ETH Zurich（苏黎世联邦理工学院）

Evaluating AGENTS.md: Are Repository-Level Context Files Helpful for Coding Agents?

评估 AGENTS.md：仓库级上下文文件对编码助手有帮助吗？

Thibaud Gloaguen, Niels Mündler, Mark Müller, Veselin Raychev, Martin Vechev

机构 * Department of Computer Science（计算机科学系） ； ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 通过SWE-bench任务和开发者提交的上下文文件，评估发现上下文文件并未普遍提升编码助手的任务成功率，反而平均增加20%以上的推理成本。

SPARC: Separating Perception And Reasoning Circuits for Test-time Scaling of VLMs

SPARC: 分离感知与推理回路以实现VLM的测试时扩展

Niccolo Avogaro, Nayanika Debnath, Li Mi, Thomas Frick, Junling Wang, Zexue He, Hang Hua, Konrad Schindler, Mattia Rigotti

机构 * ETH Zürich（苏黎世联邦理工学院） ； IBM Research（IBM研究院） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室） 纠错

AI总结 提出SPARC框架，通过显式分离视觉感知与推理，实现测试时动态扩展和不对称计算分配，在视觉推理任务中优于基线方法。

Comments Accepted at the 43rd International Conference on Machine Learning (ICML 2026)

Towards Understanding The Calibration Benefits of Sharpness-Aware Minimization

理解锐度感知最小化的校准优势

Chengli Tan, Yubo Zhou, Haishan Ye, Guang Dai, Junmin Liu, Zengjie Song, Jiangshe Zhang, Zixiang Zhao, Yunda Hao, Yong Xu

机构 * Northwestern Polytechnical University（西北工业大学） ； SGIT AI Lab, State Grid Corporation of China（国网SGIT人工智能实验室） ； Xi’an Jiaotong University（西安交通大学） ； ETH Zürich（苏黎世联邦理工学院） ； Chinese University of Hong Kong（香港中文大学） 纠错

AI总结 本文通过理论分析揭示锐度感知最小化（SAM）通过隐式最大化预测分布熵来改善模型校准，并提出变体CSAM进一步降低校准误差。

Comments ICLR2026