EPFL（洛桑联邦理工学院）

Controlled Memory Interference in Continual LLM Agents

持续大型语言模型智能体中的可控记忆干扰

Ao Ding, Hongzong LI, Shiqin Tang, Li Zhang, Liang Chen, Xuyang Chen, Zi Liang

机构 * China University of Geosciences (Beijing)（中国地质大学（北京）） ； Northwestern Polytechnical University（西北工业大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； Chinese Academy of Sciences（中国科学院） ； The Hong Kong Polytechnic University（香港理工大学） ； École polytechnique fédérale de Lausanne（洛桑联邦理工学院） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 本研究提出可控记忆干扰（CMI）框架，揭示记忆进化受经验相互作用影响，为持续大型语言模型智能体的记忆系统提供诊断与学习方法，提升记忆更新区分度与任务性能。

Unsupervised Disentanglement Without Compromises : How Functional Orthogonality Enforces Identifiability

无监督解缠无需妥协：函数正交性如何强制可识别性

Mathieu Cyrille Simon, Pascal Frossard, Christophe De Vleeschouwer

机构 * EPFL, LTS4 laboratory, Lausanne, Switzerland（瑞士洛桑联邦理工学院，LTS4实验室，洛桑，瑞士） 纠错

AI总结 从函数视角出发，通过生成映射雅可比的正交性约束实现无监督解缠，证明该条件在无需统计独立或因果假设下保证非线性生成模型的可识别性，实验验证了理论有效性。

Comments Accepted at ICML 2026

Multi-objective Evolutionary Merging Enables Efficient Reasoning Models

多目标进化融合实现高效推理模型

Mario Iacobelli, Adrian Robert Minut, Tommaso Mencattini, Donato Crisostomi, Andrea Santilli, Iacopo Masi, Emanuele Rodolà

机构 * Sapienza University of Rome（罗马大学） ； Independent Researcher（独立研究员） ； EPFL（瑞士联邦理工学院洛桑） ； NVIDIA（英伟达） 纠错

AI总结 本文提出Evo-L2S框架，通过多目标优化解决长到短推理问题，减少生成推理轨迹长度同时保持或提升推理准确性。

Comments Published as a conference paper at COLM 2026

Large Language Models Align with the Human Brain during Creative Thinking

大型语言模型在创造性思维过程中与人类大脑对齐

Mete Ismayilzada, Simone A. Luchini, Abdulkadir Gokce, Badr AlKhamissi, Antoine Bosselut, Antonio Laverghetta, Lonneke van der Plas, Roger E. Beaty

机构 * EPFL（瑞士联邦理工学院洛桑） ； Università della Svizzera italiana (USI)（意大利语区大学（瑞士）） ； Wesleyan University（卫斯理大学） ； Paris Brain Institute (ICM)（巴黎大脑研究所） ； Pennsylvania State University（宾夕法尼亚州立大学） 纠错

AI总结 研究探讨了在创造性思维过程中，fMRI数据揭示了大脑与不同规模LLM之间的对齐关系，发现模型大小和想法原创性影响对齐程度，且训练目标影响表示与人类创造力神经几何的匹配程度。

Comments Accepted at COLM 2026

CresOWLve: Benchmarking Creative Problem-Solving Over Real-World Knowledge

CresOWLve：基于现实世界知识的创造性问题解决基准测试

Mete Ismayilzada, Renqing Cuomao, Daniil Yurshevich, Anna Sotnikova, Lonneke van der Plas, Antoine Bosselut

机构 * EPFL（瑞士联邦理工学院洛桑） ； Università della Svizzera italiana (USI)（意大利语区瑞士大学） 纠错

AI总结 本文提出CresOWLve基准测试，评估创造性问题解决能力，通过现实世界知识中的谜题，发现模型在事实性问题与创造性问题上的表现差异显著。

Comments Accepted at COLM 2026

A solvable high-dimensional model where nonlinear autoencoders learn structure invisible to PCA while test loss misaligns with generalization

一个可解的高维模型，其中非线性自编码器学习到结构对PCA不可见，而测试损失与泛化不一致

Vicente Conde Mendes, Lorenzo Bardone, Cédric Koller, Jorge Medina Moreira, Vittorio Erba, Emanuele Troiani, Lenka Zdeborová

机构 * Statistical Physics of Computation Laboratory, École polytechnique fédérale de Lausanne (EPFL)（计算统计物理实验室，瑞士联邦理工学院（EPFL）） 纠错

AI总结 本文提出一个高维模型，展示非线性自编码器能学习线性方法如PCA无法捕捉的结构，尽管其测试损失与泛化性能不一致。

Journal ref ICML 2026

The Collaboration Gap: Exploration and Benchmarking of Open-World Agentic Cooperation

协作差距：开放世界智能体协作的探索与基准测试

Tim R. Davidson, Adam Fourney, Saleema Amershi, Robert West, Eric Horvitz, Ece Kamar

机构 * EPFL（瑞士联邦理工学院） ； Microsoft Research（微软研究院） 纠错

AI总结 该研究提出协作迷宫求解基准，评估32个模型的协作能力，发现模型存在协作差距，提出中继推理等缓解措施，强调协作相关评估、训练与交互设计的重要性。

Comments Accepted to COLM 2026, code available at https://github.com/trdavidson/collaboration_gap