EPFL（洛桑联邦理工学院）

AbstRAG: Learning to Abstract for Retrieval Problems

AbstRAG：面向检索问题的抽象学习

Lei Xu, Xin Quan, Daniel Pedronette, André Freitas

机构 * Idiap Research Institute（Idiap 研究所） ； École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院 (EPFL)） ； São Paulo State University（圣保罗州立大学） ； University of Manchester（曼彻斯特大学） ； CRUK National Biomarker Centre（英国癌症研究中心国家生物标志物中心） 纠错

AI总结 针对查询与文档证据间的抽象鸿沟问题，提出AbstRAG方法，通过将抽象作为显式检索对象，并采用反思性精炼机制，在三个基准上提升了检索和生成性能。

Reasoning without Gold Standards: A Proxy-Judge Theory of Autoformalization

无金标准推理：自动形式化的代理-裁判理论

Lei Xu, Xin Quan, André Freitas

机构 * Idiap Research Institute（Idiap研究所） ； École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院） ； University of Manchester（曼彻斯特大学） ； CRUK National Biomarker Centre, University of Manchester（英国癌症研究中心国家生物标志物中心，曼彻斯特大学） 纠错

AI总结 提出无参考的代理-裁判框架，通过多轴属性检查替代金标准匹配，实现自动形式化的迭代优化，理论保证收敛，实验提升通过率。

PriFT: Prior-Support Guided Supervised Fine-Tuning

PriFT: 先验支持引导的监督微调

Ke Wang, Shuangqi Li, Mathieu Salzmann, Pascal Frossard

机构 * EPFL（瑞士联邦理工学院洛桑分校） 纠错

AI总结 提出PriFT方法，利用冻结的预训练模型计算token权重，避免在线模型导致的自我强化动态，在数学推理、代码生成和医疗问答任务中取得SFT最优结果，并为后续RL提供更好初始化。

Comments The first two authors contributed equally to this work

PaperMentor: A Human-Centered Multi-Agent Writing Tutor for AI Research Papers on Overleaf

PaperMentor：面向Overleaf的AI研究论文写作人本多智能体辅导系统

Jiarui Liu, Terry Jingchen Zhang, Ryan Faulkner, X. Angelo Huang, Vilém Zouhar, Dominik Glandorf, Isabel Dahlgren, Van Q. Truong, Rishit Dagli, Yuen Chen, Felix Leeb, Punya Syon Pandey, Yves Bicker, Suvajit Majumder, Wenyuan Jiang, Zeju Qiu, Sankalan Pal Chowdhury, Bernhard Schölkopf, Mona Diab, Zhijing Jin

机构 * CMU（卡内基梅隆大学） ； Jinesis Lab, University of Toronto & Vector Institute（Jinesis实验室，多伦多大学与向量研究所） ； EuroSafeAI ； ETHZ（苏黎世联邦理工学院） ； EPFL（洛桑联邦理工学院） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； Max Planck Institute for Intelligent Systems, Tübingen, Germany（马克斯·普朗克智能系统研究所，德国图宾根） 纠错

AI总结 提出PaperMentor，一种在Overleaf中提供内联建议的人本写作助手，通过专家技能库和12个专业智能体提供可操作反馈，用户研究中90.6%建议被认为可操作。

Comments Accepted to the ACL 2026 Demo Track

Stable and Scalable Probabilistic Numerical Solvers for Stiff and High-Dimensional ODEs

适用于刚性和高维ODE的稳定且可扩展的概率数值求解器

Nathanael Bosch

机构 * EPFL（瑞士联邦理工学院） 纠错

AI总结 针对刚性和高维常微分方程，提出两种互补策略：无矩阵更新步骤实现线性扩展，以及迭代重线性化提升稳定性，从而开发出稳定且可扩展的概率求解器。