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

Multiplication in Multimodal LLMs: Computation with Text, Image, and Audio Inputs

多模态大语言模型中的乘法：文本、图像和音频输入的计算

Samuel G. Balter, Ethan Jerzak, Connor T. Jerzak

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； National University of Singapore (NUS)（新加坡国立大学） 纠错

AI总结 研究多模态大语言模型在处理不同模态下的多数字乘法时的局限性，提出一个受控的多模态乘法基准，通过因子变化数字长度、稀疏性、表示形式和模态，定义算术负载作为总和和非零数字计数的乘积，揭示模型性能与算术负载的关系。

Comments To appear in ACL Findings (2026)

QuadSync: Quadrifocal Tensor Synchronization via Tucker Decomposition

QuadSync: 通过Tucker分解进行四焦点张量同步

Daniel Miao, Gilad Lerman, Joe Kileel

机构 * School of Mathematics, University of Minnesota（明尼苏达大学数学系） ； Department of Mathematics and Oden Institute for Computational Engineering and Sciences, University of Texas at Austin（德克萨斯大学奥斯汀分校数学系和计算工程与科学学院） 纠错

AI总结 本文提出通过Tucker分解实现四焦点张量同步的新框架，展示了其在多相机恢复中的有效性，并建立了四焦点、三焦点和二焦点张量之间的关系。

Comments 30 pages, accepted to CVPR 2026 as an Oral Presentation. Complementary code can be found at github.com/dmiao153/QuadSync

Faithfulness vs. Safety: Evaluating LLM Behavior Under Counterfactual Medical Evidence

忠实性与安全性：在反事实医学证据下评估LLM行为

Kaijie Mo, Siddhartha Venkatayogi, Chantal Shaib, Ramez Kouzy, Wei Xu, Byron C. Wallace, Junyi Jessy Li

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Northeastern University（东北大学） ； MD Anderson Cancer Center（MD安德森癌症中心） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 本文研究了在反事实医学证据下LLM的行为，构建了MedCounterFact数据集，发现模型在面对危险或不合理证据时仍提供自信回答，表明模型可能过度强调忠实性而忽视安全性。

Comments Accepted to Findings of ACL 2026

Condense, Don't Just Prune: Enhancing Efficiency and Performance in MoE Layer Pruning

压缩而非单纯剪枝：在MoE层剪枝中提升效率和性能

Mingyu Cao, Gen Li, Jie Ji, Jiaqi Zhang, Ajay Jaiswal, Li Shen, Xiaolong Ma, Shiwei Liu, Lu Yin

机构 * University of Surrey（萨里大学） ； Clemson University（克莱姆森大学） ； Meituan（美团） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Sun Yat-sen University（中山大学） ； The University of Arizona（亚利桑那大学） ； ELLIS Institute（ELLIS研究所） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） ； Tübingen AI Center（图宾根人工智能中心） 纠错

AI总结 本文提出CD-MoE方法，通过压缩稀疏MoE层为更密集的层，提升效率和性能，实验证明在DeepSeekMoE-16B模型中，内存使用减少27.5%，推理速度提升1.26倍，且通过轻量专家微调恢复98%原始性能。

Journal ref Published in TMLR 10/2025 (https://openreview.net/pdf?id=BQe6j6sAu6)

When Informal Text Breaks NLI: Tokenization Failure, Distribution Shift, and Targeted Mitigations

当非正式文本破坏NLI：分词失败、分布偏移和针对性缓解

Avinash Goutham Aluguvelly

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

AI总结 研究非正式表层形式如何降低ELECTRA-small和RoBERTa-large在SNLI和MultiNLI中的NLI准确性，分析俚语替换、表情符号替换、Gen-Z填充词及组合的影响，提出预处理和增强策略以缓解分词失败和分布偏移问题。