University of Washington（华盛顿大学）

TAU-R1: Visual Language Model for Traffic Anomaly Understanding

TAU-R1：用于交通异常理解的视觉语言模型

Yuqiang Lin, Kehua Chen, Sam Lockyer, Arjun Yadav, Mingxuan Sui, Shucheng Zhang, Yan Shi, Bingzhang Wang, Yuang Zhang, Markus Zarbock, Florain Stanek, Adrian Evans, Wenbin Li, Yinhai Wang, Nic Zhang

机构 * University of Bath（巴斯大学） ； University of Washington（华盛顿大学） ； City of Carmel, Indiana（印第安纳州卡迈尔市） ； Starwit GmbH 纠错

AI总结 本文提出TAU-R1模型，通过两层框架提升交通异常识别与推理能力，结合定制化训练策略与数据集，实现高效部署。

SINDy-KANs: Sparse identification of non-linear dynamics through Kolmogorov-Arnold networks

SINDy-KANs：通过Kolmogorov-Arnold网络进行非线性动力学的稀疏识别

Amanda A. Howard, Nicholas Zolman, Bruno Jacob, Steven L. Brunton, Panos Stinis

机构 * Pacific Northwest National Laboratory（太平洋西北国家实验室） ； University of Washington（华盛顿大学） 纠错

AI总结 本文提出SINDy-KANs方法，结合KAN和SINDy，通过每个激活函数层面的应用提升KAN的可解释性，同时保持深度KAN的功能组合能力，用于符号回归任务中的方程发现。

Counting Circuits: Mechanistic Interpretability of Visual Reasoning in Large Vision-Language Models

计数电路：大视觉-语言模型中视觉推理的机制可解释性

Liwei Che, Zhiyu Xue, Yihao Quan, Benlin Liu, Zeru Shi, Michelle Hurst, Jacob Feldman, Ruixiang Tang, Ranjay Krishna, Vladimir Pavlovic

机构 * Rutgers University（罗格斯大学） ； UC Santa Barbara（加州大学圣巴巴拉分校） ； University of Washington（华盛顿大学） ； Allen Institute for AI（人工智能研究院） 纠错

AI总结 本文研究了大视觉-语言模型在计数任务中的机制，提出两种新方法揭示计数电路结构，并通过干预策略提升模型计数精度和视觉推理能力。

How LLMs Distort Our Written Language

大语言模型如何扭曲我们的书面语言

Marwa Abdulhai, Isadora White, Yanming Wan, Ibrahim Qureshi, Joel Leibo, Max Kleiman-Weiner, Natasha Jaques

机构 * UC Berkeley（加州大学伯克利分校） ； UC San Diego（加州大学圣地亚哥分校） ； University of Washington（华盛顿大学） ； Zaytuna College（扎亚图纳学院） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 研究揭示大语言模型不仅改变写作语气，还持续改变写作本意，通过用户研究和数据集分析发现，即使在专家反馈下，LLM仍会显著改变文本语义，影响科学机构和文化。

Biased AI can Influence Political Decision-Making

有偏见的AI会影响政治决策

Jillian Fisher, Shangbin Feng, Robert Aron, Thomas Richardson, Yejin Choi, Daniel W. Fisher, Jennifer Pan, Yulia Tsvetkov, Katharina Reinecke

机构 * Department of Statistics, University of Washington（华盛顿大学统计学系） ； Department of Computer Science, University of Washington（华盛顿大学计算机科学系） ； Dallas, Texas（德克萨斯州达拉斯） ； Department of Computer Science, Stanford University（斯坦福大学计算机科学系） ； Psychiatry and Behavioral Science, University of Washington（华盛顿大学精神病学与行为科学系） ； Department of Communication, Stanford University（斯坦福大学传播学系） 纠错

AI总结 本文通过两个互动实验研究了LLM偏见对政治观点和决策的影响，发现参与者更容易接受与模型偏见一致的观点，即使个人政治倾向相反，且AI知识水平与偏见影响减弱相关。