Technion - Israel Institute of Technology（以色列理工学院）

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。

HOLA: Holistic Multi-Modal Alignment for Open-Set 3D Recognition

HOLA: 面向开放集3D识别的全息多模态对齐

Koby Aharonov, Oren Shrout, Ayellet Tal

机构 * Technion – Israel Institute of Technology（技术ion-以色列理工学院） 纠错

AI总结 提出HOLA方法，通过解耦多正例对比损失和对齐点云与多视图图像及文本描述，实现开放集3D识别中的全息多模态对齐，在长尾基准上取得最先进零样本性能。

Local MixVR: Breaking the Communication-Sample Dependence in Distributed Learning

Local MixVR：打破分布式学习中通信与样本的依赖关系

Tehila Dahan, Bassel Hamoud, Roie Reshef, Martin Jaggi, Kfir Y. Levy

机构 * Technion Haifa, Israel（技术离子海法分校，以色列） ； EPFL Lausanne, Switzerland（洛桑联邦理工学院，瑞士） 纠错

AI总结 提出Local MixVR框架，通过局部更新与方差缩减技术消除通信复杂度对样本总数N的依赖，实现仅与工作节点数M相关的通信复杂度，在M<O(N^{1/4})时优于现有最优方法。

Can Predicted Dynamics Exist in the Physical World?

物理世界中是否存在可预测的动态？

Barak Or

机构 * STATE16 ； Technion - Israel Institute of Technology（技术Ion - 以色列理工学院） ； Reichman University（Reichman大学） ； Google-Reichman AI Tech School（Google-Reichman人工智能技术学院） 纠错

AI总结 本文提出物理可接受性作为预测-控制接口，通过运动学、动力学和直接到组合的视界条件评估解码提案的物理可执行性，实验表明该方法能有效识别无效提案并保持任务进度。

Comments 17 pages

Learning-Augmented Scalable Linear Assignment Problem Optimization via Neural Dual Warm-Starts

学习增强的可扩展线性分配问题优化：基于神经对偶热启动

Ilay Yavlovich, Jad Agbaria, Muhamed Mhamed, Nir Weinberger, Jose Yallouz

机构 * Department of Electrical and Computer Engineering, Technion -- Israel Institute of Technology, Haifa, Israel（电气与计算机工程系，技术学院——以色列理工学院，海法，以色列） 纠错

AI总结 提出一种学习增强框架，通过预测对偶变量热启动精确求解器，并设计轻量级行独立架构RowDualNet避免O(N^2)内存瓶颈，实现可扩展的神经热启动，在保持最优性的同时获得超过2倍加速。

Comments Accepted to ICML 2026. 23 pages, 18 figures

CARES: Context-Aware Resolution Selector for VLMs

CARES: 面向视觉语言模型的上下文感知分辨率选择器

Moshe Kimhi, Nimrod Shabtay, Raja Giryes, Chaim Baskin, Eli Schwartz

机构 * Technion（技术ion大学） ； IBM Research（IBM研究院） ； Tel-Aviv University（特拉维夫大学） ； Ben-Gurion University（本· Gurion大学） 纠错

AI总结 提出CARES轻量级预处理模块，通过紧凑型VLM预测图像-查询对的最小足够分辨率，在保持任务性能的同时最多减少80%计算量。

Comments Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers) Accepted to ACL 2026 (Oral presentation). Code available at https://github.com/mkimhi/CARES