University of Texas at Austin（得克萨斯大学奥斯汀分校）

Evaluating Stochasticity in Deep Research Agents

评估深度研究代理中的随机性

Haotian Zhai, Elias Stengel-Eskin, Pratik Patil, Liu Leqi

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 本文提出通过结构化输出和基于集的查询生成策略，减少深度研究代理中的随机性以提高研究输出质量。

PoSh: Using Scene Graphs To Guide LLMs-as-a-Judge For Detailed Image Descriptions

PoSh：利用场景图引导LLM-as-a-Judge进行详细图像描述

Amith Ananthram, Elias Stengel-Eskin, Lorena A. Bradford, Julia Demarest, Adam Purvis, Keith Krut, Robert Stein, Rina Elster Pantalony, Mohit Bansal, Kathleen McKeown

机构 * Columbia University（哥伦比亚大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； The National Gallery of Art（国家艺术馆） ； UCLA（加州大学洛杉矶分校） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） 纠错

AI总结 PoSh通过利用场景图引导LLM-as-a-Judge，提供了一种更准确的详细图像描述评估方法，并展示了其在新数据集DOCENT中的优越表现。

Comments Accepted at ICLR 2026. 26 pages, 9 figures. Metric/benchmark available at https://github.com/amith-ananthram/posh

Unbiased Sliced Wasserstein Kernels for High-Quality Audio Captioning

无偏切片Wasserstein核用于高质量音频描述生成

Manh Luong, Khai Nguyen, Dinh Phung, Gholamreza Haffari, Lizhen Qu

机构 * Monash University（墨尔本大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 本文提出无偏切片Wasserstein核，通过保留模态间时间信息，提升音频描述质量及推理能力。

Journal ref Manh Luong. (2025). Unbiased Sliced Wasserstein Kernels for High-Quality Audio Captioning. In Advances in Neural Information Processing Systems 38 (NeurIPS 2025)

LoR-LUT: Learning Compact 3D Lookup Tables via Low-Rank Residuals

LoR-LUT: 通过低秩残差学习紧凑的3D查找表

Ziqi Zhao, Abhijit Mishra, Shounak Roychowdhury

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Austin, TX, USA（美国德克萨斯州奥斯汀） 纠错

AI总结 LoR-LUT通过低秩残差学习紧凑3D查找表，提升图像感知质量并实现高效可解释的图像增强与风格迁移。