University of Southern California（南加州大学）

A Survey on LLM-based Conversational User Simulation

基于大语言模型的对话用户模拟综述

Bo Ni, Leyao Wang, Yu Wang, Branislav Kveton, Franck Dernoncourt, Yu Xia, Hongjie Chen, Reuben Leura, Samyadeep Basu, Subhojyoti Mukherjee, Puneet Mathur, Nesreen Ahmed, Junda Wu, Li Li, Huixin Zhang, Ruiyi Zhang, Tong Yu, Sungchul Kim, Jiuxiang Gu, Zhengzhong Tu, Alexa Siu, Zichao Wang, David Seunghyun Yoon, Nedim Lipka, Namyong Park, Zihao Lin, Trung Bui, Yue Zhao, Tyler Derr, Ryan A. Rossi

机构 * Vanderbilt University（范德比大学） ； Adobe Research（Adobe研究） ； Yale University（耶鲁大学） ； University of Oregon（俄勒冈大学） ； University of California San Diego（加州大学圣地亚哥分校） ； Dolby Laboratories（Dolby实验室） ； University of California, Berkeley（加州大学伯克利分校） ； Cisco AI Research（思科人工智能研究） ； University of Southern California（南加州大学） ； Texas A&M University（德克萨斯阿姆斯特朗大学） ； UC Davis（加州大学戴维斯分校） 纠错

AI总结 本文综述了基于大语言模型的对话用户模拟最新进展，提出新的分类体系，分析核心技术和评估方法，旨在推动未来研究。

Comments Submitted in August 2025. MOD-81000 approved survey

Cornserve: A Distributed Serving System for Any-to-Any Multimodal Models

Cornserve：一种用于任意到任意多模态模型的分布式服务系统

Jae-Won Chung, Jeff J. Ma, Jisang Ahn, Yizhuo Liang, Akshay Jajoo, Myungjin Lee, Mosharaf Chowdhury

机构 * University of Michigan（密歇根大学） ； University of Southern California（南加州大学） ； Cisco Research（思科研究） 纠错

AI总结 本文提出Cornserve，一种支持任意到任意多模态模型的分布式服务系统，通过灵活的任务抽象和组件解耦实现高效部署，提升了吞吐量和延迟性能。

Comments CAIS 2026 Demo track | Open source at https://github.com/cornserve-ai/cornserve | Demo video at https://www.youtube.com/watch?v=nb8R-vztLRg

Provable Accelerated Bayesian Optimization with Knowledge Transfer

可证明的加速贝叶斯优化与知识转移

Haitao Lin, Boxin Zhao, Mladen Kolar, Chong Liu

机构 * University of Chicago（芝加哥大学） ； USC & MBZUAI（USC与MBZUAI） ； University at Albany, SUNY（纽约州立大学阿尔巴尼分校） 纠错

AI总结 本文提出DeltaBO算法，通过构建差分函数的不确定性量化方法，在不同RKHS中实现加速贝叶斯优化，理论证明其在转移学习中具有更优的 regret 上界。

Near-Optimal Sample Complexities of Divergence-based S-rectangular Distributionally Robust Reinforcement Learning

基于分歧的S-矩形分布鲁棒强化学习的近优样本复杂性

Zhenghao Li, Shengbo Wang, Nian Si

机构 * HKUST（香港理工大学） ； University of Southern California（南加州大学） 纠错

AI总结 本文研究了基于分歧的S-矩形分布鲁棒强化学习的经验价值迭代算法，推导出近优样本复杂性界，并通过实验验证了算法在鲁棒库存控制中的高效性。