University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）

Batched Contextual Reinforcement: A Task-Scaling Law for Efficient Reasoning

批量上下文强化：一种任务扩展定律以实现高效推理

Bangji Yang, Hongbo Ma, Jiajun Fan, Ge Liu

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Tsinghua University（清华大学） 纠错

AI总结 本文提出批量上下文强化方法，通过在共享上下文窗口中同时解决多个问题，实现高效推理，减少token消耗并提升准确性。

Comments 43 pages, 5 figures, 24 tables

ELT-Bench-Verified: Benchmark Quality Issues Underestimate AI Agent Capabilities

ELT-Bench-Verified: 评估质量问题低估了AI代理的能力

Christopher Zanoli, Andrea Giovannini, Tengjun Jin, Ana Klimovic, Yotam Perlitz

机构 * IBM Research（IBM研究院） ； ETH Zurich（苏黎世联邦理工学院） ； University of Illinois (UIUC)（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 本文通过重新评估ELT-Bench发现代理能力被低估，提出Auditor-Corrector方法修正评估质量，构建ELT-Bench-Verified提升评估准确性。

Bridging the Divide: End-to-End Sequence-Graph Learning

弥合鸿沟：端到端序列图学习

Yuen Chen, Yulun Wu, Samuel Sharpe, Igor Melnyk, Nam H. Nguyen, Furong Huang, C. Bayan Bruss, Rizal Fathony

机构 * University of Illinois, Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Maryland, College Park（马里兰大学帕克分校） 纠错

AI总结 本文提出BRIDGE模型，通过整合序列与图学习，解决实体间序列与关系数据的联合建模问题，在关系预测和欺诈检测中优于传统方法。

A Pressure-Based Diffusion Model for Influence Maximization on Social Networks

基于压力的扩散模型用于社交网络上的影响最大化

Curt Stutsman, Eliot W. Robson, Abhishek K. Umrawal

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Narmi Inc.（Narmi公司） 纠错

AI总结 本文提出压力阈值模型（PT）用于动态模拟社交网络中的影响传播，扩展了线性阈值模型（LT），并通过实验表明在密集网络中压力效应更显著，影响最大化结果与LT模型不同。

Comments 13 pages, 8 figures, and 2 tables; Accepted for presentation at the 20th International AAAI Conference on Web and Social Media (ICWSM 2026)