University of Washington（华盛顿大学）

Simulation Distillation: Pretraining World Models in Simulation for Rapid Real-World Adaptation

模拟蒸馏：在模拟中预训练世界模型以实现快速真实世界适应

Jacob Levy, Tyler Westenbroek, Kevin Huang, Fernando Palafox, Patrick Yin, Shayegan Omidshafiei, Dong-Ki Kim, Abhishek Gupta, David Fridovich-Keil

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Washington（华盛顿大学） ； FieldAI 纠错

AI总结 本文提出SimDist框架，利用物理模拟器生成大量动作条件机器人经验，通过蒸馏结构先验提升世界模型性能，实现高效真实世界适应。

Comments Robotics: Science and Systems 2026

Slicing and Dicing: Configuring Optimal Mixtures of Experts

切片与切割：配置最优专家混合物

Margaret Li, Sneha Kudugunta, Danielle Rothermel, Luke Zettlemoyer

机构 * Paul G Allen School of Computer Science（保罗·G·艾伦计算机科学学院） ； University of Washington（华盛顿大学） ； New York University（纽约大学） ； Courant School of Data Science（科廷数据科学学院） 纠错

AI总结 本文研究了混合专家架构中专家数量、粒度等核心参数的优化问题，发现专家数量和粒度对性能影响显著，其他参数影响较小。

Deep Reasoning in General Purpose Agents via Structured Meta-Cognition

通过结构化元认知实现通用代理中的深度推理

Dean Light, Michael Theologitis, Kshitish Ghate, Shuyue Stella Li, Benjamin Newman, Chirag Shah, Aylin Caliskan, Pang Wei Koh, Dan Suciu, Yulia Tsvetkov

机构 * University of Washington（华盛顿大学） 纠错

AI总结 本文提出深度推理方法，通过结构化元认知构建任务特定框架，提升复杂任务处理能力，在四个基准测试中超越现有方法，减少早终止和幻觉。

Comments Preprint under review

DeconDTN-Toolkit: A Library for Evaluation and Enhancement of Robustness to Provenance Shift

DeconDTN-Toolkit：一个用于评估和增强对溯源转移鲁棒性的工具包

Yongsen Tan, Zhecheng Sheng, Xiruo Ding, Serguei V. S. Pakhomov, Trevor Cohen

机构 * University of Washington（华盛顿大学） ； University of Minnesota（明尼苏达大学） 纠错

AI总结 本文提出DeconDTN-Toolkit，通过模拟不同程度的溯源转移，评估和增强模型对溯源转移的鲁棒性，揭示经验风险最小化方法的脆弱性，并提供理论和实用工具以应对溯源混淆问题。

Comments Accepted to CHIL 2026

DisagMoE: Computation-Communication overlapped MoE Training via Disaggregated AF-Pipe Parallelism

DisagMoE：通过解耦的AF-Pipe并行性实现计算-通信重叠的MoE训练

Zhichen Zeng, Chi-Chih Chang, Jiayi Wang, Zezhou Wang, Ningxin Zheng, Zheng Zhong, Cesar A. Stuardo, Dongyang Wang, Mohamed S. Abdelfattah, Haibin Lin, Banghua Zhu, Ang Li, Ziheng Jiang

机构 * University of Washington（华盛顿大学） ； Cornell University（康奈尔大学） 纠错

AI总结 DisagMoE通过解耦注意力与FFN层，优化模型放置与调度，提升MoE训练效率，实验显示在16节点8xH800集群上实现1.8倍加速。

Worst-Case Regret Bounds for Combinatorial Thompson Sampling in Sleeping Semi-Bandits

组合威胁采样在睡眠半带it中的最坏情况后悔界

Zhiming Huang, Bingshan Hu, Jianping Pan

机构 * Paul G. Allen School of Computer Science & Engineering, University of Washington（保罗·G·艾伦计算机科学与工程学院，华盛顿大学） ； Department of Computer Science, University of British Columbia（不列颠哥伦比亚大学计算机科学系） ； Department of Computer Science, University of Victoria（维多利亚大学计算机科学系） 纠错

AI总结 本文研究了睡眠半带it中组合威胁采样（CTS）的最坏情况后悔界，解决了CTS在半带it设置中缺乏最坏情况后悔保证、对抗性可用性变化缺乏理论支持以及CTS-G的实验证性能较弱的问题，提出CL-SG算法并证明其改进的后悔界。

Comments Accepted by INFOCOM 26 on Dec 2025

Impact of AI Search Summaries on Website Traffic: Evidence from Google AI Overviews and Wikipedia

AI搜索摘要对网站流量的影响：来自谷歌AI概览和维基百科的证据

Mehrzad Khosravi, Hema Yoganarasimhan

机构 * University of Washington（华盛顿大学） 纠错

AI总结 研究通过对比谷歌AI概览与维基百科多语言版本流量变化，发现AI摘要导致英文维基百科文章日均流量下降15%，且对文化类内容影响更大，揭示搜索引擎生成答案对信息类出版物注意力的再分配。

Understanding the Performance Gap in Preference Learning: A Dichotomy of RLHF and DPO

理解偏好学习中的性能差距：RLHF和DPO的二元性

Ruizhe Shi, Minhak Song, Runlong Zhou, Zihan Zhang, Maryam Fazel, Simon S. Du

机构 * University of Washington（华盛顿大学） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； Amazon Inc.（亚马逊公司） 纠错

AI总结 本文分析RLHF和DPO性能差距的来源，揭示模型规格误差对方法选择的影响，指出在线DPO在特定条件下优于其他方法，揭示两阶段学习的统计优势。

Comments ICML accepted version

Dirichlet process mixtures of block $g$ priors for model selection and prediction in linear models

块g先验的狄利克雷过程混合用于线性模型中的模型选择和预测

Anupreet Porwal, Abel Rodriguez

机构 * Google Inc.（谷歌公司） ； Department of Statistics, University of Washington（华盛顿大学统计学系） 纠错

AI总结 本文提出块g先验的狄利克雷过程混合用于线性模型中的模型选择和预测，通过允许不同参数块的差异收缩并考虑预测变量的相关结构，实现了模型选择与连续收缩先验的桥梁。