University of Southern California（南加州大学）

Are Tools All We Need? Unveiling the Tool-Use Tax in LLM Agents

工具是否足够？揭示LLM代理中的工具使用税

Kaituo Zhang, Zhen Xiong, Mingyu Zhong, Zhimeng Jiang, Zhouyuan Yuan, Zhecheng Li, Ying Lin

机构 * University of Houston（休斯顿大学） ； University of Southern California（南加州大学） ； New York University（纽约大学） ； Texas A&M University（德克萨斯农工大学） ； University of California, San Diego（加州大学圣地亚哥分校） 纠错

AI总结 本文研究了工具增强推理在LLM代理中的有效性，发现语义干扰下工具性能可能下降，提出Factorized Intervention Framework分析工具使用成本，并引入G-STEP缓解协议误差。

DeGenTWeb: A First Look at LLM-dominant Websites

DeGenTWeb：对以大语言模型为主导的网站的首次观察

Sichang Steven He, Calvin Ardi, Ramesh Govindan, Harsha V. Madhyastha

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

AI总结 本文通过DeGenTWeb系统识别出大量由大语言模型生成内容的网站，发现其在Web中的普及率持续增长，但准确识别此类网站面临挑战。

Comments 6 pages, 6 figures, 13 page total; in submission

Putting HUMANS first: Efficient LAM Evaluation with Human Preference Alignment

让人类优先：高效LAM评估的人类偏好对齐

Woody Haosheng Gan, William Held, Diyi Yang

机构 * University of Southern California（南加州大学） ； Stanford University（斯坦福大学） ； OpenAthena 纠错

AI总结 本文研究了如何通过最小子集高效评估LAM，发现50个样本即可达到高相关性，并通过回归模型提升预测效果，提出HUMANS基准作为高效评估代理。

Comments Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics

Discount Model Search for Quality Diversity Optimization in High-Dimensional Measure Spaces

折扣模型搜索用于高维度量空间中的质量多样性优化

Bryon Tjanaka, Henry Chen, Matthew C. Fontaine, Stefanos Nikolaidis

机构 * Thomas Lord Department of Computer Science, University of Southern California（美国南加州大学计算机科学系） 纠错

AI总结 本文提出折扣模型搜索（DMS）以解决高维度量空间中质量多样性优化的局限性，通过引入图像高维空间作为度量空间，提升算法性能。

Comments Accepted to ICLR 2026 (Oral presentation). Project page available at https://discount-models.github.io

Value Explicit Pretraining for Learning Transferable Representations

为学习可迁移的表示进行价值显式预训练

Kiran Lekkala, Henghui Bao, Sumedh A. Sontakke, Erdem Biyik, Laurent Itti

机构 * Thomas Lord Department of Computer Science at the University of Southern California（南加州大学汤姆·劳德计算机科学系） 纠错

AI总结 本文提出价值显式预训练（VEP），通过学习对环境动态和外观变化不变的表示，提升强化学习任务迁移能力。实验表明VEP在未见任务泛化能力、奖励和样本效率上均优于现有方法。

Comments Published in Robotics and Automation Letters (RA-L), January 2026