University of Toronto（多伦多大学）

MINER: Mining Multimodal Internal Representation for Efficient Retrieval

MINER：挖掘多模态内部表示以实现高效检索

Weien Li, Rui Song, Zeyu Li, Haochen Liu, Gonghao Zhang, Difan Jiao, Zhenwei Tang, Bowei He, Haolun Wu, Xue Liu, Ye Yuan

机构 * McGill University（麦吉尔大学） ； MIT - Massachusetts Institute of Technology（麻省理工学院） ； University of Cambridge（剑桥大学） ； University of Toronto（多伦多大学） ； MBZUAI - Mohamed bin Zayed University of Artificial Intelligence（MBZUAI - 摩洛哥 bin Zayed 大学人工智能学院） ； Mila - Quebec AI Institute（Mila - 加拿大魁北克人工智能研究所） 纠错

AI总结 本文提出MINER，通过挖掘Transformer各层内部表示，融合多模态信号生成紧凑嵌入，提升检索性能，优于现有单向量检索器并在部分设置中缩小与晚交互基线的差距。

Comments Preprint

Adaptive Q-Chunking for Offline-to-Online Reinforcement Learning

自适应Q分块用于离线到在线强化学习

Nandiraju Gireesh, Yuanliang Ju, He Wang

机构 * Peking University（北京大学） ； Galbot ； University of Toronto（多伦多大学） 纠错

AI总结 本文提出自适应Q分块方法，通过动态选择不同分块大小的 critic 来解决离线到在线强化学习中的偏置问题，提升在 OGBench 和 Robomimic 上的性能。

Housing Potential Common Data Model and City Digital Twin

住房潜力共同数据模型与城市数字孪生

Megan Katsumi, Mark Fox, Anderson Wong, Divnoor Chatha

机构 * Urban Data Research Centre（城市数据研究中心） ； School of Cities University of Toronto（城市学院多伦多大学） 纠错

AI总结 本文提出住房潜力共同数据模型，以解决数据孤岛问题，并通过城市数字孪生和试点仪表盘展示实际应用，为城市规划者提供可行的解决方案。

Rethinking Data Curation in LLM Training: Online Reweighting Offers Better Generalization than Offline Methods

重新思考大语言模型训练中的数据整理：在线重加权优于离线方法

Wanru Zhao, Yihong Chen, Yuzhi Tang, Wentao Ma, Shengchao Hu, Shell Xu Hu, Alex Iacob, Abhinav Mehrotra, Nicholas D. Lane

机构 * University of Cambridge（剑桥大学） ； OATML, University of Oxford（牛津大学OATML实验室） ； University of Toronto（多伦多大学） ； Shanghai Jiao Tong University（上海交通大学） ； Samsung AI Center（三星人工智能中心） 纠错

AI总结 本文提出ADAPT框架，通过动态在线重加权提升模型泛化能力，实验显示其在指令微调和大规模预训练中优于传统离线方法。

Comments ICLR 2026

What Happens Inside Agent Memory? Circuit Analysis from Emergence to Diagnosis

代理记忆内部发生了什么？从涌现到诊断的电路分析

Xutao Mao, Jinman Zhao, Gerald Penn, Cong Wang

机构 * City University of Hong Kong（香港城市大学） ； University of Toronto（多伦多大学） 纠错

AI总结 研究揭示了代理记忆中控制与内容电路的因果关系及共享枢纽的机制，开发出76.2%准确率的无监督诊断工具，优于监督基线13分。

How do datasets, developers, and models affect biases in a low-resourced language?: The Case of the Bengali Language

数据集、开发者和模型如何影响低资源语言中的偏见？：孟加拉语的案例

Dipto Das, Shion Guha, Bryan Semaan

机构 * Department of Computer Science University of Toronto Toronto Ontario Canada（计算机科学系多伦多大学多伦多安大略加拿大） ； Faculty of Information University of Toronto Toronto Ontario Canada（信息学院多伦多大学多伦多安大略加拿大） ； Department of Information Science University of Colorado Boulder Boulder Colorado United States（信息科学系科罗拉多大学波德 Boulder科罗拉多美国） ； University of Toronto（多伦多大学） ； University of Colorado Boulder（科罗拉多大学波德） 纠错

AI总结 本文研究了孟加拉语中基于性别、宗教和国籍身份的偏见问题，通过分析mBERT和BanglaBERT模型发现，尽管语义内容相似，但模型仍存在偏见，揭示了算法审计中方法论和数据来源的重要性。

Risk-Averse Traversal of Graphs with Stochastic and Correlated Edge Costs for Safe Global Planetary Mobility

在具有随机性和相关边成本的图中进行风险规避遍历以实现安全的全球行星移动

Olivier Lamarre, Jonathan Kelly

机构 * Space & Terrestrial Autonomous Robotic Systems (STARS) Laboratory（空间与陆地自主机器人系统实验室） ； University of Toronto Institute for Aerospace Studies（多伦多大学航空航天研究所） 纠错

AI总结 本文提出了一种新的风险规避加拿大旅行者问题变体，旨在通过条件值在风险度量下寻找最优遍历策略，结合真实火星地图验证了该方法在行星表面长距离移动中的有效性。

Comments Published in the Autonomous Robots journal

Journal ref Autonomous Robots (AURO), Vol. 50, No. 2, Mar. 2026