Massachusetts Institute of Technology（麻省理工学院）

Attend Before Attention: Efficient and Scalable Video Understanding via Autoregressive Gazing

先关注再注意：通过自回归注视实现高效的可扩展视频理解

Baifeng Shi, Stephanie Fu, Long Lian, Hanrong Ye, David Eigen, Aaron Reite, Boyi Li, Jan Kautz, Song Han, David M. Chan, Pavlo Molchanov, Trevor Darrell, Hongxu Yin

机构 * UC Berkeley（伯克利大学） ； MIT（麻省理工学院） ； Clarifai（Clarifai公司） ； NVIDIA（英伟达公司） 纠错

AI总结 AutoGaze通过自回归选择视频中的关键块，减少冗余并提升处理效率，使大语言模型能处理长视频并取得更优表现。

Comments CVPR 2026. Project page: https://autogaze.github.io/

Neural Thickets: Diverse Task Experts Are Dense Around Pretrained Weights

神经丛林：多样化的任务专家在预训练权重周围密集分布

Yulu Gan, Phillip Isola

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） 纠错

AI总结 本文提出一种简单并行的后训练方法，通过随机扰动和多数投票发现预训练权重周围密集分布的任务专家，提升大规模模型性能。

Comments codes are provided at https://github.com/sunrainyg/RandOpt

To Words and Beyond: Probing Large Language Models for Sentence-Level Psycholinguistic Norms of Memorability and Reading Times

词与超越：探究大语言模型以获取句子层面的心理语言学规范的可记忆性和阅读时间

Thomas Hikaru Clark, Carlos Arriaga, Javier Conde, Gonzalo Martínez, Pedro Reviriego

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Universidad Politécnica de Madrid（马德里理工大学） 纠错

AI总结 本文研究了大语言模型在句子层面可记忆性和阅读时间的预测能力，通过微调提升预测效果，发现其在不同任务上的表现存在显著差异，提示在使用LLM提示替代人类认知测量时需谨慎。