University of Washington（华盛顿大学）

Spend Experts Where You Are Unsure: Confidence-Adaptive Routing for Mixture-of-Experts LoRA

在不确定的地方投入专家：用于专家混合LoRA的置信度自适应路由

Tom Saliencro, Rohan Desai, Priya Nair, Maya Lindqvist, Daniel Whitmore

机构 * University of California, Irvine（加州大学欧文分校） ； University of Washington（华盛顿大学） 纠错

AI总结 研究针对专家混合LoRA路由中简单与困难令牌服务不均问题，提出置信度自适应路由CARE，它以核心方式接纳专家，校准阈值使活跃专家数匹配目标，是单前向传递规则，在多任务中改进效果显著，还提升了分布外检测能力。

Beyond One Output: Visualizing and Comparing Distributions of Language Model Generations

超越单一输出：语言模型生成分布的可视化与比较

Emily Reif, Claire Yang, Jared Hwang, Deniz Nazar, Noah A. Smith, Jeff Heer

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

AI总结 本文提出GROVE工具，通过可视化语言模型生成的分布结构，帮助用户更全面地理解生成过程中的模式和敏感性，提升任务迭代效果。

Latent Collaboration in Multi-Agent Systems

多智能体系统中的潜在协作

Jiaru Zou, Ruizhong Qiu, Gaotang Li, Xiyuan Yang, Katherine Tieu, Pan Lu, Ke Shen, Hanghang Tong, Yejin Choi, Jingrui He, James Zou, Mengdi Wang, Ling Yang

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

AI总结 提出LatentMAS框架，使LLM智能体在连续潜在空间直接协作，无需文本中介，实现更高精度、更低开销和更快推理。

Comments ICML2026 Spotlight, Project: https://github.com/Gen-Verse/LatentMAS

T-TAMER: Provably Taming Trade-offs in ML Serving

T-TAMER：可证明地管控机器学习服务中的权衡

Yuanyuan Yang, Ruimin Zhang, Jamie Morgenstern, Haifeng Xu

机构 * Department of Computer Science & Engineering University of Washington（华盛顿大学计算机科学与工程系） ； Department of Computer Science University of Chicago（芝加哥大学计算机科学系） 纠错

AI总结 该研究针对机器学习服务中的权衡问题，提出通用框架T-Tamer，证明回溯是获得最优权衡的关键，通过实验验证基于回溯的策略能实现高效的准确率-延迟权衡，为相关模型设计提供理论基础。

Comments Correspondence should be addressed to yyangh at cs dot washington dot edu or haifengxu@uchicago.edu. This manuscript extends our earlier workshop version, which was accepted at the NeurIPS SPIGM 2025 Workshop, and has been accepted to ICLR 2026

Conditional Deep Levy Models for Exotic Derivatives: History-Aware Path Generation and P-Q Payoff Diagnostics

用于奇异衍生品的条件深度Levy模型：历史感知路径生成与P-Q收益诊断

Helin Zhao, Junchi Shen

机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of Washington Seattle（华盛顿大学（西雅图）） 纠错

AI总结 该研究提出基于DLPMs的历史感知路径生成器，在股指路径生成任务中优于对照组，并构建P-Q收益诊断框架，用于奇异衍生品的收益分析。

Comments 39 pages, 5 figures, 15 tables