Northeastern University（东北大学）

When Knowledge Is Not Free: Cost-Aware Evidence Selection in Retrieval-Augmented Generation

当知识并非免费：检索增强生成中的成本感知证据选择

Mingyan Wu, Han Yang, Omer Ben-Porat, Yftah Ziser

机构 * Northeastern University（东北大学） ； Technical University of Munich（慕尼黑技术大学） ； GESIS – Leibniz Institute for the Social Sciences（GESIS——莱比锡社会科学研究所） ； Technion–Israel Institute of Technology（技术学院——以色列理工学院） ； NVIDIA Research（NVIDIA研究） ； University of Groningen（格罗宁根大学） 纠错

AI总结 提出成本感知RAG设置，通过访问成本层级和预算约束，研究证据选择策略，发现静态选择脆弱而智能体方法有潜力但依赖模型和任务。

Accuracy, Stability, and Repeated-Run Reliability of Large Language Models on Deterministic Programming Tasks

大型语言模型在确定性编程任务上的准确性、稳定性和重复运行可靠性

Yongxi Zhou, Lai Yun Choi, Jiaxi Wen, Wenbo Ye

机构 * Northeastern University, Massachusetts, USA（东北大学，马萨诸塞州，美国） ； University of Southern California, California, USA（南加州大学，加利福尼亚州，美国） 纠错

AI总结 通过重复运行评估协议，发现运行级通过率高估了无重试覆盖率高达17.8个百分点，且差距在中等性能系统中最大，表明稳定性分析是准确性报告的必要补充。

Parameter Alignment Mitigates Catastrophic Forgetting in Multilingual Expert Language Models

参数对齐减轻多语言专家语言模型中的灾难性遗忘

Sanchit Ahuja, Terra Blevins

机构 * Northeastern University（东北大学） 纠错

AI总结 针对多语言持续预训练中的灾难性遗忘问题，提出五种层感知参数对齐策略（硬冻结、软正则化、事后权重恢复和模型合并），在32种训练语言和保留语言上评估，证明参数对齐能有效减少遗忘且语言获取成本低。

Comments 25 Pages, 5 Figures

LLM Anonymization Against Agentic Re-Identification

LLM匿名化对抗智能体重识别

Ziwen Li, Jianing Wen, Tianshi Li

机构 * Khoury College of Computer Sciences（科里学院计算机科学学院） ； Northeastern University（东北大学） 纠错

AI总结 提出AURA框架，通过掩码-重构方法解耦隐私定位与效用保留，并利用对抗性隐私和效用检查，以抵抗基于网络搜索的智能体重识别攻击，同时保留文本的上下文效用。

Comments 32 pages, 7 figures

FrontierOR: Benchmarking LLMs' Capacity for Efficient Algorithm Design in Large-Scale Optimization

FrontierOR：基准测试大语言模型在大规模优化中高效算法设计的能力

Minwei Kong, Chonghe Jiang, Ao Qu, Wenbin Ouyang, Zhaoming Zeng, Xiaotong Guo, Zhekai Li, Junyi Li, Yi Fan, Xinshou Zheng, Xi Jing, Yikai Zhang, Zhiwei Liang, Seonghoo Kim, Runqing Yang, Zijian Zhou, Sirui Li, Han Zheng, Wangyang Ying, Ou Zheng, Chonghuan Wang, Jinglong Zhao, Hanzhang Qin, Cathy Wu, Paul Pu Liang, Jinhua Zhao, Hai Wang

机构 * Singapore-MIT Alliance for Research and Technology（新加坡-麻省理工联盟研究技术） ； Massachusetts Institute of Technology（麻省理工学院） ； Northeastern University（东北大学） ； Uber ； Shanghai Jiaotong University（上海交通大学） ； Boston University（波士顿大学） ； Emory University（埃默里大学） ； Northwestern University（西北大学） ； National University of Singapore（国立新加坡大学） ； Microsoft（微软） ； University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Singapore Management University（新加坡管理学院） 纠错

AI总结 提出FrontierOR基准，系统评估大语言模型在现实大规模优化问题中设计可扩展算法（而非仅生成求解器代码）的能力，发现最强模型仅在31%案例中优于Gurobi。

Failure of contextual invariance in large language models

大型语言模型中语境不变性的失效

Sagar Kumar, Ariel Flint, Luca Maria Aiello, Andrea Baronchelli

机构 * Network Science Institute, Northeastern University（网络科学研究所，东北大学） ； Center for Health Informatics Program, Boston Children’s Hospital（健康信息学计划中心，波士顿儿童医院） ； Dept. of Mathematics, City St George’s, University of London（伦敦大学城市圣乔治学院数学系） ； IT University of Copenhagen（哥本哈根IT大学） 纠错

AI总结 通过代词选择任务发现，在语境等价但无信息量的干扰下，大语言模型输出发生系统性偏移，表明其违反语境不变性，影响偏见评估与高风险应用。

Finding What Matters: Anchoring Context Knowledge with Evolving Indices for Iterative Retrieval

寻找关键：通过演化索引锚定上下文知识进行迭代检索

Mingyan Wu, Zhenghao Liu, Xinze Li, Yuqing Lan, Yukun Yan, Shuo Wang, Cheng Yang, Minghe Yu, Zheni Zeng, Maosong Sun

机构 * School of Computer Science and Engineering, Northeastern University, China（东北大学计算机科学与工程学院） ； Department of Computer Science and Technology, Institute for AI, Tsinghua University, China（清华大学人工智能研究院计算机科学与技术系） ； Beijing National Research Center for Information Science and Technology, China（北京信息科学与技术国家研究中心） ； School of Computer Science, Beijing University of Posts and Telecommunications, China（北京邮电大学计算机学院） 纠错

AI总结 提出KAIR框架，通过迭代检索中动态更新的知识索引锚定关键证据，引导大语言模型在多跳问答中有效推理并缓解噪声干扰。