University of Washington（华盛顿大学）

Training Computer Use Agents to Assess the Usability of Graphical User Interfaces

训练计算机使用代理以评估图形用户界面的可用性

Alice Gao, Weixi Tong, Rishab Vempati, Katharina Reinecke, R. Benjamin Shapiro, Tianyi Zhang, Jason Wu

机构 * University of Washington（华盛顿大学） ； Purdue University（普渡大学） 纠错

AI总结 本文提出一种新型机器学习方法，通过优先处理关键交互流程、模拟人类交互并预测可用性评分，训练计算机使用代理评估GUI可用性，优于大模型并在合成和真实UI中产生真实批判。

GoViG: Goal-Conditioned Visual Navigation Instruction Generation via Multimodal Reasoning

GoViG：通过多模态推理实现目标条件视觉导航指令生成

Fengyi Wu, Yifei Dong, Yilong Dai, Guangyu Chen, Qifeng Wu, Huiting Huang, Hang Wang, Qi Dai, Alexander G. Hauptmann, Zhi-Qi Cheng

机构 * University of Washington（华盛顿大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Microsoft Research（微软研究院） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出GoViG任务，通过多模态推理生成基于初始和目标状态的视觉导航指令，采用自回归多模态大语言模型提升空间准确性和语言清晰度，提出两种多模态推理策略并构建R2R-Goal数据集验证方法有效性。

Comments Accepted to ACL 2026 Findings. 22 pages, 12 figures, Code: https://github.com/F1y1113/GoViG

Talent or Luck? Evaluating Attribution Bias in Large Language Models

天赋还是运气？评估大语言模型中的归因偏差

Chahat Raj, Mahika Banerjee, Jinhao Pan, Aylin Caliskan, Antonios Anastasopoulos, Ziwei Zhu

机构 * George Mason University（乔治·马歇尔大学） ； Thomas Jefferson High School For Science and Technology（托马斯·杰斐逊科学与技术高中） ； University of Washington（华盛顿大学） 纠错

AI总结 研究探讨大语言模型在事件归因中的偏差，提出基于认知的评估框架，识别模型推理差异如何放大群体偏见。

Comments Accepted to ACL Findings 2026

VIGNETTE: Socially Grounded Bias Evaluation for Vision-Language Models

VIGNETTE：面向视觉语言模型的社会性偏见评估

Chahat Raj, Bowen Wei, Aylin Caliskan, Antonios Anastasopoulos, Ziwei Zhu

机构 * George Mason University（乔治·马歇尔大学） ； University of Washington（华盛顿大学） 纠错

AI总结 本文提出VIGNETTE基准，通过多方向问题回答框架评估视觉语言模型的偏见，揭示模型在身份识别中的刻板印象和歧视性模式。

Comments Accepted to ACL 2026

OT Score: An OT based Confidence Score for Prototype-Assisted Source Free Unsupervised Domain Adaptation

OT分数：一种基于最优传输的置信度分数用于原型辅助的无监督域适应

Yiming Zhang, Sitong Liu, Alex Cloninger

机构 * University of California, San Diego（加州大学圣地亚哥分校） ； University of Washington（华盛顿大学） 纠错

AI总结 本文提出OT分数，用于评估原型辅助无监督域适应中的分类性能和置信度，通过最优传输理论分析改进现有方法，实验表明其在域适应任务中表现更优。

Don't Look at the Camera: Achieving Perceived Eye Contact

不要盯着镜头：实现感知眼神接触

Alice Gao, Samyukta Jayakumar, Marcello Maniglia, Brian Curless, Ira Kemelmacher-Shlizerman, Aaron R. Seitz, Steven M. Seitz

机构 * University of Washington（华盛顿大学） ； University of California, Riverside（加州大学河滨分校） ； Northeastern University（东北大学） 纠错

AI总结 研究通过实验证明，相较于直接对镜头，低头看向镜头下方更有利于实现感知眼神接触，提出了优化 gaze 方向的方法。

Journal ref Journal of Vision 2024