Stanford University（斯坦福大学）

Shepherd: Enabling Programmable Meta-Agents via Reversible Agentic Execution Traces

Shepherd: 一个为元代理提供形式化执行迹的运行时基座

Simon Yu, Derek Chong, Ananjan Nandi, Dilara Soylu, Jiuding Sun, Christopher D Manning, Weiyan Shi

机构 * Northeastern University（东北大学） ； Stanford University（斯坦福大学） 纠错

AI总结 提出Shepherd，一个基于函数式编程的Python运行时基座，将代理执行作为一等对象，通过类似Git的执行迹支持元代理的检查、分叉和重放，在三个用例中显著提升性能。

Comments 50 pages, 22 figures, 14 tables

A Marketplace for AI-Generated Adult Content and Deepfakes

AI生成成人内容与深度伪造的市场

Shalmoli Ghosh, Matthew R. DeVerna, Filippo Menczer

机构 * Indiana University Bloomington（印第安纳大学布卢明顿分校） ； Stanford University（斯坦福大学） 纠错

AI总结 研究Civitai平台上的Bounties机制，发现其被用于生成未经训练的NSFW内容，深度伪造请求集中且针对女性名人，揭示了货币化社区驱动AI平台产生的性别不平等危害。

Learning with Monotone Adversarial Corruptions

单调对抗性损坏下的学习

Kasper Green Larsen, Chirag Pabbaraju, Abhishek Shetty

机构 * Aarhus University（奥胡斯大学） ； Stanford University（斯坦福大学） ； MIT（麻省理工学院） 纠错

AI总结 研究单调对抗性损坏模型下标准机器学习算法的局限性，发现最优分类算法在该设置下表现次优，而基于一致收敛的算法保持性能。

Comments added a few references in related work

SplatPainter: Interactive Authoring of 3D Gaussians from 2D Edits via Test-Time Training

SplatPainter: 通过测试时训练从2D编辑交互式创作3D高斯

Yang Zheng, Hao Tan, Kai Zhang, Peng Wang, Leonidas Guibas, Gordon Wetzstein, Wang Yifan

机构 * Stanford University（斯坦福大学） ； Adobe 纠错

AI总结 提出SplatPainter，一种状态感知的前馈模型，通过测试时训练实现从用户2D视图连续编辑3D高斯资产，支持局部细节优化、涂改和全局重着色，达到交互速度。

Comments project page https://y-zheng18.github.io/SplatPainter/

Reinforcement Learning Improves Traversal of Parametric Knowledge in LLMs

强化学习改善LLM中参数化知识的遍历

Renfei Zhang, Manasa Kaniselvan, Rylan Schaeffer abd Niloofar Mireshghallah

机构 * Carnegie Mellon University（卡内基梅隆大学） ； MIT（麻省理工学院） ； Stanford University（斯坦福大学） 纠错

AI总结 本文发现强化学习提升LLM知识回忆能力，原因在于改进了模型对参数化知识层次结构的遍历技能，而非获取新知识。

Comments `

PERRY: Policy Evaluation with Confidence Intervals using Auxiliary Data

PERRY: 使用辅助数据的策略评估与置信区间

Aishwarya Mandyam, Jason Meng, Ge Gao, Jiankai Sun, Mac Schwager, Barbara E. Engelhardt, Emma Brunskill

机构 * Stanford University（斯坦福大学） ； Gladstone Institutes（加利福尼亚大学旧金山分校） 纠错

AI总结 提出两种方法，利用辅助数据构建离线策略评估的置信区间，通过共形预测和双重稳健估计，在多个模拟和真实医疗数据集上验证有效性。