Cisco（思科）

SkMTEB: Slovak Massive Text Embedding Benchmark and Model Adaptation

SkMTEB：斯洛伐克大规模文本嵌入基准与模型适配

Marek Šuppa, Andrej Ridzik, Daniel Hládek, Natália Kňažeková, Viktória Ondrejová

机构 * Comenius University in Bratislava（布拉迪斯拉发夸美纽斯大学） ； Cisco Systems（思科系统） ； Technical University of Košice（科希策技术大学） ； Kempelen Institute of Intelligent Technologies（肯佩伦智能技术研究所） 纠错

AI总结 针对低资源西斯拉夫语斯洛伐克语，构建首个MTEB风格文本嵌入基准SkMTEB（含31个数据集、7类任务），并开发高效本地部署模型e5-sk-small/large，通过词汇裁剪与微调在参数减少62%下达到与商业API相当的竞争力。

Comments ACL 2026

APEX: A Network-Native Time-Series Foundation Model for Forecasting and Anomaly Detection for Wireless Edge Operations

APEX：面向无线边缘运维的预测与异常检测的网络原生时间序列基础模型

Swadhin Pradhan, Niloo Bahadori, Peiman Amini

机构 * Cisco Systems, USA（思科系统公司） 纠错

AI总结 提出网络原生解码器Transformer APEX，针对企业AP遥测数据预训练，在DHCP退化基准上MAE比最强基线降低18%，异常检测F1=0.93，边缘版本实现亚秒级隐私保护推理。

Comments 5 pages, 1 figure, 4 tables. Discusses a network-native time-series foundation model for wireless edge operations

NetBurst: Event-Centric Forecasting of Bursty, Intermittent Time Series

NetBurst: 以事件为中心的突发间歇性时间序列预测

Satyandra Guthula, Jaber Daneshamooz, Charles Fleming, Kesheng Wu, Walter Willinger, Arpit Gupta

机构 * University of California, Santa Barbara（加州大学圣巴bara分校） ； Cisco Research（思科研究） ； Lawrence Berkeley National Laboratory（伯克利国家实验室） ； Northwestern University（西北大学） 纠错

AI总结 针对网络遥测数据中罕见突发和长间隔低活动的“野性”统计特性，提出NetBurst事件中心管道，通过压缩低活动期、分离突发时序和幅度流学习统一表示，在预测误差、突发分布匹配和异常描述性上显著优于Chronos-2等基线。

Observability for Delegated Execution in Agentic AI Systems

自主AI系统中委托执行的可观测性

Abhinav Mishra, Kumar Sharad

机构 * Splunk ； Cisco Inc（思科公司） 纠错

AI总结 针对基于LLM的自主系统中委托执行轨迹难以归因的问题，提出一种轻量级网关和通用信息模型，在运行时绑定委托上下文，实现跨工具委托范围的可靠重建和直接取证查询。

A Survey on Large Language Model-Based Game Agents

基于大语言模型的游戏智能体综述

Sihao Hu, Tiansheng Huang, Gaowen Liu, Ramana Rao Kompella, Fatih Ilhan, Selim Furkan Tekin, Yichang Xu, Zachary Yahn, Ling Liu

机构 * Georgia Institute of Technology USA（佐治亚理工学院美国分校） ； Cisco Research USA（思科研究美国分公司） 纠错

AI总结 综述基于大语言模型的游戏智能体，提出统一参考架构，从单智能体（记忆、推理、感知-行动接口）和多智能体（通信协议、组织模型）层面总结研究，并建立挑战导向的分类法连接六种游戏类型与智能体需求。

Comments ACM Computing Surveys, 2026

Harmonia: End-to-End RAG Serving Optimization

Harmonia: 端到端RAG服务优化

Saurabh Agarwal, Bodun Hu, Luis Pabon, Myungjin Lee, Jayanth Srinivasa, Aditya Akella

机构 * UT Austin（德克萨斯大学奥斯汀分校） ； Cisco Research（思科研究） ； Cisco Systems（思科系统） 纠错

AI总结 提出Harmonia框架，通过灵活管道接口、异构感知部署和闭环运行时控制器，优化RAG服务，吞吐量提升2.04倍以上，SLO违规减少78.4%。

TRACE: Trajectory Reasoning through Adaptive Cross-Step Evidence Aggregation for LLM Agents

TRACE: 通过自适应跨步骤证据聚合的LLM智能体轨迹推理

Vijitha Mittapalli, Shreyaa Jayant Dani, Satya Srujana Pilli, Snigdha Ansu, Mohammadreza Teymoorianfard, Franck Dernoncourt, Hongjie Chen, Yu Wang, Ryan A. Rossi, Nesreen K. Ahmed

机构 * University of Massachusetts at Amherst（马萨诸塞大学阿默斯特分校） ； Adobe Research（Adobe研究） ； Dolby Labs（杜比实验室） ； University of Oregon（俄勒冈大学） ； Cisco（思科） 纠错

AI总结 提出TRACE框架，通过TIJ循环识别高信号区域、累积跨步骤证据并合成轨迹级判决，在SHADE-Arena的十个任务域上F1达0.713，召回率0.844，尤其擅长长距离证据链接。

Phonetic Error Analysis of Raw Waveform Acoustic Models

原始波形声学模型的音素错误分析

Erfan Loweimi, Zhengjun Yue, Andrea Carmantini, Zoran Cvetkovic, Steve Renals, Peter Bell

机构 * Centre for Speech Technology Research (CSTR), University of Edinburgh, UK（语音技术研究中心（CSTR），爱丁堡大学，英国） ； Cisco, UK（思科公司，英国） ； SLAI & CUHK-SZ, China（SLAI与CUHK-SZ，中国） ； King's College London, UK（伦敦国王学院，英国） 纠错

AI总结 通过分解音素错误率、分析混淆矩阵，发现BLSTM层对过渡依赖类提升最大，WSJ迁移学习对辅音改进约是元音的三倍，且混淆模式反映固有音素相似性。

Comments INTERSPEECH2026

To Be Multimodal or Not to Be: Query-Adaptive Audio-Visual Person Retrieval via Active Modality Detection

多模态还是非多模态：通过主动模态检测的查询自适应音视频人物检索

Erfan Loweimi, Mengjie Qian, Kate Knill, Guanfeng Wu, Chi-Ho Chan, Abbas Haider, Muhammad Awan, Josef Kittler, Hui Wang, Mark Gales

机构 * University of Cambridge（剑桥大学） ； Queen's University Belfast（贝尔法斯特女王大学） ； University of Surrey（萨里大学） ； Cisco（思科） ； Southwest Jiaotong University（西南交通大学） ； Teesside University（泰赛德大学） 纠错

AI总结 提出一种查询自适应框架，通过跨模态分数一致性检测主动模态，在BBC Rewind语料库上达到94.2%的P@1，优于单模态和固定融合方法。

Comments INTERSPEECH 2026

LANTERN: Layered Archival and Temporal Episodic Retrieval Network for Long-Context LLM Conversations

LANTERN: 用于长上下文LLM对话的分层存档与时间情节检索网络

Rahul Subramani

机构 * Cisco Systems, Inc.（思科系统公司） 纠错

AI总结 提出LANTERN，一种轻量级记忆层，通过混合检索主动存档对话轮次并恢复压缩后丢失的细节，无需LLM调用且延迟低于25ms，在94个多轮对话中恢复78.3%的可验证事实，优于MemGPT基线。

AgentDS Technical Report: Benchmarking the Future of Human-AI Collaboration in Domain-Specific Data Science

AgentDS技术报告：领域特定数据科学中人机协作的未来基准测试

An Luo, Jin Du, Xun Xian, Robert Specht, Fangqiao Tian, Ganghua Wang, Xuan Bi, Charles Fleming, Ashish Kundu, Jayanth Srinivasa, Mingyi Hong, Rui Zhang, Tianxi Li, Galin Jones, Jie Ding

机构 * School of Statistics, University of Minnesota（明尼苏达大学统计学系） ； AIScientists, Inc.（AIScientists公司） ； Data Science Institute, University of Chicago（芝加哥大学数据科学研究所） ； Carlson School of Management, University of Minnesota（明尼苏达大学卡尔森管理学院） ； Cisco Research（思科研究） ； Department of Electrical and Computer Engineering, University of Minnesota（明尼苏达大学电气与计算机工程系） ； Division of Computational Health Sciences, University of Minnesota（明尼苏达大学计算健康科学 division） 纠错

AI总结 提出AgentDS基准测试和竞赛，通过17个跨行业挑战评估AI代理及人机协作在领域特定数据科学中的表现，发现AI代理在领域推理上存在不足，人机协作优于纯AI方法。

FederatedSkill: Federated Learning for Agentic Skill Evolution

FederatedSkill: 面向智能体技能演化的联邦学习

Jingbo Yang, Guanyu Yao, Yang Zhang, Ramana Rao Kompella, Gaowen Liu, Shiyu Chang

机构 * UC Santa Barbara（加州大学圣巴bara分校） ； MIT-IBM Watson AI Lab（麻省理工-IBM Watson人工智能实验室） ； Cisco Research（思科研究） 纠错

AI总结 提出FederatedSkill框架，通过语义技能差异作为通信单元，在保护隐私的同时实现个性化技能演化，相比自演化基线成功率提升44.4%，计算成本降低37.5%。

Multimodal Music Recommendation System using LLMs

使用LLMs的多模态音乐推荐系统

Srikar Prabhas Kandagatla, Sreehitha R. Narayana, Chandana Magapu, Swetha Mohan, Shamanth Kuthpadi, Hongjie Chen, Ryan A. Rossi, Franck Dernoncourt, Nesreen Ahmed

机构 * University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； Dolby Laboratories（Dolby实验室） ； Adobe Research（Adobe研究） ； Cisco Research（Cisco研究） 纠错

AI总结 提出一个多模态框架，通过融合音频、歌词、LLM生成的语义元数据和收听完成率，在基于会话的音乐推荐中显著提升Recall和NDCG。

Safety Mirage: How Spurious Correlations Undermine VLM Safety Fine-Tuning and Can Be Mitigated by Machine Unlearning

安全幻象：虚假相关性如何破坏VLM安全微调及通过机器遗忘缓解

Yiwei Chen, Yuguang Yao, Yihua Zhang, Bingquan Shen, Gaowen Liu, Sijia Liu

机构 * Michigan State University（密歇根州立大学） ； National University of Singapore（新加坡国立大学） ； Cisco Research（思科研究） 纠错

AI总结 本文发现视觉语言模型（VLM）的安全微调存在“安全幻象”，即虚假相关性导致脆弱性，并提出机器遗忘作为替代方案，显著降低攻击成功率和不必要拒绝。

Comments Accepted to ICLR 2026

SARA: Stress Test Reasoning in Audio Deepfake Detection

SARA: 音频深度伪造检测中的压力测试推理

Binh Nguyen, Charles Fleming, Thai Le

机构 * Indiana University（印第安纳大学） ； Cisco Research（思科研究） 纠错

AI总结 提出SARA框架，通过声学感知、推理-判决一致性与不和谐三个维度评估音频语言模型在对抗攻击下的推理可靠性，发现声学攻击降低一致性而语言攻击保持一致性但成功率更高，且推理轨迹的文本一致性可作为检测对抗样本的潜在指标。

Comments Preprint for ACL 2026 submission

HiPER: Hierarchical Reinforcement Learning with Explicit Credit Assignment for Large Language Model Agents

HiPER: 具有显式信用分配的分层强化学习用于大型语言模型智能体

Jiangweizhi Peng, Yuanxin Liu, Ruida Zhou, Charles Fleming, Zhaoran Wang, Alfredo Garcia, Mingyi Hong

机构 * University of Minnesota ； Northwestern University ； Amazon AGI ； Texas A\&M University ； Cisco Research 纠错

AI总结 针对稀疏奖励长程任务中LLM智能体信用分配困难的问题，提出HiPER分层规划-执行框架，通过分层优势估计（HAE）在规划和执行层面显式分配信用，在ALFWorld和WebShop上达到97.4%和83.3%的成功率。

Comments ICML 2026

LLMs Lean on Priors, Not Programming Language Semantics

LLMs 依赖先验而非编程语言语义

Aditya Thimmaiah, Jiyang Zhang, Jayanth Srinivasa, Junyi Jessy Li, Milos Gligoric

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Cisco Research（思科研究） 纠错

AI总结 通过 PLSemanticsBench 基准测试，发现前沿大语言模型在程序执行任务中依赖预训练统计规律而非形式语义规则，语义变异和结构复杂度导致准确率大幅下降。

Comments Accepted at ICML 2026

Safeguarding Text-to-Image Generation via Inference-Time Prompt-Noise Optimization

通过推理时提示-噪声优化保障文本到图像生成

Jiangweizhi Peng, Zhiwei Tang, Gaowen Liu, Charles Fleming, Mingyi Hong

机构 * University of Minnesota（明尼苏达大学） ； Cisco Research（思科研究） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） 纠错

AI总结 提出一种无需训练的推理时优化方法（PNO），通过联合优化连续提示嵌入和注入噪声轨迹，抑制不安全图像生成，达到最先进性能并抵抗对抗攻击。

KLAS: Using Similarity to Stitch Neural Networks for Improved Accuracy-Efficiency Tradeoffs

KLAS：利用相似性拼接神经网络以改进精度-效率权衡

Debopam Sanyal, Anantharaman Iyer, Alind Khare, Trisha Jain, Akshay Jajoo, Myungjin Lee, Clayton Kerce, Alexey Tumanov

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Microsoft M365 Research（微软M365研究） ； Cisco Research（思科研究） ； Georgia Tech Research Institute（佐治亚理工研究机构） 纠错

AI总结 提出KLAS框架，通过KL散度度量中间表示相似性自动选择最佳拼接配置，在相同微调成本下提升拼接模型的精度-效率曲线。

When Should a Robot Think? Resource-Aware Reasoning via Reinforcement Learning for Embodied Robotic Decision-Making

机器人何时应该思考？基于强化学习的资源感知推理在具身机器人决策中的应用

Jun Liu, Pu Zhao, Zhenglun Kong, Xuan Shen, Peiyan Dong, Fan Yang, Lin Cui, Hao Tang, Geng Yuan, Wei Niu, Wenbin Zhang, Xue Lin, Gaowen Liu, Yanzhi Wang, Dong Huang

机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； Northeastern University（东北大学） ； Harvard University（哈佛大学） ； Cornell University（康奈尔大学） ； MIT（麻省理工学院） ； Fujitsu Research of America（美国富士通研究） ； Tsinghua University（清华大学） ； Peking University（北京大学） ； University of Georgia（佐治亚大学） ； Florida International University（佛罗里达国际大学） ； EmbodyX Inc（EmbodyX公司） ； Cisco Systems（思科系统） 纠错

AI总结 提出RARRL框架，通过强化学习学习高层编排策略，使具身代理能自适应决定是否调用LLM推理、选择推理角色及分配计算预算，以平衡推理开销与任务成功率。

Universal Activation Verbalizer: A Unified Framework for Cross-Model Activation Explanation

通用激活词化器：跨模型激活解释的统一框架

Haiyan Zhao, Zirui He, Guanchu Wang, Ali Payani, Yingcong Li, Mengnan Du

机构 * New Jersey Institute of Technology（新泽西理工学院） ； University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校） ； Cisco Research（思科研究） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） 纠错

AI总结 提出通用激活词化器（UAV）框架，通过共享解码器和轻量适配器将异构模型的隐藏表示转化为自然语言解释，支持跨模型家族和规模的激活词化，在分类、事实检索和要点总结任务中与强基线竞争。

Comments 23 pages, 11 figures, 11 tables

Spectral Retrieval: Multi-Scale Sinc Convolution over Token Embeddings for Localized Retrieval in LLM Multi-Agent Systems

光谱检索：基于多尺度sinc卷积的令牌嵌入局部化检索在LLM多智能体系统中的应用

Andrea Morandi

机构 * Cisco（思科） 纠错

AI总结 提出光谱检索方法，通过多尺度sinc卷积对令牌嵌入进行重排序，在无需重新训练的情况下显著提升局部化检索性能，并自然适配于LLM多智能体系统。

Improving Labeling Consistency with Detailed Constitutional Definitions and AI-Driven Evaluation

通过详细的宪法定义和AI驱动的评估提高标注一致性

Konstantin Berlin, Adam Swanda

机构 * Cisco AI Defense（思科AI防御） 纠错

AI总结 提出一种AI驱动的工作流，通过为每个类别编写详细的宪法定义并由前沿LLM解释，以比人类更一致和准确地生成黄金标签，在三个内容审核类别上将跨模型不一致性降低高达57倍。

Comments Under review at ACL Rolling Review (ARR), May 2026 cycle. Also available at https://doi.org/10.5281/zenodo.20125267

Agent-ToM: Learning to Monitor Autonomous LLM Agents via Theory-of-Mind Reasoning

Agent-ToM: 通过心智理论推理学习监控自主LLM智能体

Nesreen K. Ahmed, Nima Nafisi

机构 * Cisco Outshift（思科Outshift） 纠错

AI总结 针对自主LLM智能体的隐蔽恶意行为监控难题，提出基于心智理论推理的Agent-ToM框架，通过信念推断、意图假设与验证实现结构化轨迹分析，在监控基准上取得优于集成方法的性能。

Comments 23 pages, 9 figures

Survive or Collapse: The Asymmetric Roles of Data Gating and Reward Grounding in Self-Play RL

生存或崩溃：自我博弈强化学习中数据门控与奖励基础的不对称作用

Sophia Xiao Pu, Zhaotian Weng, Chengzhi Liu, Jayanth Srinivasa, Gaowen Liu, William Yang Wang, Xin Eric Wang

机构 * University of California, Santa Barbara（加州大学圣巴巴拉分校） ； Cisco Research（思科研究） 纠错

AI总结 本文研究了自我博弈强化学习中数据门控和奖励基础的不对称作用，发现数据门控是维持稳定的关键因素，而奖励信号在门控移除后无法单独保证稳定性，揭示了'基础提出者悖论'。

Rethinking Muon Beyond Pretraining: Spectral Failures and High-Pass Remedies for VLA and RLVR

重新思考Muon超越预训练：VLA和RLVR中的频谱失败及高频修复

Chongyu Fan, Gaowen Liu, Mingyi Hong, Ramana Rao Kompella, Sijia Liu

机构 * Michigan State University（密歇根州立大学） ； Cisco（思科） ； University of Minnesota（明尼苏达大学） ； IBM Research（IBM研究院） 纠错

AI总结 本文研究了Muon优化器在预训练之外的局限性，提出Pion通过高频NS迭代机制改进VLA和RLVR任务的性能。

Sequential Consensus for Multi-Agent LLM Debates: A Wald-SPRT compute governor with calibration-based failure detection

多智能体大语言模型辩论中的顺序共识：一种基于Wald-SPRT的计算控制器与基于校准的故障检测

Andrea Morandi

机构 * Cisco（思科） 纠错

AI总结 本文提出了一种基于Wald-SPRT的计算控制器，用于多智能体大语言模型辩论，通过校准来检测故障，从而在保证准确性的同时减少计算资源的使用。

Scale-Equivariant Generative Forecasting: Weight-Tied Dilated Convolutions, Wavelet Scattering Inputs, and Spectral-Consistency Training for Self-Similar Time Series

尺度等变生成预测：权重绑定的扩张卷积、小波散射输入和频谱一致性训练用于自相似时间序列

Andrea Morandi

机构 * Cisco Systems, Inc.（思科系统公司） 纠错

AI总结 本文提出了一种尺度等变生成预测方法，通过权重绑定的扩张卷积、小波散射输入和频谱一致性训练，用于自相似时间序列的生成，展示了在S&P 500日收益率上的优越性能。

TIER: Trajectory-Invariant Execution Rewards for Multi-Step Tool Composition

TIER: 用于多步工具组合的轨迹不变执行奖励

Anay Kulkarni, ChiaEn Lu, Dheeraj Mekala, Jayanth Srinivasa, Gaowen Liu, Jingbo Shang

机构 * UC San Diego（加州大学圣迭戈分校） ； Cisco Research（思科研究） 纠错

AI总结 本文提出TIER，一种基于函数模式和运行时执行的奖励框架，能够提供密集且可解释的序列级反馈，支持多种解决方案策略并适应变化的工具接口，在DepthBench等基准上实现了高准确率。

Comments Preprint. Submitted to NeurIPS 2026. 28 pages, 7 figures, 8 tables. Code and datasets available at https://github.com/anaykulkarni/TIER

EnactToM: An Evolving Benchmark for Functional Theory of Mind in Embodied Agents

EnactToM：一种用于具身智能体功能理论之心的演进基准

Gurusha Juneja, Dylan Lu, Saaket Agashe, Parth Diwane, Edward Gunn, Jayanth Srinivasa, Gaowen Liu, William Yang Wang, Yali Du, Xin Eric Wang

机构 * University of California, Santa Barbara（加州大学圣巴巴拉分校） ； King’s College London（伦敦国王学院） ； Cisco Research（思科研究） 纠错

AI总结 本文提出EnactToM基准，用于测试具身智能体的功能理论之心能力，通过300个3D家庭环境任务验证解决能力和认知深度，揭示了现有模型在隐含信念上的不足。