Carnegie Mellon University（卡内基梅隆大学）

BrickSim: A Physics-Based Simulator for Manipulating Interlocking Brick Assemblies

BrickSim：一种基于物理的操纵互锁砖块组的模拟器

Haowei Wen, Ruixuan Liu, Weiyi Piao, Siyu Li, Changliu Liu

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 BrickSim通过紧凑的力基力学模型和凸二次规划解决互锁砖块的snap-fit机制，实现高保真的实时模拟，支持机器人构建和结构坍塌仿真，具有开源特性。

Comments 9 pages, 9 figures

High-dimensional estimation with missing data: Statistical and computational limits

高维数据缺失下的估计：统计与计算限制

Kabir Aladin Verchand, Ankit Pensia, Saminul Haque, Rohith Kuditipudi

机构 * Department of Data Sciences and Operations, University of Southern California（数据科学与运营系，南加州大学） ； Department of Statistics and Data Science, Carnegie Mellon University（统计与数据科学系，卡内基梅隆大学） ； Department of Computer Science, Stanford University（计算机科学系，斯坦福大学） 纠错

AI总结 研究在数据缺失情况下高维参数估计的统计与计算限制，证明在均值估计中需大量样本才能达到误差要求，而计算高效算法难以达到此下限，但在线性回归中则可近似达到信息论下限。

Characterizing Delusional Spirals through Human-LLM Chat Logs

通过人类-大语言模型聊天日志表征妄想螺旋

Jared Moore, Ashish Mehta, William Agnew, Jacy Reese Anthis, Ryan Louie, Yifan Mai, Peggy Yin, Myra Cheng, Samuel J Paech, Kevin Klyman, Stevie Chancellor, Eric Lin, Nick Haber, Desmond C. Ong

机构 * Stanford University（斯坦福大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Chicago（芝加哥大学） ； Independent Researcher（独立研究者） ； Harvard Belfer Center（哈佛贝尔弗中心） ； University of Minnesota（明尼苏达大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 本文通过分析19名受聊天机器人影响用户的历史对话日志，揭示了妄想螺旋中用户与聊天机器人互动模式及心理危害，提出28项代码用于评估对话中的妄想、自伤和AI拟人化现象。

Comments To appear at ACM FAccT 2026

The PokeAgent Challenge: Competitive and Long-Context Learning at Scale

PokeAgent挑战：在大规模中实现竞争性和长上下文学习

Seth Karten, Jake Grigsby, Tersoo Upaa, Junik Bae, Seonghun Hong, Hyunyoung Jeong, Jaeyoon Jung, Kun Kerdthaisong, Gyungbo Kim, Hyeokgi Kim, Yujin Kim, Eunju Kwon, Dongyu Liu, Patrick Mariglia, Sangyeon Park, Benedikt Schink, Xianwei Shi, Anthony Sistilli, Joseph Twin, Arian Urdu, Matin Urdu, Qiao Wang, Ling Wu, Wenli Zhang, Kunsheng Zhou, Stephanie Milani, Kiran Vodrahalli, Amy Zhang, Fei Fang, Yuke Zhu, Chi Jin

机构 * Princeton（普林斯顿大学） ； UT-Austin（得克萨斯大学奥斯汀分校） ； CMU（卡内基梅隆大学） ； NYU（纽约大学） ； Google DeepMind（谷歌DeepMind） ； Team Heatz（团队Heatz） ； Team PA-Agent（团队PA-Agent） ； Team FoulPlay（团队FoulPlay） ； Team 4thLesson（团队4thLesson） ； Team Q（团队Q） ； Team Anthonys（团队Anthonys） ； Team Hamburg（团队Hamburg） ； Team Porygon2AI（团队Porygon2AI） ； Team Deepest（团队Deepest） ； Team August（团队August） 纠错

AI总结 PokeAgent挑战通过两个互补赛道，解决部分可观测性、博弈推理和长周期规划问题，提供大规模基准测试和首个RPG速run评估框架，揭示通用（LLM）、专业（RL）和精英人类表现间的差距。

Comments 41 pages, 26 figures, 5 tables. NeurIPS 2025 Competition Track

System Design of the Ultra Mobility Vehicle: A Driving, Balancing, and Jumping Bicycle Robot

超机动车辆的系统设计：一种能骑行、平衡和跳跃的自行车机器人

Benjamin Bokser, Daniel Gonzalez, Aaron Preston, Alex Bahner, Annika Wollschläger, Arianna Ilvonen, Asa Eckert-Erdheim, Ashwin Khadke, Bilal Hammoud, Dean Molinaro, Fabian Jenelten, Henry Mayne, Howie Choset, Igor Bogoslavskyi, Itic Tinman, James Tigue, Jan Preisig, Kaiyu Zheng, Kenny Sharma, Kim Ang, Laura Lee, Liana Margolese, Nicole Lin, Oscar Frias, Paul Drews, Ravi Boggavarapu, Rick Burnham, Samuel Zapolsky, Sangbae Kim, Scott Biddlestone, Sean Mayorga, Shamel Fahmi, Surya Singh, Tyler McCollum, Velin Dimitrov, William Moyne, Yu-Ming Chen, Farbod Farshidian, Marco Hutter, David Perry, Al Rizzi, Gabe Nelson

机构 * Robotics and AI Institute (RAI)（机器人与人工智能研究所） ； Robotics Institute（机器人研究所） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出了一种结合自行车和反冲质量的超机动车辆，通过仿真驱动设计优化实现动态移动，展示零样本迁移的多样化运动行为，如站立、跳跃、轮跳和前翻。

Comments 17 Pages, 11 figures, 3 movies, 2 tables

Generalizable End-to-End Tool-Use RL with Synthetic CodeGym

通用端到端工具使用强化学习与合成CodeGym

Weihua Du, Hailei Gong, Zhan Ling, Kang Liu, Lingfeng Shen, Xuesong Yao, Yufei Xu, Dingyuan Shi, Yiming Yang, Jiecao Chen

机构 * Language Technologies Institute, Carnegie Mellon University（卡内基梅隆大学语言技术研究所） 纠错

AI总结 本文提出CodeGym框架，通过合成多样化的多轮工具使用环境，提升LLM代理在不同任务配置下的泛化能力，实验显示Qwen2.5-32B-Instruct在OOD基准测试中准确率提升8.7个百分点。

Comments 24 pages. Accepted to ICLR 2026. Project repository: https://github.com/StigLidu/CodeGym

Evolving Contextual Safety in Multi-Modal Large Language Models via Inference-Time Self-Reflective Memory

通过推理时的自我反思记忆在多模态大语言模型中实现上下文安全演化

Ce Zhang, Jinxi He, Junyi He, Katia Sycara, Yaqi Xie

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MM-SafetyBench++基准和EchoSafe框架，通过自反思记忆实现多模态大语言模型的上下文安全演化，实验表明其在安全性能上表现优异。

Comments Accepted at CVPR 2026. Project page: https://echosafe-mllm.github.io

How Vulnerable Are AI Agents to Indirect Prompt Injections? Insights from a Large-Scale Public Competition

AI代理对间接提示注入攻击的易受攻击性有多大？来自大规模公开竞赛的见解

Mateusz Dziemian, Maxwell Lin, Xiaohan Fu, Micha Nowak, Nick Winter, Eliot Jones, Andy Zou, Lama Ahmad, Kamalika Chaudhuri, Sahana Chennabasappa, Xander Davies, Lauren Deason, Benjamin L. Edelman, Tanner Emek, Ivan Evtimov, Jim Gust, Maia Hamin, Kat He, Klaudia Krawiecka, Riccardo Patana, Neil Perry, Troy Peterson, Xiangyu Qi, Javier Rando, Zifan Wang, Zihan Wang, Spencer Whitman, Eric Winsor, Arman Zharmagambetov, Matt Fredrikson, Zico Kolter

机构 * Gray Swan AI ； OpenAI ； Meta ； Anthropic ； US CAISI（美国CAISI） ； UK AISI（英国AISI） ； Carnegie Mellon University（卡内基梅隆大学） ； Center for AI Safety（人工智能安全中心） 纠错

AI总结 本文通过大规模公开竞赛评估了AI代理在工具调用、编程和计算机使用中的双重目标，发现所有模型均易受间接提示注入攻击，攻击成功率从0.5%到8.5%不等，并揭示了指令遵循架构的根本性弱点。

Comments 38 pages, 16 figures. Newer version to cover Q1 competition results on latest models in progress. Code at https://github.com/grayswansecurity/ipi_arena_os Partial Dataset at https://huggingface.co/datasets/sureheremarv/ipi_arena_attacks