Mitigating Legibility Tax with Decoupled Prover-Verifier Games
通过解耦证明者-验证者游戏减轻可读性代价
机构 * KAIST（韩国科学技术院）
AI总结 提出解耦证明者-验证者游戏（DPVG），通过分离正确性与可检查性训练一个翻译器模型，将固定求解器的解转化为可检查形式，在保持答案正确性的同时提高可检查性，解决了可读性代价问题。
Comments ICLR 2026 Workshop Trustworthy AI
高校专区
Korea Advanced Institute of Science and Technology（韩国科学技术院）
DeFrame: Debiasing Large Language Models Against Framing Effects
DeFrame: 消除大语言模型中的框架效应偏差
机构 * KAIST（韩国科学技术院）
AI总结 针对大语言模型在语义等价但不同表述的提示下产生不一致偏见的问题，提出框架感知的去偏方法，通过量化框架差异并增强跨框架一致性，有效降低整体偏见并提升鲁棒性。
Comments Accepted to Findings of ACL 2026
MENTOR: Reinforcement Learning via Flexible Teacher-Optimized Rewards for Tool-Use Distillation
MENTOR: 通过灵活的教师优化奖励进行工具使用蒸馏的强化学习
机构 * Seoul National University of Science and Technology（首尔科学技术大学） ； Korea Advanced Institute of Science and Technology（韩国科学技术院） ； LG CNS
AI总结 提出MENTOR方法，通过灵活的教师优化奖励结构，平衡行为对齐与下游性能，提升小模型在工具使用任务中的域外泛化能力。
RoboSSM: Scalable In-context Imitation Learning via State-Space Models
RoboSSM: 基于状态空间模型的可扩展上下文模仿学习
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； KAIST（韩国科学技术院） ； FAIR at Meta（元宇宙FAIR） ； Amazon（亚马逊） ； Sony AI（索尼人工智能）
AI总结 提出RoboSSM，用状态空间模型替代Transformer实现上下文模仿学习，在LIBERO基准上对未见和长时任务泛化更优，首次证明SSM是ICIL高效可扩展的骨干网络。
Comments IROS 2026
