Carnegie Mellon University（卡内基梅隆大学）

Hierarchical Action Learning for Weakly-Supervised Action Segmentation

分层动作学习用于弱监督动作分割

Junxian Huang, Ruichu Cai, Hao Zhu, Juntao Fang, Boyan Xu, Weilin Chen, Zijian Li, Shenghua Gao

机构 * Guangdong University of Technology（广东技术大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； University of Hong Kong（香港大学） 纠错

AI总结 HAL模型通过分层因果数据生成和稀疏转换约束，提升弱监督动作分割的识别能力。

Journal ref CVPR2026

Online Register for Dual-Mode Self-Supervised Speech Models: Mitigating The Lack of Future Context

在线注册用于双模式自监督语音模型：缓解未来上下文的缺乏

Keita Goto, Takashi Maekaku, Jin Sakuma, Jinchuan Tian, Yusuke Shinohara, Shinji Watanabe

机构 * LY Corporation（LY公司） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出在线注册方法，通过可学习标记和未来预测损失，缓解双模式自监督语音模型在流式场景中因缺失未来上下文导致的注意力不匹配问题。

Comments Accepted to ICASSP 2026

ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference

ODAR：通过主动推断实现LLM推理的原理性自适应路由

Siyuan Ma, Bo Gao, Xiaojun Jia, Simeng Qin, Tianlin Li, Ke Ma, Xiaoshuang Jia, Wenqi Ren, Yang Liu

机构 * Nanyang Technological University（南洋理工大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Northeast University (Qinhuangdao Campus)（东北大学（秦皇岛校区）） ； Beihang University（北航） ； University of the Chinese Academy of Sciences（中国科学院大学） ； Renmin University of China（中国人民大学） ； Sun Yat-sen University（中山大学） 纠错

AI总结 ODAR通过主动推断实现LLM推理的原理性自适应路由，优化精度-效率权衡，提升计算匹配下的准确率并降低计算成本。

ParamMem: Augmenting Language Agents with Parametric Reflective Memory

ParamMem: 通过参数化反思记忆增强语言代理

Tianjun Yao, Yongqiang Chen, Yujia Zheng, Pan Li, Zhiqiang Shen, Kun Zhang

机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 ParamMem通过参数化记忆模块提升语言代理的反思多样性，实现更高效的推理和跨任务迁移能力。

Comments 20 pages

CowPilot: A Framework for Autonomous and Human-Agent Collaborative Web Navigation

CowPilot：自主与人机协作的网页导航框架

Faria Huq, Zora Zhiruo Wang, Frank F. Xu, Tianyue Ou, Shuyan Zhou, Jeffrey P. Bigham, Graham Neubig

机构 * School of Computer Science, Carnegie Mellon University（计算机科学系，卡内基梅隆大学） 纠错

AI总结 CowPilot通过自主与人机协作机制提升网页导航效率，实现95%的任务成功率，减少人类操作步骤至15.2%

Comments Published at NAACL System Demonstration Track, 2025

Journal ref 2025.naacl-demo.17

Destination-to-Chutes Task Mapping Optimization for Multi-Robot Coordination in Robotic Sorting Systems

多机器人协同中的目的地到传送口任务映射优化

Yulun Zhang, Alexandre O. G. Barbosa, Federico Pecora, Jiaoyang Li

机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） 纠错

AI总结 本文提出基于进化算法和混合整数线性规划的任务映射优化方法，用于提升多机器人分拣系统的吞吐量。

Comments Accepted to IEEE International Symposium on Multi-Robot and Multi-Agent Systems (MRS) 2025

Measuring Sycophancy of Language Models in Multi-turn Dialogues

在多轮对话中衡量语言模型的趋炎附势性

Jiseung Hong, Grace Byun, Seungone Kim, Kai Shu, Jinho D. Choi

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Emory University（埃默里大学） 纠错

AI总结 本研究提出SYCON基准，评估多轮对话中语言模型的趋炎附势性，发现对齐调优会放大该行为，而模型规模和推理优化能增强抗压能力，采用第三人称视角可显著减少趋炎附势性。

Comments Accepted to Findings of EMNLP 2025

Journal ref Findings of the Association for Computational Linguistics: EMNLP 2025, pages 2239-2259

QD-MAPPER: A Quality Diversity Framework to Automatically Evaluate Multi-Agent Path Finding Algorithms in Diverse Maps

QD-MAPPER: 一种用于在多样化地图上自动评估多智能体路径寻找算法的质量多样性框架

Cheng Qian, Yulun Zhang, Varun Bhatt, Matthew Christopher Fontaine, Stefanos Nikolaidis, Jiaoyang Li

机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Southern California（南加州大学） 纠错

AI总结 QD-MAPPER是一种基于质量多样性算法的框架，用于在多样化地图上自动评估多智能体路径寻找算法的性能，通过生成多样化地图实现对不同算法的公平比较和性能分析。

Comments 14 pages, 23 figures

Scalable Mechanism Design for Multi-Agent Path Finding

可扩展的多智能体路径寻找机制设计

Paul Friedrich, Yulun Zhang, Michael Curry, Ludwig Dierks, Stephen McAleer, Jiaoyang Li, Tuomas Sandholm, Sven Seuken

机构 * ETH AI Center（瑞士联邦理工学院人工智能中心） ； University of Zurich（苏黎世大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Harvard University（哈佛大学） ； University of Illinois at Chicago（伊利诺伊大学香槟分校） ； Optimized Markets, Strategy Robot, Strategic Machine（优化市场、策略机器人、战略机器） 纠错

AI总结 本文提出三种可扩展的多智能体路径寻找机制设计方法，通过策略证明机制和近似算法提升路径规划的福利效果。

Comments 12 pages, 5 figures. IJCAI'24 camera-ready version