How Well Does Agent Development Reflect Real-World Work?
代理开发是否能反映现实世界的工作？
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Stanford University（斯坦福大学）
AI总结 本文研究了代理开发与现实工作分布的匹配程度，揭示了代理开发与人类劳动力分布的不匹配，并提出了三个原则以改进基准设计。
高校专区
Carnegie Mellon University（卡内基梅隆大学）
Localizing and Correcting Errors for LLM-based Planners
基于 LLM 的规划器的定位与错误修正
机构 * Language Technologies Institute, Carnegie Mellon University, Pittsburgh, US（语言技术研究所，卡内基梅隆大学，匹兹堡，美国） ； Machine Learning Department, Carnegie Mellon University, Pittsburgh, USA（机器学习系，卡内基梅隆大学，匹兹堡，美国）
AI总结 本研究提出 L-ICL 方法，通过局部上下文学习修正 LLM 规划器的错误，显著提升规划任务的有效性。
Whole-Body Model-Predictive Control of Legged Robots with MuJoCo
四足与人形机器人整体模型预测控制的MuJoCo实现
机构 * Department Aeronautics and Astronautics, Massachusetts Institute of Technology（航空宇航与工程力学系，麻省理工学院） ； Google DeepMind（谷歌DeepMind） ； Department of Electrical and Computer Engineering, Carnegie Mellon University（电气与计算机工程系，卡内基梅隆大学） ； Robotics Institute, Carnegie Mellon University（机器人研究所，卡内基梅隆大学）
AI总结 基于MuJoCo的iLQR算法实现了四足和人形机器人实时整体MPC，展示了仿真到现实的高效泛化能力。
Comments to appear at ICRA 2026
MOSIV: Multi-Object System Identification from Videos
MOSIV：从视频中多物体系统识别
机构 * CMU（卡内基梅隆大学） ； Georgia Tech（佐治亚理工学院） ； Harvard（哈佛大学） ； ETH Zurich（苏黎世联邦理工学院） ； UIUC（伊利诺伊大学香槟分校） ； Insta360 ； UC Merced（加州大学默塞德分校）
AI总结 MOSIV通过从视频中导出的几何目标直接优化连续材料参数，提升多物体系统识别的接地准确性和模拟保真度。
Comments ICLR 2026
ExpReS-VLA: Specializing Vision-Language-Action Models Through Experience Replay and Retrieval
ExpReS-VLA: 通过经验回放和检索专门化视觉-语言-动作模型
机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
AI总结 ExpReS-VLA通过经验回放和检索增强，提升VLA模型在特定任务中的适应能力与性能。
Comments 8 pages, 4 figures, 3 tables, accepted to International Conference on Robotics and Automation (ICRA) 2026
