ETH Zurich（苏黎世联邦理工学院）

Honeyval: A Comprehensive Evaluation Framework for LLM-powered HTTP Honeypots

Honeyval: 基于LLM的HTTP蜜罐综合评估框架

Mark Vero, Fabian Kaczmarczyck, Ivan Petrov, Ilia Shumailov, Jamie Hayes, Niels Heinen, Tianqi Fan, Luca Invernizzi, Martin Vechev

机构 * ETH Zurich（苏黎世联邦理工学院） ； Google（谷歌） ； Google DeepMind（谷歌DeepMind） ； AI Sequrity Company（AI安全公司） ； Independent（独立） 纠错

AI总结 提出Honeyval评估框架，通过16个后端应用、AI攻击代理、控制任务和可验证利用目标，系统评估LLM驱动的HTTP蜜罐，发现其相比规则基线能显著延长攻击交互、降低被前沿模型检测率，且保持成本优势。

Insurance Pricing Optimization via Off-Policy Evaluation

通过离线策略评估进行保险定价优化

Sascha Günther, Dimitri Semenovich, Mario V. Wüthrich

机构 * Department of Mathematics, ETH Zurich（苏黎世联邦理工学院数学系） 纠错

AI总结 本文提出基于离线策略评估和随机控制的保险定价方法，利用核化逆倾向得分估计器降低方差，并通过数据共享Lasso和神经网络两种策略优化方法实现最优定价。

Post-Training Language Models for Crosslingual Consistency

后训练语言模型以实现跨语言一致性

Tianyu Liu, Jirui Qi, Mrinmaya Sachan, Ryan Cotterell, Raquel Fernández, Arianna Bisazza

机构 * ETH Zürich（苏黎世联邦理工学院） ； CLCG, University of Groningen（格罗宁根大学CLCG中心） ； University of Amsterdam（阿姆斯特丹大学） 纠错

AI总结 针对多语言模型对翻译等价提示响应不一致的问题，提出基于信息论的跨语言一致性定义，并开发后训练方法直接一致性优化（DCO）以提升一致性。

Comments ICML 2026. The first two authors contributed equally. Codes available at: https://github.com/Betswish/ConsistencyRL

On the Role of Inductive Bias in Time-Series Pretraining: A Case Study in Learning Generalizable Representations for Clinical Time Series

论归纳偏置在时间序列预训练中的作用：以临床时间序列学习通用表征的案例研究

Sharmita Dey, Diego Paez-Granados

机构 * ETH Zurich（苏黎世联邦理工学院） ； Swiss Paraplegic Research（瑞士脊髓损伤研究所） ； ETH Zurich, Swiss Paraplegic Research（苏黎世联邦理工学院、瑞士脊髓损伤研究所） 纠错

AI总结 通过PathoFM编码器中心Transformer，结合局部补全、时间连续性和无监督上下文动力学三种互补目标，研究预训练目标中归纳偏置对跨任务类型和受试者迁移的影响，发现动态中心混合目标能产生最平衡的迁移表征。

RHO: Robust Holistic OSM-Based Metric Cross-View Geo-Localization

RHO: 基于OSM的鲁棒整体度量跨视角地理定位

Junwei Zheng, Ruize Dai, Ruiping Liu, Zichao Zeng, Yufan Chen, Fangjinhua Wang, Kunyu Peng, Kailun Yang, Jiaming Zhang, Rainer Stiefelhagen

机构 * Karlsruhe Institute of Technology（卡尔斯鲁厄理工大学） ； Hunan University（湖南大学） ； ETH Zurich（苏黎世联邦理工学院） ； UCL（伦敦大学学院） 纠错

AI总结 提出RHO模型，利用全景图和OpenStreetMap进行度量跨视角地理定位，通过Split-Undistort-Merge模块处理全景畸变和Position-Orientation Fusion机制提升定位精度，在CV-RHO数据集上相比基线方法性能提升高达20%。

Comments Accepted by CVPR 2026. Project page: https://github.com/InSAI-Lab/RHO