Malice in Agentland: Down the Rabbit Hole of Backdoors in the AI Supply Chain
Agentland中的恶意行为：深入AI供应链后门问题
机构 * ServiceNow Research ； Mila - Qu\'ebec AI Institute
AI总结 研究探讨了在交互数据上微调AI代理时引入的安全漏洞，提出三种供应链威胁模型，证明通过污染少量演示即可使代理泄露用户信息。
Comments 27 pages
大厂专区
ServiceNow
LLM2Vec-Gen: Generative Embeddings from Large Language Models
LLM2Vec-Gen：从大型语言模型生成嵌入向量
机构 * McGill University（麦吉尔大学） ； Mila–Quebec AI Institute（米拉-魁北克人工智能研究所） ； ServiceNow Research（ServiceNow研究院） ； Cohere ； Canada CIFAR AI Chair（加拿大CIFAR人工智能主席）
AI总结 LLM2Vec-Gen通过自监督学习生成大型语言模型的嵌入向量，无需微调，提升MTEB基准测试性能，并保留语义和推理能力。
Comments Accepted to COLM 2026
DiffuMamba: High-Throughput Diffusion LMs with Mamba Backbone
DiffuMamba：基于Mamba架构的高吞吐量扩散语言模型
机构 * ServiceNow Research, Montreal, Canada（ServiceNow研究机构，加拿大蒙特利尔） ； Concordia University（Concordia大学）
AI总结 DiffuMamba基于Mamba架构，通过结合扩散目标与线性序列建模，实现了高吞吐量的扩散语言模型，在长序列任务中表现出色。
Comments 9 pages, 3 figures
Overcoming the Modality Gap in Context-Aided Forecasting
克服情境差距以实现上下文辅助预测
机构 * ServiceNow Research（ServiceNow研究） ； McGill University（麦吉尔大学） ； Mila - Quebec AI Institute（魁北克AI研究所）
AI总结 本文提出半合成数据增强方法，生成高质量上下文以提升上下文辅助预测性能，构建了700万规模的数据集，并验证了其在真实场景中的有效性。
Bound to Disagree: Generalization Bounds via Certifiable Surrogates
必然存在分歧：通过可验证替代物的泛化界
机构 * Département d’informatique et génie logiciel Université Laval（计算机与软件工程系洛桑大学） ； ServiceNow Research（ServiceNow研究）
AI总结 针对深度学习模型泛化界的问题，提出基于新分歧证书的方法，通过替代模型界定预测器真实风险，利用三种框架训练替代模型验证证书紧密性及方法通用性，无需修改目标模型和训练过程。
Comments Published in the 42nd conference on Uncertainty in Artificial Intelligence
BRIDGE: Predicting Human Task Completion Time From Model Performance
BRIDGE: 从模型性能预测人类任务完成时间
机构 * Mila - Quebec AI Institute（魁北克人工智能研究所） ； McGill University（麦吉尔大学） ； Polytechnique Montréal（蒙特利尔理工学院） ； Periodic Labs（Periodic实验室） ； Canada CIFAR AI Chair（加拿大CIFAR人工智能主席） ； ServiceNow Research（ServiceNow研究）
AI总结 提出BRIDGE框架，利用项目反应理论从模型性能中学习潜在任务难度，并将其与人类任务完成时间对齐，从而仅凭模型性能预测新基准上的人类任务完成时间。
Comments Accepted to the 43rd International Conference on Machine Learning (ICML 2026)
Societal Alignment Frameworks Can Improve LLM Alignment
社会对齐框架可以改进大语言模型对齐
机构 * ETH Zurich（苏黎世联邦理工学院） ； Mila, McGill University（麦吉尔大学米尔人工智能实验室） ； University of Cambridge（剑桥大学） ； Columbia University（哥伦比亚大学） ； University of Toronto, Google DeepMind（多伦多大学与DeepMind） ； McGill University, ServiceNow（麦吉尔大学与ServiceNow） ； Google DeepMind（谷歌DeepMind） ； University of Utah（犹他大学） ； King's College London（伦敦国王学院） ； Johns Hopkins University（约翰霍普金斯大学） ； Mila, McGill University, ServiceNow（麦吉尔大学米尔人工智能实验室与ServiceNow）
AI总结 本文提出借鉴社会、经济和契约对齐框架来改进大语言模型对齐，探讨不确定性在其中的作用，并将目标未指定性视为机遇而非缺陷，同时强调参与式对齐界面设计的必要性。
Grounding Computer Use Agents on Human Demonstrations
基于人类演示的计算机使用智能体基础构建
机构 * Mila - Quebec AI Institute（魁北克AI研究所） ； McGill University（麦吉尔大学） ； Université de Montréal（蒙特利尔大学） ； ServiceNow Research（ServiceNow研究） ； University of Waterloo（滑铁卢大学） ； University of Oxford（牛津大学） ； National University of Singapore（新加坡国立大学） ； Polytechnique Montréal（蒙特利尔理工学院） ； École de Technologie Supérieure（高级技术学院） ； CIFAR AI Chair（CIFAR人工智能主席）
AI总结 为解决桌面环境高质量基础数据稀缺问题，构建了包含87个应用、56K截图和3.56M人工标注的GroundCUA数据集，并基于此训练GroundNext模型，在5个基准上以少于先前十分之一的数据取得最优结果。
Comments Accepted at ICLR 2026
