University of Washington（华盛顿大学）

Natural Language Query to Configuration for Retrieval Agents

面向检索代理的自然语言查询到配置

Melissa Z. Pan, Negar Arabzadeh, Mathew Jacob, Fiodar Kazhamiaka, Esha Choukse, Matei Zaharia

机构 * UC Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学） ； Microsoft Azure Research - Systems（微软Azure研究 - 系统） 纠错

AI总结 提出BRANE方法，利用LLM将查询转换为工作负载特征，并训练轻量级预测器选择最优配置，在多个基准上实现成本-质量帕累托前沿的优化。

Latent Recurrent Transformer: Architecture Exploration, Training Strategies, and Scaling Behavior

潜在循环Transformer：架构探索、训练策略与扩展行为

Zeyi Huang, Xuehai He, LiLiang Ren, Yiping Wang, Baolin Peng, Hao Cheng, Shuohang Wang, Pengcheng He, Jianfeng Gao, Yong Jae Lee, Yelong Shen

机构 * Microsoft（微软公司） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； University of Washington（华盛顿大学） 纠错

AI总结 提出潜在循环Transformer（LRT），通过跨层循环潜在路径重用前一token的高层隐藏状态作为记忆，在不增加暂停token或额外深度循环的情况下，以约2倍基线计算实现并行训练，在匹配有效计算下提升语言建模损失和上下文学习能力，仅增加0.3%参数。

Near-Optimal Regret in Adversarial Kernel Bandits

对抗性核赌博中的近最优遗憾

Yu-Jie Zhang, Hao Qiu, Jonathan Scarlett, Kevin Jamieson

机构 * University of Washington（华盛顿大学） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 针对对抗性核赌博问题，提出基于正则化重要性加权损失估计的指数权重算法，通过显式修正项消除偏差，实现与随机核赌博已知最优率匹配的遗憾界。

JobBench: Aligning Agent Work With Human Will

JobBench：使智能体工作符合人类意愿

Yuetai Li, Yichen Feng, Zhangchen Xu, Zixian Ma, Kaiyuan Zheng, Fengqing Jiang, Xinghua Sun, Rulin Shao, Zichen Chen, Yue Huang, Xinyang Han, Brian Lee, Kayla Xu, Shenglai Zeng, Hang Hua, Xiangliang Zhang, Basel Alomair, Ranjay Krishna, Luke Zettlemoyer, Pang Wei Koh, Bhaskar Ramasubramanian, Luyao Niu, Xiang Yue, Radha Poovendran

机构 * University of Washington（华盛顿大学） ； University of California, Santa Barbara（加州大学圣芭芭拉分校） ； Stanford University（斯坦福大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Northwestern University（西北大学） ； University of Notre Dame（圣母大学） ； University of California, Berkeley（加州大学伯克利分校） ； Michigan State University（密歇根州立大学） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室） ； Bake AI ； King Abdulaziz City for Science and Technology（国王阿卜杜勒阿齐兹科技城） ； Western Washington University（西雅图华盛顿大学） ； University of Chicago（芝加哥大学） 纠错

AI总结 提出JobBench基准，通过专家识别的高优先级工作流程评估AI智能体，以人类需求为中心而非经济价值，覆盖35个职业的130个任务，使用事实锚定的评分链评估，最强模型仅达45.9%，旨在推动从替代到增强的劳动力市场影响。

Compute Optimal Tokenization

计算最优分词

Tomasz Limisiewicz, Artidoro Pagnoni, Srini Iyer, Mike Lewis, Sachin Mehta, Alisa Liu, Margaret Li, Gargi Ghosh, Luke Zettlemoyer

机构 * FAIR at Meta（Meta 的 FAIR） ； University of Washington（华盛顿大学） 纠错

AI总结 通过训练988个BLT模型，研究压缩率（每token平均字节数）对缩放趋势的影响，发现计算最优配置下模型参数量与数据字节数成比例，且最优压缩率低于BPE并随计算量下降。

Anchored Decoding: Provably Reducing Copyright Risk for Any Language Model

锚定解码：可证明降低任何语言模型的版权风险

Jacqueline He, Jonathan Hayase, Wen-tau Yih, Sewoong Oh, Luke Zettlemoyer, Pang Wei Koh

机构 * University of Washington（华盛顿大学） ； Allen Institute for Artificial Intelligence（人工智能研究院） 纠错

AI总结 提出锚定解码，一种即插即用的推理时方法，通过将生成内容约束在许可训练的安全模型附近，可证明地抑制语言模型逐字复制受版权保护的内容，实现可调的风险-效用权衡。

Comments Accepted to ICML 2026. 53 pages, 14 figures, 22 tables. Code is publicly available at https://github.com/jacqueline-he/anchored-decoding

TAG: Tangential Amplifying Guidance for Hallucination-Resistant Sampling

TAG: 切向放大引导用于抗幻觉采样

Hyunmin Cho, Donghoon Ahn, Susung Hong, Jee Eun Kim, Seungryong Kim, Kyong Hwan Jin

机构 * Korea University（韩国大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学） 纠错

AI总结 提出一种无需训练、与架构无关的即插即用引导方法TAG，通过放大估计分数的切向分量来纠正采样轨迹，减少语义不一致性并提高保真度。

Comments Accepted to ICML 2026 (Regular)