Database Normalization via Dual-LLM Self-Refinement
通过双LLM自精炼的数据库规范化
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出Miffie框架，利用双模型自精炼架构和大语言模型实现数据库自动规范化，无需人工干预且保持高准确率。
Comments 7 pages
高校专区
University of California, Berkeley（加州大学伯克利分校）
ChemQuests: A Curated Chemistry Question-Answer Database Extracted from ChemRxiv papers
ChemQuests: 从ChemRxiv论文中提取的精选化学问答数据库
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 提出ChemQuests数据集，包含从155篇ChemRxiv论文中提取的952个高质量问答对，覆盖17个化学子领域，用于化学NLP研究。
MoDA: Modulation Adapter for Fine-Grained Visual Grounding in Instructional MLLMs
MoDA: 面向指令型多模态大语言模型的细粒度视觉定位的调制适配器
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出MoDA调制适配器，通过指令引导的通道级乘法调制增强细粒度视觉定位，在12个基准上对三种MLLM架构取得一致提升，计算开销极小。
Comments Accepted at ICML 2026. Code is available at https://github.com/waybarrios/MoDA
Multi-Objective Preference Optimization: Improving Human Alignment of Generative Models
多目标偏好优化：提升生成模型的人类对齐
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 针对RLHF和偏好优化方法假设单一目标的问题，提出多目标偏好优化框架MOPO，通过约束KL散度最大化主要目标并保障次要目标下限，在合成基准和人类偏好数据上实现帕累托最优策略。
Comments arXiv admin note: text overlap with arXiv:2406.18853 by other authors
