

通过规划实现高效的LLM协作

Byeongchan Lee, Jonghoon Lee, Dongyoung Kim, Jaehyung Kim, Kyungjoon Park, Dongjun Lee, Jinwoo Shin

机构 * KAIST（韩国科学技术院） ； Yonsei University（延世大学） 纠错

AI总结 本文提出COPE框架，通过规划模型与执行模型的协作，提升小模型和大模型在复杂任务中的性能，同时显著降低推理成本。

Comments Accepted at TMLR 2026

Bayes with No Shame: Admissibility Geometries of Predictive Inference

贝叶斯无羞耻：预测推断的可接受几何学

Nicholas G. Polson, Daniel Zantedeschi

机构 * Booth School of Business, University of Chicago（芝加哥大学商学院） ； Muma College of Business, University of South Florida（佛罗里达州立大学穆马商学院） 纠错

AI总结 本文探讨了四种不同的可接受几何学，用于序列和分布无关推断，提出各类可接受程序相互不嵌套，且具有不同的最优性证书。

Comments Accepted for publication in Transactions on Machine Learning Research (TMLR). 37 pages, 6 figures, 5 tables. This replacement adds author information, corrects localized scope statements and supporting arguments, and streamlines the exposition. The main separation results and numerical findings are unchanged