Meituan（美团）

MUSE: Multi-Domain Chinese User Simulation via Self-Evolving Profiles and Rubric-Guided Alignment

MUSE：通过自演化档案和评分引导对齐实现多领域中文用户模拟

Zihao Liu, Hantao Zhou, Jiguo Li, Jun Xu, Jiuchong Gao, Jinghua Hao, Renqing He, Peng Wang

机构 * College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与人工智能学院） ； Meituan（美团） 纠错

AI总结 MUSE通过自演化档案和评分引导对齐，生成逼真且行为一致的中文用户响应，优于现有方法。

Pruning Long Chain-of-Thought of Large Reasoning Models via Small-Scale Preference Optimization

通过小规模偏好优化修剪大推理模型的长推理链

Bin Hong, Jiayu Liu, Kai Zhang, Jianwen Sun, Mengdi Zhang, Zhenya Huang

机构 * State Key Laboratory of Cognitive Intelligence（认知智能国家重点实验室） ； University of Science and Technology of China（中国科学技术大学） ； Institute of Artificial Intelligence（人工智能研究院） ； Hefei Comprehensive National Science Center（合肥综合性国家科学中心） ； Central China Normal University（中部师范大学） ； Meituan（美团） ； NeoShell 纠错

AI总结 本文提出LCPO方法，通过统一的Bradley-Terry损失框架，有效减少大推理模型的输出长度，同时保持推理性能，实验显示在多个基准上平均输出长度减少超过50%。

Comments 26 pages, 8 figures, ICLR'26

Failure Makes the Agent Stronger: Enhancing Accuracy through Structured Reflection for Reliable Tool Interactions

失败让智能体更强：通过结构化反思提升准确性以实现可靠的工具交互

Junhao Su, Yuanliang Wan, Junwei Yang, Hengyu Shi, Tianyang Han, Junfeng Luo, Yurui Qiu

机构 * Vision Agent Team, Meituan（美团视觉代理团队） ； MeiGen AI Team, Meituan（美团MeiGen AI团队） 纠错

AI总结 本文提出结构化反思方法，通过显式反思和优化提升工具交互的可靠性，实验表明在多轮工具调用中显著提高成功率并减少冗余调用。

Comments ACL