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

CreativeInstruct: Scalably Teaching LLMs to Balance Quality, Creativity, and Diversity

CreativeInstruct：规模化教导大型语言模型（LLM）平衡质量、创造性与多样性

Ananya Sahu, Mohit Bansal, Elias Stengel-Eskin

机构 * Columbia（哥伦比亚大学） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 该研究提出CreativeInstruct指令调优方法，通过注入[StartCreativity]跨度平衡LLM的质量、创造性与多样性，其在叙事生成中表现更优，还能提升强化学习任务性能。

Comments Code: https://github.com/ananya-sahu/CreativeInstruct

The Optimizer Is the Agent: Reasoning-Driven Search across Prompts, Programs, and ML Workflows

优化器即智能体：跨提示、程序与机器学习工作流的推理驱动搜索

Junbo Li, Boyi Liu, Canwen Xu, Yite Wang, Yuxiong He, Zhangyang Wang, Qiang Liu, Zhewei Yao

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Snowflake（思诺飞克公司） 纠错

AI总结 该研究提出ReASearch统一框架，让智能体自主优化提示、程序与ML工作流，在14项任务中优于专用系统，部分发现超人类最佳结果的方案。

Journal ref COLM 2026

Separating Decision-Rule Misalignment from Readout-Coverage Limitations in Speech Language Models

区分语音语言模型中的决策规则失配与读出覆盖限制

Linkai Peng, Baorian Nuchged

机构 * Institute for the Brain and Cognitive Sciences, University of Connecticut（康涅狄格大学脑与认知科学研究所） ； Department of Linguistics, The University of Texas at Austin（德克萨斯大学奥斯汀分校语言学系） 纠错

AI总结 该研究提出生成对齐诊断阶梯，区分语音语言模型的决策规则失配与读出覆盖限制，发现状态解码比生成准确率高27.8点，无标签logit校正可提升生成准确率，明确性能损失来源。

Stability of Transformers under Layer Normalization

层归一化下Transformer的稳定性

Kelvin Kan, Xingjian Li, Benjamin J. Zhang, Tuhin Sahai, Stanley Osher, Krishna Kumar, Markos A. Katsoulakis

机构 * UCLA（加州大学洛杉矶分校） ； UT 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） ； SRI International（SRI国际） ； UMass Amherst（马萨诸塞大学阿姆赫斯特分校） 纠错

AI总结 本文系统性研究不同层归一化放置下Transformer的前向与反向稳定性，推导相关边界、分析梯度反向传播影响，为残差步长缩放提供指导，其框架可用于检查新型Transformer架构的稳定性。