University of California, Berkeley（加州大学伯克利分校）

2608.06377 2026-08-07 cs.CL cs.AI cs.LG 新提交

Learning When to Trust via Selective Context Preference Optimization

通过选择性上下文偏好优化学习何时信任

Xian Sun, Wei Chow, Yingshuo Wang, Junhao Liu, Wei Gao, Qing Wu, Lingdong Kong

机构 * Duke University（杜克大学）； National University of Singapore（新加坡国立大学）； UC Berkeley（加州大学伯克利分校）； UC Irvine（加州大学欧文分校）； Northeastern University（东北大学）； Nanyang Technological University（南洋理工大学）

AI总结本研究针对语言模型易受误导性外部信号影响的问题，提出SCOPE方法，在含四种条件的MIST基准上优化DPO目标，降低SC2W的同时保持正常上下文下的准确率，主张以选择性信任评判模型。

Comments Project Page at https://worldbench.github.io/scope GitHub Repo at https://github.com/worldbench/SCOPE HF Dataset at https://huggingface.co/datasets/worldbench/MIST-Bench

2608.06363 2026-08-07 cs.LG cs.AI cs.DS math.ST stat.TH 新提交

An Optimal Agnostic PAC Algorithm

一种最优的不可知PAC算法

Markus Engelund Mathiasen, Jian Qian, Nikita Zhivotovskiy

机构 * Aarhus University（奥胡斯大学）； The University of Hong Kong（香港大学）； University of California, Berkeley（加州大学伯克利分校）

AI总结该研究针对有限VC维的二元分类函数类，构造出达到统计最优风险界的不可知PAC学习算法，确定了其样本复杂度（仅差通用常数），匹配了已有下界。

Comments 18 pages

2602.16763 2026-08-07 cs.AI 版本更新

When AI Benchmarks Plateau: A Systematic Study of Benchmark Saturation

当AI基准测试达到平台期：基准饱和的系统性研究

Mubashara Akhtar, Anka Reuel, Prajna Soni, Sanchit Ahuja, Pawan Sasanka Ammanamanchi, Ruchit Rawal, Vilém Zouhar, Srishti Yadav, Chenxi Whitehouse, Dayeon Ki, Jennifer Mickel, Leshem Choshen, Marek Šuppa, Jan Batzner, Jenny Chim, Jeba Sania, Yanan Long, Hossein A. Rahmani, Christina Knight, Yiyang Nan, Jyoutir Raj, Yu Fan, Shubham Singh, Subramanyam Sahoo, Eliya Habba, Usman Gohar, Siddhesh Pawar, Robert Scholz, Arjun Subramonian, Jingwei Ni, Mykel Kochenderfer, Sanmi Koyejo, Mrinmaya Sachan, Stella Biderman, Zeerak Talat, Avijit Ghosh, Irene Solaiman

机构 * University of California, Berkeley（加州大学伯克利分校）； University of Toronto（多伦多大学）； University of Washington（华盛顿大学）； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）； University of Michigan（密歇根大学）； University of Texas at Austin（德克萨斯大学奥斯汀分校）

AI总结本研究定义并分析了60个语言模型基准的饱和现象，发现近半数基准出现饱和，且专家策划而非公开测试数据影响抗饱和能力，为延长基准寿命提供了设计建议。

Comments Published at ICML 2026 (Forty-Third International Conference on Machine Learning)