Carnegie Mellon University（卡内基梅隆大学）

AgentIR: Reasoning-Aware Retrieval for Deep Research Agents

AgentIR: 为深度研究代理设计的推理感知检索

Zijian Chen, Xueguang Ma, Shengyao Zhuang, Jimmy Lin, Akari Asai, Victor Zhong

机构 * University of Waterloo（滑铁卢大学） ； University of Queensland（昆士兰大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 AgentIR通过结合推理轨迹与查询的联合嵌入和数据合成方法，提升深度研究代理的检索性能，实现68%的准确率。

Foley-Flow: Coordinated Video-to-Audio Generation with Masked Audio-Visual Alignment and Dynamic Conditional Flows

Foley-Flow：基于掩码音频-视觉对齐和动态条件流的协调视频到音频生成

Shentong Mo, Yibing Song

机构 * CMU / MBZUAI DAMO Academy, Alibaba Group（卡内基梅隆大学 / MBZUAI 大学 DAMO 院，阿里巴巴集团） ； DAMO Academy, Alibaba Group（DAMO 院，阿里巴巴集团） ； Hupan Laboratory（虎盘实验室） 纠错

AI总结 FoleyFlow通过掩码建模和动态条件流实现视频到音频的协调生成，提升语义与节奏一致性。

Optimizing Locomotor Task Sets in Biological Joint Moment Estimation for Hip Exoskeleton Applications

在髋部外骨骼应用中优化生物关节力矩估计的运动任务集

Jimin An, Changseob Song, Eni Halilaj, Inseung Kang

机构 * Department of Mechanical Engineering, Carnegie Mellon University（机械工程系，卡内基梅隆大学） 纠错

AI总结 本文提出了一种优化运动任务集的方法，通过减少数据收集负担同时保持模型精度，提升髋部外骨骼应用中的关节力矩估计性能。

Comments 6 pages, 5 figures, 1 table

ShakyPrepend: A Multi-Group Learner with Improved Sample Complexity

ShakyPrepend：一种改进样本复杂度的多组学习器

Lujing Zhang, Daniel Hsu, Sivaraman Balakrishnan

机构 * Department of Statistics and Data Science（统计与数据科学系） ； Carnegie Mellon University（卡内基梅隆大学） ； Computer Science Department（计算机科学系） ； Data Science Institute（数据科学学院） ； Columbia University（哥伦比亚大学） ； Machine Learning Department（机器学习系） 纠错

AI总结 ShakyPrepend通过差分隐私启发的工具改进多组学习的样本复杂度，适应组结构和空间异质性，并提供现实应用指导。

Comments 29 pages, 10 figures, submitted to ICML2026

Shutdown Safety Valves for Advanced AI

为先进人工智能设计的断电安全阀

Vincent Conitzer

机构 * Foundations of Cooperative AI Lab（合作人工智能基础实验室） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出为先进人工智能设计断电安全阀，使其具备被关闭的目标，以应对AI不可关机的潜在风险。

Journal ref In Proceedings of the Second Conference of the International Association for Safe and Ethical Artificial Intelligence (IASEAI'26), Paris, France, 2026

Do Deployment Constraints Make LLMs Hallucinate Citations? An Empirical Study across Four Models and Five Prompting Regimes

部署约束是否使大语言模型产生引文幻觉？对四个模型和五个提示模式的实证研究

Chen Zhao, Yuan Tang, Yitian Qian

机构 * New York University（纽约大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Boston University（波士顿大学） 纠错

AI总结 本文通过实证研究探讨部署约束对大语言模型引文真实性的影响，发现不同提示模式下引文存在率差异显著，揭示了需在SE文献中进行事后验证的必要性。

Diffusion Controller: Framework, Algorithms and Parameterization

扩散控制器：框架、算法与参数化

Tong Yang, Moonkyung Ryu, Chih-Wei Hsu, Guy Tennenholtz, Yuejie Chi, Craig Boutilier, Bo Dai

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Google Research（谷歌研究） ； Yale University（耶鲁大学） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 DiffCon提出了一种基于控制论的框架，通过f-散度正则化策略梯度更新和KL散度保证的奖励加权回归目标，提升扩散模型的可控性和性能。

SysNav: Multi-Level Systematic Cooperation Enables Real-World, Cross-Embodiment Object Navigation

SysNav：多级系统性合作实现现实世界跨载体物体导航

Haokun Zhu, Zongtai Li, Zihan Liu, Kevin Guo, Zhengzhi Lin, Yuxin Cai, Guofei Chen, Chen Lv, Wenshan Wang, Jean Oh, Ji Zhang

机构 * Carnegie Mellon University（卡内基梅隆大学） ； New York University（纽约大学） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 SysNav通过多级系统性合作实现现实世界跨载体物体导航，提升复杂环境下的导航效率与成功率。

Dynamic Targeting of Satellite Observations Using Supplemental Geostationary Satellite Data and Hierarchical Planning

利用补充静止轨道卫星数据和分层规划实现卫星观测的动态瞄准

Akseli Kangaslahti, Itai Zilberstein, Alberto Candela, Steve Chien

机构 * Jet Propulsion Laboratory, California Institute of Technology, Pasadena, CA（喷气推进实验室，加州理工学院，帕萨迪纳，CA） ； Harvard University, Cambridge, MA（哈佛大学，剑桥，MA） ； Department of Computer Science, Carnegie Mellon University, Pittsburgh, PA（计算机科学系，卡内基梅隆大学，匹兹堡，PA） 纠错

AI总结 本文提出了一种利用静止轨道卫星数据和分层规划方法，提升动态瞄准任务中观测规划效率的解决方案，实验表明其在特定场景下性能提升达41%。

Comments Appears in the proceedings of the 2026 IEEE International Conference on Robotics and Automation

Roots Beneath the Cut: Uncovering the Risk of Concept Revival in Pruning-Based Unlearning for Diffusion Models

剪枝之下：揭示基于剪枝的去学习中概念复兴的风险

Ci Zhang, Zhaojun Ding, Chence Yang, Jun Liu, Xiaoming Zhai, Shaoyi Huang, Beiwen Li, Xiaolong Ma, Jin Lu, Geng Yuan

机构 * University of Georgia（佐治亚大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Northeastern University（东北大学） ； Stevens Institute of Technology（史蒂文斯理工学院） ； University of Arizona（亚利桑那大学） 纠错

AI总结 本文揭示基于剪枝的去学习中概念复兴的风险，提出攻击框架可无数据恢复被擦除概念，并探讨安全剪枝机制。

Comments Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2026

Evo: Autoregressive-Diffusion Large Language Models with Evolving Balance

Evo：具有进化平衡的自回归-扩散大语言模型

Junde Wu, Minhao Hu, Jiayuan Zhu, Yuyuan Liu, Tianyi Zhang, Kang Li, Jingkun Chen, Jiazhen Pan, Min Xu, Yueming Jin

机构 * University of Oxford（牛津大学） ； National University of Singapore（新加坡国立大学） ； Technical University of Munich（慕尼黑技术大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 Evo通过进化平衡机制，结合自回归和扩散模型，实现高效且高质量的语言生成。

How Professional Visual Artists are Negotiating Generative AI in the Workplace

专业视觉艺术家在工作场所中如何协商生成式AI

Harry H. Jiang, Jordan Taylor, William Agnew

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文研究了专业视觉艺术家在工作场所中对生成式AI的态度与应对策略，发现大多数艺术家反对使用生成式AI，并通过多种拒绝策略应对其影响。

CDE: Concept-Driven Exploration for Reinforcement Learning

CDE：基于概念的强化学习探索

Le Mao, Andrew H. Liu, Renos Zabounidis, Yanan Niu, Zachary Kingston, Joseph Campbell

机构 * Department of Electrical and Computer Engineering, Purdue University（电子工程系，普渡大学） ； Department of Computer Science, Purdue University（计算机科学系，普渡大学） ； Robotics Institute, Carnegie Mellon University（机器人研究所，卡内基梅隆大学） ； Department of Management of Technology, EPFL（技术管理系，瑞士联邦理工学院） 纠错

AI总结 CDE通过利用预训练视觉-语言模型生成任务相关的视觉概念，提升强化学习中视觉任务的探索效率和鲁棒性。

Comments Preprint