University of Southern California（南加州大学）

Density-Guided Response Optimization: Community-Grounded Alignment via Implicit Acceptance Signals

密度引导的响应优化：通过隐含接受信号实现社区导向的对齐

Patrick Gerard, Svitlana Volkova

机构 * Information Sciences Institute, University of Southern California（信息科学研究所，南加州大学） ； Aptima Inc.（Aptima公司） 纠错

AI总结 通过隐含接受信号实现社区导向的对齐，无需显式偏好标签，提升语言模型在多样社区中的适应性与表现。

Comments 27 Pages

Safe Payload Transfer with Ship-Mounted Cranes: A Robust Model Predictive Control Approach

安全载荷转移与船载起重机：一种鲁棒模型预测控制方法

Ersin Das, William A. Welch, Patrick Spieler, Keenan Albee, Aurelio Noca, Jeffrey Edlund, Jonathan Becktor, Thomas Touma, Jessica Todd, Sriramya Bhamidipati, Stella Kombo, Maira Saboia, Anna Sabel, Grace Lim, Rohan Thakker, Amir Rahmani, Joel W. Burdick

机构 * California Institute of Technology（加州理工学院） ； Jet Propulsion Laboratory（喷气推进实验室） ； Illinois Institute of Technology（伊利诺伊理工学院） ； University of Southern California（南加州大学） ； Stealth Labs 纠错

AI总结 本文提出了一种鲁棒模型预测控制方法，用于安全控制船载起重机的载荷转移，通过引入鲁棒零阶控制屏障函数和时间变化边界框实现安全避障和精确定位。

Benefits and Pitfalls of Reinforcement Learning for Language Model Planning: A Theoretical Perspective

强化学习在语言模型规划中的利弊：一种理论视角

Siwei Wang, Yifei Shen, Haoran Sun, Shi Feng, Shang-Hua Teng, Li Dong, Yaru Hao, Wei Chen

机构 * Microsoft Research Asia（微软亚洲研究院） ； Peking University（北京大学） ； Harvard University（哈佛大学） ； University of Southern California（南加州大学） 纠错

AI总结 本文从理论角度分析强化学习在语言模型规划中的利弊，揭示探索的重要性及Q学习在多样性保持方面的优势。

Doxing via the Lens: Revealing Location-related Privacy Leakage on Multi-modal Large Reasoning Models

通过镜头进行Doxing：揭示多模态大推理模型中的位置相关隐私泄露

Weidi Luo, Tianyu Lu, Qiming Zhang, Xiaogeng Liu, Bin Hu, Yue Zhao, Jieyu Zhao, Song Gao, Patrick McDaniel, Zhen Xiang, Chaowei Xiao

机构 * University of Georgia（佐治亚大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； John Hopkins University（约翰·霍普金斯大学） ； University of Southern California（南加州大学） ； University of Maryland, College Park（马里兰大学学院市分校） 纠错

AI总结 本文研究了多模态大推理模型中的位置隐私泄露问题，提出DoxBench和GeoMiner框架，揭示模型在推断地理位置信息上的能力及隐私风险。

Comments Camera-ready version. Accepted as a poster at the 14th International Conference on Learning Representations (ICLR 2026). For official ICLR page, see https://iclr.cc/virtual/2026/poster/10006914

Every Language Model Has a Forgery-Resistant Signature

每个语言模型都有抗伪造的签名

Matthew Finlayson, Xiang Ren, Swabha Swayamdipta

机构 * University of Southern California（南加州大学） 纠错

AI总结 本研究提出了一种基于语言模型输出椭圆表面的抗伪造签名方法，通过几何约束验证模型输出来源，具有高安全性与实用性。

Diverging Preferences: When do Annotators Disagree and do Models Know?

分歧偏好：标注者何时分歧以及模型是否知道？

Michael JQ Zhang, Zhilin Wang, Jena D. Hwang, Yi Dong, Olivier Delalleau, Yejin Choi, Eunsol Choi, Xiang Ren, Valentina Pyatkin

机构 * New York University（纽约大学） ； Allen Institute for Artificial Intelligence（人工智能研究院） ； NVIDIA（NVIDIA公司） ； University of Washington（华盛顿大学） ； University of Southern California（南加州大学） 纠错

AI总结 本文研究了标注者分歧的来源，发现任务不明确等因素导致大多数分歧，并提出方法以减轻其在LLM评估和训练中的影响。

Comments ICML 2025