ETH Zurich（苏黎世联邦理工学院）

Multi-Stream LLMs: Unblocking Language Models with Parallel Streams of Thoughts, Inputs and Outputs

多流语言模型：通过并行思维、输入和输出流解除语言模型瓶颈

Guinan Su, Yanwu Yang, Xueyan Li, Jonas Geiping

机构 * Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； Tübingen AI Center（图宾根人工智能中心） ； ETH Zurich（苏黎世联邦理工学院） ； University Hospital Tübingen（图宾根大学医院） ； University of Tübingen（图宾根大学） ； ELLIS Institute Tübingen（图宾根ELLIS研究所） 纠错

AI总结 本文提出通过并行计算流替代顺序消息格式，提升语言模型的效率、安全性和可监控性，解决单流计算的局限性。

Comments Preprint, 37 pages. Code at https://github.com/seal-rg/streaming/

Learning Minimally Rigid Graphs with High Realization Counts

学习具有高实现次数的最小刚性图

Oleksandr Slyvka, Jan Rubeš, Rodrigo Alves, Jan Legerský

机构 * Faculty of Information Technology, Czech Technical University in Prague（捷克技术大学布拉格信息科技学院） ； ETH Zürich（苏黎世联邦理工学院） 纠错

AI总结 本文提出基于强化学习的方法，通过0-和1-扩展构造最小刚性图，优化实现次数不变量，实现在平面和球面实现次数上的新记录。

Comments This is an extended version of the paper accepted to IJCAI 2026

From Message-Passing to Linearized Graph Sequence Models

从信息传递到线性化图序列模型

Joël Mathys, Basil Rohner, Saku Peltonen, Roger Wattenhofer

机构 * ETH Zurich, Switzerland（苏黎世联邦理工学院） 纠错

AI总结 本文提出线性化图序列模型框架，将信息传递图计算从序列建模视角简化架构选择，通过分离计算深度与信息传播深度，将图架构决策转化为序列建模选择，提升长距离信息任务性能。

Multi-Variable Conformal Prediction: Optimizing Prediction Sets without Data Splitting

多变量符合预测：无需数据分割的预测集优化

Laura Lützow, Simone Garatti, Marco C. Campi, Lars Lindemann, Matthias Althoff

机构 * TU Munich & MCML, Germany（慕尼黑技术大学及MCML，德国） ； Politecnico di Milano, Italy（米兰理工学院，意大利） ； University of Brescia, Italy（布雷西亚大学，意大利） ； ETH Zürich, Switzerland（苏黎世联邦理工学院，瑞士） 纠错

AI总结 本文提出多变量符合预测框架，通过统一预测集设计与校准为单优化问题，无需数据分割即可保证覆盖概率。RemMCP和RelMCP在椭圆和多模预测集中表现出更小的预测集大小和更低的方差。

Grid Games: The Power of Multiple Grids for Quantizing Large Language Models

网格游戏：多个网格在量化大语言模型中的力量

Vage Egiazarian, Erik Schultheis, Andrei Panferov, Earl Killian, Torsten Hoefler, Dan Alistarh

机构 * ISTA ； ETH Zürich（苏黎世联邦理工学院） ； Red Hat AI（红帽人工智能） 纠错

AI总结 本文研究了通过多个网格提升大语言模型量化效果的方法，提出PO2网格问题并展示其在不同模型中的优势，实验表明自适应网格能提升精度。

Comments Preprint

Uncertainty Quantification for LLM-based Code Generation

基于大语言模型的代码生成的不确定性量化

Senrong Xu, Yuhao Tan, Yanke Zhou, Guangyuan Wu, Zenan Li, Yuan Yao, Taolue Chen, Feng Xu, Xiaoxing Ma

机构 * State Key Lab of Novel Software Technology, Nanjing University（南京大学新型软件技术国家重点实验室） ； ETH Zürich（苏黎世联邦理工学院） ； Birkbeck, University of London（伦敦大学伯克贝克学院） 纠错

AI总结 本文提出RisCoSet方法，通过多重假设检验构建风险控制的预测集，用于大语言模型代码生成任务，有效减少代码移除并提升准确性。

UniFixer: A Universal Reference-Guided Fixer for Diffusion-Based View Synthesis

UniFixer：一种通用参考引导的扩散基视图合成修复器

Sihan Chen, Xiang Zhang, Yang Zhang, Tunc Aydin, Christopher Schroers

机构 * ETH Zürich（苏黎世联邦理工学院） ； DisneyResearch|Studios（迪士尼研究实验室） 纠错

AI总结 本文提出UniFixer，通过粗到细策略修复扩散基视图合成中的多种退化问题，包括空间、时间及模型相关的退化，通过参考预对齐、全局结构锚定和局部细节注入模块实现高质量视图合成。

MULTI: Disentangling Camera Lens, Sensor, View, and Domain for Novel Image Generation

MULTI: 解构相机镜头、传感器、视角和领域以实现新图像生成

Sonali Godavarthy, Matthias Neuwirth-Trapp, Tim-Felix Faasch, Maarten Bieshaar, Michael Moeller, Danda Pani Paudel

机构 * Bosch Research（博世研究） ； ETH Zürich（苏黎世联邦理工学院） ； University of Siegen（锡根大学） 纠错

AI总结 MULTI通过文本逆向学习解构图像生成中的多因素，提升对特定风格和对象的控制能力，并通过DF-RICO基准验证其有效性。

Comments Accepted at ICPR 2026

Robust Promptable Video Object Segmentation

鲁棒可提示视频对象分割

Sohyun Lee, Yeho Gwon, Lukas Hoyer, Konrad Schindler, Christos Sakaridis, Suha Kwak

机构 * POSTECH ； Google（谷歌） ； ETH Zürich（苏黎世联邦理工学院） 纠错

AI总结 本文提出鲁棒可提示视频对象分割方法MoGA，通过内存对象条件门控适应处理视频对象分割中的退化问题，提升在真实环境下的鲁棒性。

Comments Accepted to CVPR 2026

SeePhys Pro: Diagnosing Modality Transfer and Blind-Training Effects in Multimodal RLVR for Physics Reasoning

SeePhys Pro：多模态RLVR中模态迁移和盲训练效应的诊断

Kun Xiang, Terry Jingchen Zhang, Zirong Liu, Bokai Zhou, Yueling Tang, Junjie Yu, Jiacong Lu, Shangrui Huang, Heng Li, Likui Zhang, Kunkun Liu, Changzheng Zhang, Yangle Fang, Boqiang Guo, Hui-Ling Zhen, Dandan Tu, Yinya Huang, Xiaodan Liang

机构 * Sun Yat-sen University（中山大学） ； ETH Zurich（苏黎世联邦理工学院） ； ETH AI Center（苏黎世人工智能中心） ； Huawei Technologies Ltd（华为技术有限公司） 纠错

AI总结 SeePhys Pro研究多模态RLVR中模态迁移对物理推理的影响，发现当前模型在信息从语言迁移到图像时表现下降，盲训练可提升性能，但依赖残余文本和分布特征而非有效视觉证据。

Efficient Bayesian Inference from Noisy Pairwise Comparisons

从噪声成对比较中高效进行贝叶斯推断

Till Aczel, Lucas Theis, Roger Wattenhofer

机构 * ETH Zurich, Switzerland（苏黎世联邦理工学院） 纠错

AI总结 本文提出BBQ模型，通过贝叶斯方法处理噪声成对比较数据，改进了传统Bradley-Terry方法，提供更稳健和可解释的排名结果。

Every Bit, Everywhere, All at Once: A Binomial Multibit LLM Watermark

每一个比特，处处，一次又一次：一种二项式多比特大语言模型水印

Thibaud Gloaguen, Robin Staab, Mark Vero, Martin Vechev

机构 * ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 本文提出一种新的多比特水印方法，通过二项式编码在每个token位置直接编码每个比特，提升水印的准确性和鲁棒性，同时引入每比特置信度评分作为评估指标。

Towards Model-Free Learning in Dynamic Population Games: An Application to Karma Economies

动态群体博弈中无模型学习的研究：以Karma经济为例

Matteo Cederle, Saverio Bolognani, Gian Antonio Susto

机构 * Department of Information Engineering（信息工程系） ； Automatic Control Laboratory（自动控制实验室） ； ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 本文研究了Karma动态群体博弈中的无模型均衡学习，通过深度Q网络分析新成员在稳态纳什均衡下的学习过程，并通过实验展示结合深度强化学习与 fictitious play 可实现接近中心计算的稳态纳什均衡。