ETH Zurich（苏黎世联邦理工学院）

Probing for Reading Times

探测阅读时间

Eleftheria Tsipidi, Samuel Kiegeland, Francesco Ignazio Re, Tianyang Xu, Mario Giulianelli, Karolina Stanczak, Ryan Cotterell

机构 * ETH Zürich（苏黎世联邦理工学院） ； Toyota Technological Institute at Chicago（芝加哥丰田技术研究所） ； University College London（伦敦大学学院） 纠错

AI总结 本文通过眼动追踪数据，利用正则化线性回归比较语言模型各层表示在预测阅读时间等指标上的表现，发现早期层表示在预测早期眼动指标上优于 surprisal，但对总阅读时间而言 surprisal 仍更优。

Comments ACL 2026 (main conference)

Memory Over Maps: 3D Object Localization Without Reconstruction

记忆超越映射：无需重建的3D物体定位

Rui Zhou, Xander Yap, Jianwen Cao, Allison Lau, Boyang Sun, Marc Pollefeys

机构 * University of Zurich（苏黎世大学） ； ETH Zurich（苏黎世联邦理工学院） ； Microsoft（微软） 纠错

AI总结 本文提出无需重建的3D物体定位方法，通过轻量级视觉记忆实现快速场景索引，显著降低预处理成本，验证了基于图像的场景记忆可替代密集3D重建。

Comments 8 pages, 6 figures

SAGE-32B: Agentic Reasoning via Iterative Distillation

SAGE-32B：通过迭代蒸馏实现代理推理

Basab Jha, Firoj Paudel, Ujjwal Puri, Ethan Henkel, Zhang Yuting, Mateusz Kowalczyk, Mei Huang, Choi Donghyuk, Wang Junhao

机构 * SAGEA ； Tribhuwan University（特里布文大学） ； Vedas College（韦达学院） ； Madan Bhandari Memorial College（马丹·班达里纪念学院） ； Fudan University（复旦大学） ； ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 SAGE-32B是一种专注于代理推理和长期规划的320亿参数语言模型，通过迭代蒸馏提升推理能力，在代理推理基准测试中表现出色。

Comments 23 Pages, 3 figures, 4 tables

How does the optimizer implicitly bias the model merging loss landscape?

优化器如何隐式地偏置模型合并的损失景观？

Chenxiang Zhang, Alexander Theus, Damien Teney, Antonio Orvieto, Jun Pang, Sjouke Mauw

机构 * University of Luxembourg（卢森堡大学） ； ETH Zürich, MPI for Intelligent Systems（苏黎世联邦理工学院、智能系统研究所） ； Idiap Research Institute（Idiap研究机构） ； ELLIS Institute Tübingen, MPI for Intelligent Systems, Tübingen AI Center（图宾根ELLIS研究所、智能系统研究所、图宾根人工智能中心） 纠错

AI总结 本文研究了优化动态如何影响损失景观几何及其对模型合并成功的影响，发现有效噪声尺度统一了不同优化器组件对模型合并的影响，并揭示了学习率、权重衰减等参数对有效噪声尺度的调节作用。

Comments Published at ICLR2026