University of Michigan（密歇根大学安娜堡分校）

Consistency Training Along the Transformer Stack

沿Transformer堆栈的一致性训练

Sukrati Gautam, Neil Shah, Arav Dhoot, Bryan Maruyama, Caroline Wei, Rohan Kapoor, Robert Sidey, Prakhar Gupta, Zi Cheng Huang, David Demitri Africa

机构 * Purdue University（普渡大学） ； Independent（独立） ； Columbia University（哥伦比亚大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Dartmouth College（达特茅斯学院） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校） 纠错

AI总结 本文通过引入MLP状态和注意力分布的一致性目标，将一致性训练扩展到多种安全威胁，并发现跨威胁泛化及共享机制，证明其作为灵活对齐框架的有效性。

Comments Submitted to EMNLP 2026

Interpreting Style Representations via Style-Eliciting Prompts

通过风格诱导提示解释风格表示

Junghwan Kim, David Jurgens

机构 * University of Michigan（密歇根大学） 纠错

AI总结 提出一种通过风格诱导提示解释风格表示的新框架，利用大型语言模型生成自然语言描述，并在风格描述和模仿任务中优于直接提示的基线方法。

Comments Accepted to ACL 2026 Findings

LeanMarathon: Toward Reliable AI Co-Mathematicians through Long-Horizon Lean Autoformalization

LeanMarathon：通过长视界Lean自动形式化实现可靠的AI合作数学家

Yuanhe Zhang, Yuekai Sun, Taiji Suzuki, Jason D. Lee, Fanghui Liu

机构 * Department of Statistics, University of Warwick, UK（英国沃里克大学统计系） ； Center for Advanced Intelligence Project, RIKEN, Japan（日本理化学研究所高级智能项目） ； Department of Statistics, University of Michigan, USA（美国密歇根大学统计系） ； Department of Mathematical Informatics, The University of Tokyo（东京大学数学信息学系；日本理化学研究所高级智能项目） ； also Center for Advanced Intelligence Project, RIKEN, Japan（加州大学伯克利分校电气工程与计算机科学系；统计系） ； Department of Electrical Engineering and Computer Sciences, also Department of Statistics, University of California, Berkeley, USA（上海交通大学数学科学学院，自然科学院和MOE-LSC） ； School of Mathematical Sciences, Institute of Natural Sciences and MOE-LSC, Shanghai Jiao Tong University, China 纠错

AI总结 提出多智能体框架LeanMarathon，通过蓝图抽象和两阶段编排器实现长视界研究数学的可靠自动形式化，在四个Erdős问题上成功形式化七个定理。

Comments 26 pages, 9 figures. Comments are welcome

VideoKR: Towards Knowledge- and Reasoning-Intensive Video Understanding

VideoKR：迈向知识和推理密集型视频理解

Lin Fu, Zheyuan Yang, Yang Wang, Tingyu Song, Arman Cohan, Yilun Zhao

机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； University of Toronto（多伦多大学） ； University of Washington（华盛顿大学） ； University of Michigan（密歇根大学） 纠错

AI总结 提出VideoKR，首个大规模训练语料库，通过人工参与的技能导向生成管道构建315K视频推理示例，增强知识和推理密集型视频理解，并在专家标注基准上验证其有效性。

Comments ICML 2026 Spotlight

OSCAR: Omni-Embodiment Action-Conditioned World Model for Robotics

OSCAR: 面向机器人的全具身骨架条件世界动作模型

Zhuoyuan Wu, Jun Gao

机构 * Peking University（北京大学） ； University of Michigan（密歇根大学） ； NVIDIA（英伟达） 纠错

AI总结 提出OSCAR，一种基于动作条件的视频世界模型，通过大规模数据管道和2D骨架渲染统一表示，实现跨机器人具身的泛化，并用于策略评估。

Comments Project page: https://wuzy2115.github.io/oscar-project-page/

CLASH: Evaluating Language Models on Judging High-Stakes Dilemmas from Multiple Perspectives

CLASH：从多个视角评估语言模型在高风险困境中的判断

Ayoung Lee, Ryan Sungmo Kwon, Peter Railton, Lu Wang

机构 * Department of Computer Science and Engineering（计算机科学与工程系） ； Department of Philosophy（哲学系） ； University of Michigan Ann Arbor（安娜堡大学） 纠错

AI总结 本文提出CLASH数据集，用于研究基于价值观的决策过程，发现语言模型在处理矛盾决策、心理不适和价值观变化时存在显著不足。

Comments Published as a conference paper at ICLR 2026

Generator-Mediated Bandits: Thompson Sampling for GenAI-Powered Adaptive Interventions

生成器介导的老虎机：面向生成式人工智能的自适应干预的汤普森采样

Marc Brooks, Gabriel Durham, Kihyuk Hong, Ambuj Tewari

机构 * Department of Statistics, University of Michigan, Ann Arbor, MI (USA)（密歇根大学统计学系，安阿伯，MI (美国)） 纠错

AI总结 本文提出了一种生成器介导的老虎机算法（GAMBITTS），用于解决生成式人工智能（GenAI）驱动的自适应干预问题。该算法通过建模治疗和奖励生成过程，利用观察到的治疗信息加速策略学习，并在模拟研究中优于传统算法。

Comments 39 pages, 12 figures

Journal ref Advances in Neural Information Processing Systems 38 (NeurIPS 2025)