University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）

AI use in American newspapers is widespread, uneven, and rarely disclosed

美国报纸中AI的使用普遍存在、不均衡且很少披露

Jenna Russell, Marzena Karpinska, Destiny Akinode, Katherine Thai, Bradley Emi, Max Spero, Mohit Iyyer

机构 * University of Maryland, College Park（马里兰大学学院公园分校） ； Simon Fraser University（西蒙 Fraser大学） ； UMass Amherst（马萨诸塞大学阿姆赫斯特分校） ； Pangram Labs（Pangram实验室） 纠错

AI总结 研究通过分析18.6万篇文章发现，约9%的新闻文章包含AI生成内容，且在小型本地报纸和特定主题中更常见，但AI使用情况很少被披露，凸显了对透明度和编辑标准更新的迫切需求。

Comments ACL Camera Ready

MLorc: Momentum Low-rank Compression for Memory Efficient Large Language Model Adaptation

MLorc: 动量低秩压缩用于内存高效的大型语言模型适应

Wei Shen, Zhang Yaxiang, Minhui Huang, Mengfan Xu, Jiawei Zhang, Cong Shen

机构 * University of Virginia（弗吉尼亚大学） ； National University of Singapore（新加坡国立大学） ； Meta ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 本文提出MLorc方法，通过压缩和重建矩阵参数动量以降低内存消耗，相比LoRA和GaLore在内存效率和训练动态保留方面更优，理论和实验均验证其有效性。

Comments AISTATS 2026

Can Large Language Models Really Recognize Your Name?

大语言模型真的能识别你的名字吗？

Dzung Pham, Peter Kairouz, Niloofar Mireshghallah, Eugene Bagdasarian, Chau Minh Pham, Amir Houmansadr

机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Google Research（谷歌研究） ； Carnegie Mellon University（卡内基梅隆大学） ； Google Research, University of Massachusetts Amherst（谷歌研究，马萨诸塞大学阿默斯特分校） ； University of Maryland, College Park（马里兰大学学院市分校） 纠错

AI总结 本文研究大语言模型在短文本中处理模糊人名的可靠性问题，构建AmBench基准测试集，发现模型对模糊人名的识别率下降20-40%，揭示隐私保护中的公平性问题。

Comments ACM FAccT '26

AWQ: Activation-aware Weight Quantization for LLM Compression and Acceleration

AWQ：基于激活的权重量化用于LLM压缩与加速

Ji Lin, Jiaming Tang, Haotian Tang, Shang Yang, Wei-Ming Chen, Wei-Chen Wang, Guangxuan Xiao, Xingyu Dang, Chuang Gan, Song Han

机构 * MIT（麻省理工学院） ； Shanghai Jiao Tong University（上海交通大学） ； NVIDIA（英伟达） ； Tsinghua University（清华大学） ； UMass Amherst（马萨诸塞大学阿姆赫斯特分校） 纠错

AI总结 本文提出AWQ方法，通过识别重要权重通道减少量化误差，实现低比特权重量化，提升LLM的压缩与加速性能，并在多个基准测试中表现优异。

Comments MLSys 2024 Best Paper Award. Code available at: https://github.com/mit-han-lab/llm-awq