[LG] On the Similarities of Embeddings in Contrastive Learning [Yonsei University] https://arxiv.org/abs/2506.09781

[LG] Sequential-Parallel Duality in Prefix Scannable Models [MIT CSAIL & Technical University of Munich] https://arxiv.org/abs/2506.10918

[LG] Self-Adapting Language Models [MIT] https://arxiv.org/abs/2506.10943

[LG] CoRT: Code-integrated Reasoning within Thinking [University of Science and Technology of China & Qwen Team & The Chinese University of Hong Kong] https://arxiv.org/abs/2506.09820

[LG] Intention-Conditioned Flow Occupancy Models C Zheng, S Park, S Levine, B Eysenbach [Princeton University & UC Berkeley] 本文提出的Intention-Conditioned Flow Occupancy Models (InFOM)通过创新性地结合潜在意图推断与基于流匹配的未来状态占有率建模，并在预训练中优化ELBO、在微调中使用隐式广义策略改进，成功地从未标记的异构离线数据中学习到了能够显著提升下游任务性能的RL基础模型，特别是在处理用户意图多样性和长期时间依赖性方面展现了巨大潜力。 https://arxiv.org/abs/2506.08902

[LG] Solving Inequality Proofs with Large Language Models J Sheng, L Lyu, J Jin, T Xia... [Stanford University & UC Berkeley] 本文通过构建一个包含奥林匹克级别不等式的新数据集IneqMath，并设计了一套包含最终答案和详细步骤审查的LLM即评判者评估框架，揭示了当前顶尖大语言模型在解决不等式问题时普遍存在的“答案可能正确但推理过程往往不严谨”的巨大鸿沟，并指出模型规模和计算量扩展对此改善有限，而定理指导和自我修正等策略展现了提升的潜力。 https://arxiv.org/abs/2506.07927

[LG] Reinforcement Learning Teachers of Test Time Scaling E Cetin, T Zhao, Y Tang [Sakana AI] 本文通过提出强化学习教师（RLTs）框架，创新性地将RL教师模型的任务设定为在已知问题和答案的前提下生成优质解释，并利用基于学生理解度的密集奖励进行训练，从而高效地生成了无需后处理的高质量蒸馏数据，不仅显著提升了下游学生模型在复杂推理任务上的性能，甚至在零样本跨领域迁移和RL冷启动方面取得了超越传统方法的反直觉成果。https://arxiv.org/abs/2506.08388

[LG] Branched Schrödinger Bridge Matching S Tang, Y Zhang, A Tong, P Chatterjee [Duke-NUS Medical School & Quebec AI Institute] 本文提出了分支薛定谔桥匹配（BranchSBM）框架，通过创新地将分支的广义薛定谔桥问题分解为多个可解的非平衡条件随机最优控制问题，并引入参数化的漂移场和分支特定的生长过程以及多阶段训练算法，成功实现了从单一初始分布到多个不同目标分布的动态、能量感知的分支轨迹学习，显著提升了对细胞分化、药物扰动响应等多目标发散型复杂系统建模的表达能力和准确性。 https://arxiv.org/abs/2506.09007

[LG] The Diffusion Duality S S Sahoo, J Deschenaux, A Gokaslan, G Wang, J Chiu, V Kuleshov [Cornell Tech & EPFL Lausanne] 本文通过提出“扩散二象性”理论，揭示了均匀状态离散扩散模型（USDMs）与高斯扩散模型间的深刻联系，并基于此设计了Duo框架，通过创新的课程学习和离散一致性蒸馏技术，显著提升了USDMs的训练和采样效率，使其在快速文本生成方面展现出与主流模型竞争的潜力，特别是在少步生成和某些零样本指标上取得了反直觉的优异成果。 https://arxiv.org/abs/2506.10892

本期《TAI快报》深入探讨了AI领域的四项前沿研究，带来耳目一新的洞见：1.《Multiverse: Your Language Models Secretly Decide How to Parallelize and Merge Generation》揭示语言模型隐含的并行思维潜力，通过新型框架实现生成速度近两倍提升；2.《Fast Monte Carlo Tree Diffusion: 100x Speedup via Parallel Sparse Planning》通过并行与稀疏化技术，将规划任务速度提升百倍，为自动驾驶等领域注入新活力；3.《Query-Focused Retrieval Heads Improve Long-Context Reasoning and Re-ranking》提出查询聚焦检索头，显著改进长文本推理能力，小型模型也能媲美大型模型；4.《Synergizing Reinforcement Learning and Genetic Algorithms for Neural Combinatorial Optimization》结合学习与进化机制，优化复杂问题解决效率，展现AI跨领域协同的潜力。 完整推介：https://mp.weixin.qq.com/s/_ebXn-OzNFwYjeIQdc8ymA

本期《TAI快报》深入探讨了AI领域的五项前沿研究，带来耳目一新的洞见： * “e3: Learning to Explore Enables Extrapolation of Test-Time Compute for LLMs” 提出通过“上下文探索”训练大语言模型，让其在更多计算资源下持续提升推理能力，尤其在数学问题上表现卓越。 * “LEANN: A Low-Storage Vector Index” 创新性地用即时计算替代存储，将搜索索引体积压缩至原始数据的5%以下，为个人设备上的AI应用铺平道路。 * “DRAGged into Conflicts: Detecting and Addressing Conflicting Sources in Search-Augmented LLMs” 通过分类信息冲突并引导模型适配响应策略，提升AI在复杂信息环境下的可靠性。 * “Socratic-MCTS: Test-Time Visual Reasoning by Asking the Right Questions” 让视觉模型通过自问自答形成推理链条，无需训练即可提升复杂任务表现。 * “Do MIL Models Transfer?” 证明预训练的多示例学习模型在医疗影像分析中具有强大迁移能力，显著提升效率与准确性。 完整推介：https://mp.weixin.qq.com/s/qT7qH4hZI2BqQVyTdhZOjw

本期《TAI快报》深入探讨了AI领域的五项前沿研究，涵盖了神经网络学习理论、语言模型训练、优化技术、模型效率提升及智能体交互能力等多个维度。以下是关键内容概述： * 交替梯度流理论（"Alternating Gradient Flows: A Theory of Feature Learning in Two-layer Neural Networks"）：提出了一种解释双层神经网络特征学习动态的框架，通过“休眠”与“活跃”神经元的交替过程，揭示了特征学习的有序性，尤为突出的是预测了傅里叶特征的学习顺序。 * 强化预训练（"Reinforcement Pre-Training"）：创新性地将语言模型训练转化为强化学习任务，鼓励模型在预测前“思考”，显著提升了预测准确性和推理能力。 * SPlus优化器（"A Stable Whitening Optimizer for Efficient Neural Network Training"）：通过解决稳定性问题，实现比传统方法更快的训练速度，节省了大量时间和计算资源。 * Spark Transformer（"Spark Transformer: Reactivating Sparsity in FFN and Attention"）：通过高效稀疏化技术，减少模型计算量达2.5倍，同时保持性能，为资源受限设备上的大模型应用铺平道路。 * 推理时交互框架（"Thinking vs. Doing: Agents that Reason by Scaling Test-Time Interaction"）：提出“做得更多”而非“想得更多”的智能体训练思路，通过增加环境交互提升任务成功率，挑战传统观念。 完整推介：https://mp.weixin.qq.com/s/Ym0aTNaqRL_uZRn9krvcUg