Korea Advanced Institute of Science and Technology（韩国科学技术院）

SpeakerLLM: A Speaker-Specialized Audio-LLM for Speaker Understanding and Verification Reasoning

SpeakerLLM：一种面向说话人理解与验证推理的说话人专用音频大语言模型

KiHyun Nam, Jungwoo Heo, Siu Bae, Ha-Jin Yu, Joon Son Chung

机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院） ； University of Seoul（首尔大学） 纠错

AI总结 SpeakerLLM通过统一说话人特征建模、录音条件理解及验证推理，提升音频大语言模型在说话人识别与验证中的性能与准确性。

Query-Conditioned Test-Time Self-Training for Large Language Models

基于查询的测试时自我训练用于大语言模型

Chaehee Song, Minseok Seo, Yeeun Seong, Doyi Kim, Changick Kim

机构 * School of Electrical Engineering, KAIST（韩国科学技术院电子工程学院） ； Graduate School of Green Growth and Sustainability, KAIST（韩国科学技术院可持续增长与绿色发展研究生院） 纠错

AI总结 本文提出QueST框架，通过直接从输入查询生成查询条件对，实现测试时参数自适应，无需外部数据，在多个基准测试中优于现有方法。

Comments 17 pages, 7 figures

Argument Reconstruction as Supervision for Critical Thinking in LLMs

论点重建作为大语言模型批判性思维的监督

Hyun Ryu, Gyouk Chu, Gregor Betz, Eunho Yang, Carolyn Rose, Sean Welleck

机构 * Carnegie Mellon University（卡内基梅隆大学） ； KAIST（韩国科学技术院） ； KIT（卡尔斯鲁厄理工学院） 纠错

AI总结 本文提出GAAR引擎和Arguinas数据集，探讨通过论点重建提升大语言模型批判性思维能力，实验显示在七项任务中训练模型表现更优。

AMiD: Knowledge Distillation for LLMs with $α$-mixture Assistant Distribution

AMiD: 基于 α-混合助手分布的大型语言模型知识蒸馏

Donghyeok Shin, Yeongmin Kim, Suhyeon Jo, Byeonghu Na, Il-Chul Moon

机构 * Korea Advanced Institute of Science and Technology（韩国先进科学研究院） 纠错

AI总结 本文提出AMiD框架，通过引入α-混合助手分布解决LLM知识蒸馏中的容量差距和训练不稳定问题，提供更广泛的理论基础和更稳定的训练效果。

Comments The Fourteenth International Conference on Learning Representations (ICLR 2026)

WarmPrior: Straightening Flow-Matching Policies with Temporal Priors

WarmPrior: 通过时间先验使流匹配策略更加平直

Sinjae Kang, Chanyoung Kim, Kaixin Wang, Li Zhao, Kimin Lee

机构 * KAIST（韩国科学技术院） ； Microsoft Research（微软研究院） 纠错

AI总结 本文提出WarmPrior，通过利用近期动作历史构建的时间先验，提升机器人操作任务的成功率，改进概率路径并提高样本效率和最终性能。

PREPING: Building Agent Memory without Tasks

PREPING：在没有任务的情况下构建代理记忆

Yumin Choi, Sangwoo Park, Minki Kang, Jinheon Baek, Sung Ju Hwang

机构 * KAIST（韩国科学技术院） 纠错

AI总结 本文研究在无任务经验下通过自动生成合成实践构建代理记忆的方法，提出Preping框架，通过Proposer生成任务、Solver执行和Validator验证，提升性能并降低部署成本。

Comments Preprint