Columbia University（哥伦比亚大学）

HSMLA: Hierarchical Softmax Multi-scale Linear Attention for Efficient Vision Transformers

HSMLA：用于高效视觉Transformer的分层Softmax多尺度线性注意力

Dong Liu, Yanxuan Yu, Renata Borovica-Gajic, Tong Geng, Ying Nian Wu

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Columbia University（哥伦比亚大学） ； The University of Melbourne（墨尔本大学） 纠错

AI总结 针对视觉Transformer高分辨率密集预测的计算开销问题，提出HSMLA，结合多类注意力机制与深度卷积，在多项任务上实现精度与效率的优异平衡。

CoEvoSkills: Self-Evolving Agent Skills via Co-Evolutionary Verification

CoEvoSkills: 通过共进化验证实现自进化代理技能

Hanrong Zhang, Shicheng Fan, Henry Peng Zou, Yankai Chen, Zhenting Wang, Jiayu Zhou, Chengze Li, Wei-Chieh Huang, Yifei Yao, Kening Zheng, Xue, Liu, Xiaoxiao Li, Philip S. Yu

机构 * University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； McGill University（麦吉尔大学） ； Columbia University（哥伦比亚大学） ； Zhejiang University（浙江大学） ； University of British Columbia（不列颠哥伦比亚大学） 纠错

AI总结 本文提出CoEvoSkills框架，使代理能自主生成复杂技能包，通过共进化验证提供反馈，实现在SkillsBench上最高通过率和强泛化能力。

Comments COLM accepted

On The Statistical Limits of Self-Improving Agents

关于自我改进智能体的统计极限

Charles L. Wang, Keir Dorchen, Peter Jin

机构 * Columbia University（哥伦比亚大学） 纠错

AI总结 研究探讨了自我改进智能体的统计极限，揭示了效用驱动的自我修改可能引发的学习能力下降问题，并提出了容量有界条件下的安全自我改进边界。

Comments Published in TMLR 2026