University of California, Los Angeles（加州大学洛杉矶分校）

From Interpretability to Control: Insights from Six Years of the TrustNLP Workshop

从可解释性到控制：TrustNLP研讨会六年的启示

Rahul Gupta, Abhinav Mohanty, Anaelia Ovalle, Anil Ramakrishna, Anubrata Das, Apurv Verma, Jwala Dhamala, Ninareh Mehrabi, Tharindu Kumarage, Yada Pruksachatkun, Yang Trista Cao, Kai-Wei Chang, Aram Galstyan

机构 * Meta ； Autodesk（欧特克公司） ； New Jersey Institute of Technology（新泽西理工学院） ； Salesforce（salesforce公司） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Amazon AGI（亚马逊AGI） 纠错

AI总结 该研究基于TrustNLP研讨会六年论文，分析NLP可信领域从可解释性到生成式系统控制的转变，明确各信任维度的发展趋势及与领域整体的关联性，提出结构性见解与研究方向。

Comments 17 pages, 2 figures, 3 tables. Submitted to ACL ARR August 2026 cycle (EACL 2027)

A Recommendation System Approach for Interference-Robust Sensor Subset Selection

面向抗干扰传感器子集选择的推荐系统方法

Kaan Buyukkalayci, Kyle Pak, Merve Karakas, Christina Fragouli

机构 * University of California, Los Angeles（加利福尼亚大学洛杉矶分校） 纠错

AI总结 本文针对现有基于RSSI的传感器子集选择方法易受声学干扰的问题，提出结合频带声学特征与双塔MLP架构的推荐系统框架，在户外车辆跟踪任务中较RSSI基线提升约20%精度且保持低计算开销。

MERA: Model Evolution and Routing with Skill Adaptation for Agentic Systems at Scale

MERA：面向大规模智能体系统的技能适配型模型演化与路由

Yuhang Yao, Zeyu Wang, Wanyi Chen, Tongyun Yang, Yuhang Han, Jie Xiao, Chengke Bao, Tianyi Zhao, Lynn Ai, Eric Yang, Tianyu Shi

机构 * Gradient ； Soochow University（苏州大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Shanghai Jiao Tong University（上海交通大学） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） 纠错

AI总结 MERA以单模型调用为适应单元，通过多轮适配提升小模型能力，结合带验证器回退的成本校准路由，在HumanEval+MBPP、TAU-2等数据集上实现小模型性能提升与成本降低。

Comments Preliminary version in CAIS RL-Eval

HSMLA: Hierarchical Softmax Multi-scale Linear Attention for Efficient Vision Transformers

HSMLA：用于高效视觉Transformer的分层Softmax多尺度线性注意力

Dong Liu, Yanxuan Yu, Renata Borovica-Gajic, Tong Geng, Ying Nian Wu

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Columbia University（哥伦比亚大学） ； The University of Melbourne（墨尔本大学） 纠错

AI总结 针对视觉Transformer高分辨率密集预测的计算开销问题，提出HSMLA，结合多类注意力机制与深度卷积，在多项任务上实现精度与效率的优异平衡。

Same Targets, Different Computation: How Post-Training Divides Work Across Model Layers

指令微调如何改变上游状态影响后期读取：一种跨修补诊断

Yifan Zhou

机构 * University of California, Los Angeles（加州大学洛杉矶分校） 纠错

AI总结 研究探讨指令微调如何通过后期栈与上游状态交互影响后续token选择，通过跨修补诊断发现指令微调模型的后期栈效果依赖自身训练状态，且稀疏特征在其中起中介作用。

Comments 14 pages, 4 figures. Code and compact artifacts: https://github.com/yifan1207/first-divergence-crosspatching

SatIR: Scalable High-Recall Constraint-Satisfaction-Based Information Retrieval for Clinical Trials Matching

SatIR：可扩展的高召回率约束满足基于信息检索的临床试验匹配

Zikai Zhou, Yufei Jin, Yilin Xu, Yu-Chiang Wang, Chieh-Ju Chao, Monica S. Lam

机构 * Department of Computer Science, Stanford University（斯坦福大学计算机科学系） ； Samueli Electrical and Computer Engineering, UCLA（UCLA Samueli电气与计算机工程系） ； Department of Computer Science and Informatics, Emory University（埃默里大学计算机科学与信息学系） ； Mayo Clinic（梅奥诊所） 纠错

AI总结 SatIR通过将临床试验资格条件和摘要转化为形式约束，结合SMT、关系代数和大语言模型，提升了临床试验匹配的召回率和效率，优于基于相似度的基线方法。

Multiplayer Nash Preference Optimization

多玩家纳什偏好优化

Fang Wu, Xu Huang, Weihao Xuan, Zhiwei Zhang, Yijia Xiao, Guancheng Wan, Xiaomin Li, Bing Hu, Peng Xia, Jure Leskovec, Yejin Choi

机构 * Stanford University（斯坦福大学） ； Georgia Institute of Technology（佐治亚理工学院） ； The University of Tokyo（东京大学） ； RIKEN AIP（日本理化学研究所智能系统研究中心） ； Pennsylvania State University（宾夕法尼亚州立大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Harvard University（哈佛大学） ； UNC–Chapel Hill（北卡罗来纳大学教堂山分校） 纠错

AI总结 本文提出多玩家纳什偏好优化框架，扩展了传统的两玩家纳什对齐方法，通过引入多玩家博弈机制，提升对复杂非传递性人类偏好的对齐能力，并在多个基准测试中表现更优。

Journal ref ICLR 2026 Oral

TemMed-Bench: Evaluating Temporal Medical Image Reasoning in Vision-Language Models

TemMed-Bench：评估视觉语言模型的时序医学图像推理能力

Junyi Zhang, Jia-Chen Gu, Wenbo Hu, Yu Zhou, Robinson Piramuthu, Nanyun Peng

机构 * University of California, Los Angeles（加州大学洛杉矶分校） 纠错

AI总结 本文提出TemMed-Bench时序医学图像推理基准，评估12个视觉语言模型，发现多数模型缺乏分析患者状况时序变化的能力，多模态检索扩充可显著提升其性能。