Imperial College London（帝国理工学院）

Token Encoding for Semantic Recovery

用于语义恢复的标记编码

Jingzhi Hu, Geoffrey Ye Li

机构 * Department of Electrical and Electronic Engineering（电子工程系） ； Imperial College London, London, UK（伦敦帝国学院） 纠错

AI总结 本文提出TokCode框架，通过句子语义引导的模型适应算法优化标记编码，有效缓解语义失真，即使在40%-60%标记丢失的恶劣信道中也能接近性能上限。

TeRA: Vector-based Random Tensor Network for High-Rank Adaptation of Large Language Models

TeRA: 基于向量的随机张量网络用于大语言模型的高秩适应

Yuxuan Gu, Wuyang Zhou, Giorgos Iacovides, Danilo Mandic

机构 * Department of Electrical and Electronic Engineering, Imperial College London（帝国理工学院伦敦分校电子与电气工程系） 纠错

AI总结 TeRA提出一种新型PEFT方法，通过将张量化的权重更新矩阵参数化为Tucker-like张量网络，实现高秩权重更新的同时保持向量方法的参数效率。

Comments Accepted at ACL main conference 2026. Code is available at https://github.com/guyuxuan9/TeRA

Does RLVR Extend Reasoning Boundaries? Investigating Capability Expansion in Vision-Language Models

RLVR能否扩展推理边界？探究视觉-语言模型中的能力扩展

Minghe Shen, Zhuo Zhi, Chonghan Liu, Shuo Xing, Zhengzhong Tu, Che Liu

机构 * University College London（伦敦大学学院） ； Samsung R&D Institute UK（三星英国研发院） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Texas A&M University（德克萨斯农工大学） ； Imperial College London（伦敦帝国学院） 纠错

AI总结 本文通过Ariadne框架研究RLVR对视觉-语言模型空间推理能力的影响，证明其能扩展推理边界，并在真实导航任务中取得提升。

Incentivizing High-Quality Human Annotations with Golden Questions

通过黄金问题激励高质量的人工标注

Shang Liu, Zhongze Cai, Hanzhao Wang, Zhongyao Ma, Xiaocheng Li

机构 * Imperial College Business School（帝国理工学院商学院） ； Imperial College London（帝国理工学院伦敦分校） ； Meta 纠错

AI总结 本文研究如何通过黄金问题激励标注者产生高质量数据，提出基于主代理模型的激励机制，并通过实验验证黄金问题在标注性能监控中的有效性。

Comments Corrected bugs in the proofs by specifying a further assumption. arXiv admin note: text overlap with arXiv:2502.06387