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

Rethinking How to Remember: Beyond Atomic Facts in Lifelong LLM Agent Memory

重新思考如何记忆：超越原子事实的终身LLM代理记忆

Jingwei Sun, Jianing Zhu, Jiangchao Yao, Tongliang Liu, Bo Han

机构 * TMLR Group, Hong Kong Baptist University（香港 Baptist 大学 TMLR 实验组） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Shanghai Jiao Tong University（上海交通大学） ； Sydney AI Center, The University of Sydney（悉尼大学悉尼人工智能中心） 纠错

AI总结 本文提出TriMem，一种能够维护三种共存表示粒度的内存系统，通过保留原始对话片段、提取原子事实以及合成轮廓来实现对积累对话历史的忠实存储、高效检索和深度推理，从而克服现有方法在细节丢失和推理能力不足的问题。

GEM: GPU-Variability-Aware Expert to GPU Mapping for MoE Systems

GEM: 为MoE系统设计的GPU变异性感知专家到GPU映射

Sourish Wawdhane, Avinash Kumar, Poulami Das

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

AI总结 GEM通过考虑GPU变异性，优化MoE模型中专家到GPU的映射，从而减少延迟，提升系统性能。

Comments 18 pages

MINTEval: Evaluating Memory under Multi-Target Interference in Long-Horizon Agent Systems

MINTEval: 评估长时间跨度智能体系统中的多目标干扰下的记忆

Hyunji Lee, Justin Chih-Yao Chen, Joykirat Singh, Zaid Khan, Elias Stengel-Eskin, Mohit Bansal

机构 * UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； The 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MINTEval基准，用于评估智能体在长时间跨度和多目标干扰下的记忆表现，通过长连接上下文、多领域和多类型问题来测试记忆增强代理的鲁棒性和泛化能力。

Comments Equal contribution; order decided by a coin flip. Code and data: https://github.com/amy-hyunji/MINTEval

Test-Time Speculation

测试时推测

Avinash Kumar, Sujay Sanghavi, Poulami Das

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

AI总结 本文研究了测试时推测方法，通过在线蒸馏技术提升长响应任务中推测器的接受长度，从而提高LLM推理效率。

PAVE: A Cognitive Architecture for Legitimate Violation in Generative Agent Societies

PAVE：生成代理社会中的合法违规认知架构

Ahmad Yehia, Abduallah Mohamed, Kun Qian, Tianyi Wang, Jiseop Byeon, Omar Hassanin, Christian Claudel

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Meta Reality Labs（Meta现实实验室） ； University of Calgary（卡尔加里大学） 纠错

AI总结 本文提出PAVE认知架构，通过四个模块处理生成代理在需要违规的场景中的推理问题，实现了合法违规、对权威的服从、有限的范围和恢复四个特性，同时提高了决策的结构化和可解释性。

Comments Preprint. 23 pages, 4 figures. Code and environment will be released upon publication

Fine-tuning language encoding models on slow fMRI improves prediction for fast ECoG

在慢速fMRI上微调语言编码模型以提高对快速ECoG的预测

Aditya R. Vaidya, Richard J. Antonello, Alexander G. Huth

机构 * Department of Computer Science（计算机科学系） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Zuckerman Mind Brain Behavior Institute（祖克曼心智-脑-行为研究所） ； Columbia University（哥伦比亚大学） ； Departments of Neuroscience and Statistics（神经科学与统计学系） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 该研究通过在慢速fMRI上微调语言编码模型，提高了对快速ECoG数据的预测性能，展示了慢速数据在构建快速脑数据模型中的价值。

Does AI See like Art Historians? Interpreting How Vision Language Models Recognize Artistic Style

AI 是否能像艺术史家一样看？解析视觉语言模型如何识别艺术风格

Marvin Limpijankit, Milad Alshomary, Yassin Oulad Daoud, Amith Ananthram, Tim Trombley, Emily L. Spratt, Anna Filonenko, Hannah Pivo, Elias Stengel-Eskin, Mohit Bansal, Noam M. Elcott, Kathleen McKeown

机构 * Columbia University, Department of Computer Science（哥伦比亚大学计算机科学系） ； Columbia University, Department of Art History & Archaeology（哥伦比亚大学艺术史与考古系） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） 纠错

AI总结 本文研究了视觉语言模型（VLMs）在识别艺术风格方面的机制，通过跨学科合作，分析VLMs如何预测艺术风格，并评估其与艺术史家判断艺术风格的标准的一致性。

Comments 20 pages, 18 figures

Context-Aware Detection and Victim-Centered Response Generation for Online Harassment in Private Messaging

基于上下文的在线骚扰检测与以受害者为中心的回应生成：私人信息交流中的在线骚扰

Pinxian Lu, Nimra Ishfaq, Emma Win, Morgan Rose, Sierra R Strickland, Candice L Biernesser, Jamie Zelazny, Munmun De Choudhury

机构 * Georgia Institute of Technology（佐治亚理工学院） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Pittsburgh（匹兹堡大学） 纠错

AI总结 本文研究了大型语言模型如何支持私人信息交流中的在线骚扰检测与回应，通过构建一个包含80,053条Instagram私信的标注数据集，开发了上下文感知的级联分类流水线，并提出了一种以受害者为中心的回应框架，生成心理上合理的AI回应，经评估发现其在情感支持和缓和冲突方面显著优于原始回应。

Comments 16 pages, 2 figures

EgoTraj: Real-World Egocentric Human Trajectory Dataset for Multimodal Prediction

EgoTraj: 用于多模态预测的现实世界人轨迹数据集

Ahmad Yehia, Abduallah Mohamed, Tianyi Wang, Jiseop Byeon, Kun Qian, Junfeng Jiao, Christian Claudel

机构 * Department of Civil, Architectural, and Environmental Engineering, The University of Texas at Austin（土木、建筑与环境工程系，德克萨斯大学奥斯汀分校） ； Meta Reality Labs（Meta现实实验室） ； School of Architecture, The University of Texas at Austin（建筑学院，德克萨斯大学奥斯汀分校） 纠错

AI总结 本文提出EgoTraj数据集，用于多模态预测，包含75个真实城市环境中的人导航轨迹，提供了同步的RGB视频和地面真实数据，包括6自由度头部姿态、3D眼 gaze向量和场景注释，展示了该数据集在AR感知、导航和辅助系统中的应用价值。

Comments 21 pages, 14 figures. Project page: https://github.com/yehiahmad/EgoTraj