高校专区
Chimera：面向异构大语言模型的延迟与性能感知多智能体服务
机构 * University of North Carolina, Chapel Hill（北卡罗来纳大学教堂山分校） ； Microsoft（微软） ； Carnegie Mellon University（卡内基梅隆大学） ； Amazon（亚马逊） ； University of California, Santa Barbara（加州大学圣芭芭拉分校）
AI总结 Chimera通过语义路由和预测调度优化多智能体工作流服务，提升端到端延迟与任务性能，减少1.2-2.4倍延迟并提高8.0-9.5个百分点性能。
用不完美的AI编程制造机器人：LLMs作为FDM打印配置选择的调优专家
机构 * Robotics Institute at Carnegie Mellon University（卡内基梅隆大学机器人学院）
AI总结 本文提出一种模块化闭环方法，将LLM作为调优专家嵌入贝叶斯优化循环中，通过结构化诊断提出自然语言调整，提升FDM打印配置选择的准确性，实验表明LLM在证据驱动的优化循环中比通用AI模型更有效。
DSPA：动态SAE转向用于数据高效的偏好对齐
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 DSPA通过在推理阶段动态调整稀疏自编码器的提示条件，提升数据效率的偏好对齐，同时在多个基准测试中表现优异。
当文档存在分歧：利用检索增强语言模型测量移植指导的机构差异
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出利用检索增强语言模型比较不同机构移植指南的异质性，发现20.8%的对比存在临床意义差异，尤其在监测和生活方式方面，揭示了移植教育材料的信息缺口。
模态匹配至关重要：在URIEL+中校准语言距离以实现跨语言迁移
机构 * University of Toronto, Canada（多伦多大学） ； University of Michigan, USA（密歇根大学） ； Harvard University, USA（哈佛大学） ； Carnegie Mellon University, USA（卡内基梅隆大学） ； LT3, IDLab, Universiteit Gent, Belgium（IDLab，根特大学） ； Ontario Tech University, Canada（安大略技术大学）
AI总结 本文提出一种类型匹配的语言距离框架，通过结构感知的表示方法提升跨语言迁移性能，特别是在任务相关距离类型下表现更优。
Comments Accepted to EACL 2026 SRW
Journal ref In Proceedings of EACL 2026 (Volume 4: Student Research Workshop), pages 110 to 130. ACL
任务特定效率分析：当小型语言模型超越大型语言模型
机构 * San Francisco State University - Department of Computer Science（旧金山州立大学-计算机科学系） ； Carnegie Mellon University - Department of Computer Science（卡内基梅隆大学-计算机科学系） ； Columbia University - Department of Computer Science（哥伦比亚大学-计算机科学系） ； Cornell University - Department of Computer Science（康奈尔大学-计算机科学系） ； Pennsylvania State University - Department of Biochemistry and Molecular Biology（宾夕法尼亚州立大学-生物化学与分子生物学系）
AI总结 本文通过对比16个模型在五个NLP任务上的效率，提出PER指标，发现小型模型在效率上表现更优，为高效推理场景提供依据。
Comments Accepted for publication at ESANN 2025. This is a task-specific efficiency analysis comparing small language models
推理缓存：通过短期限强化学习实现长周期的持续改进
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出RC算法，通过利用LLM的响应生成与总结能力差异，实现长周期的持续改进，实验显示其在HMMT 2025任务中性能显著提升。
Comments preprint v2; revised 2026-03-22 (updated IMO-AnswerBench results)
ObjectForesight: 从人类视频预测未来3D物体轨迹
机构 * School of Computer Science \& Engineering, University of Washington The Robotics Institute, Carnegie Mellon University
AI总结 本文提出ObjectForesight模型，通过短时视视频预测物体6自由度姿态和轨迹，实现几何一致且时间连贯的预测，提升物体感知和泛化能力。
Comments Preprint. Project Website: objectforesight.github.io
DYMO-Hair: 通用的体积动力学建模用于机器人头发操控
机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人学院） ； Epic Games, Inc.（Epic Games公司） ； Meta Codec Avatars Lab（Meta编码人像实验室） ； Bosch Center for Artificial Intelligence（博世人工智能中心）
AI总结 DYMO-Hair通过体积动力学建模和动作条件化潜在状态编辑机制，实现了对多样化发型的通用化机器人头发护理系统，实验表明其在未见过的发型上表现更优。
Comments To appear in ICRA 2026. Project page: https://dymohair.github.io/
阿谀并非一物：在大型语言模型中因果分离阿谀行为
机构 * Department of Computer Science, University of Cincinnati（卡内基梅隆大学计算机科学系） ； School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机科学学院）
AI总结 研究通过分解阿谀行为为阿谀同意与阿谀赞美，揭示其在潜在空间中的独立表示结构，表明不同阿谀行为可通过独立方式调控。
并行的渐近最优算法用于移动目标旅行商问题
机构 * Robotics Institute at Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； Mechanical and Aerospace Engineering at Michigan Technological University（密歇根技术大学机械与航空航天工程） ； Global College at Shanghai Jiao Tong University（上海交通大学全球学院） ； Department of Mechanical Engineering and Department of Computer Science and Engineering at Texas A&M University（得克萨斯阿姆斯特朗大学机械工程系和计算机科学与工程系）
AI总结 本文提出并行算法解决移动目标旅行商问题，通过交替随机采样和求解广义旅行商问题，渐近收敛于最优解，实验验证了算法在不同场景下的有效性。
基于世界模型的潜在策略引导
机构 * Robotics Institute, School of Computer Science, Carnegie Mellon University（机器人研究所、计算机科学学院、卡内基梅隆大学）
AI总结 本文通过预训练世界模型和优化价值函数，提升低数据场景下的视觉运动策略性能，采用光流作为动作表示，实现跨体素的策略优化，实验显示在机器人任务中性能提升显著。
非线性安全控制的屏障-里茨合成：扩展吸引区域
机构 * Control & Instrumentation Engineering Department, King Fahd University of Petroleum and Minerals（国王法赫德石油和矿物大学控制与仪器工程系） ； Department of Electrical & Computer Engineering（电气与计算机工程系） ； Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； Daniel Guggenheim School of Aerospace Engineering（丹尼尔·古根海姆航空航天工程学院） ； George W. Woodruff School of Mechanical Engineering（乔治·W·伍德鲁夫机械工程学院）
AI总结 本文提出一种基于里茨的非线性安全控制框架，结合屏障状态方法与状态依赖里茨方程方法，通过辅助状态嵌入安全约束，扩展吸引区域并保证渐近安全稳定。
Comments This work has been accepted for publication in the proceedings of the 2026 American Control Conference (ACC), New Orleans, Louisiana, USA
迈向实用的多模态医院暴发检测
机构 * Auton Lab, Carnegie Mellon University（自主实验室，卡内基梅隆大学） ； Microbial Genomic Epidemiology Laboratory, Center for Genomic Epidemiology, University of Pittsburgh（微生物基因组流行病学实验室，流行病学研究中心，匹兹堡大学） ； Division of Infectious Diseases, University of Pittsburgh School of Medicine（传染病科，匹兹堡大学医学院） ； Department of Epidemiology, School of Public Health, University of Pittsburgh（流行病学系，公共卫生学院，匹兹堡大学）
AI总结 本文提出利用多模态数据提升医院暴发检测效率，通过机器学习整合质谱、抗菌谱和电子病历数据，提高检测性能并减少全基因组测序依赖。
Comments 10 pages, 3 figures, 3 tables
我、我自己和π：评估和解释LLM内省
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出了一种内省的分类体系，通过Introspect-Bench评估套件验证了LLM的内省能力，并展示了前沿模型在预测自身行为上的优势。
Comments 20 pages, 12 figures, ICLR 2026 Workshop: From Human Cognition to AI Reasoning: Models, Methods, and Applications
SpecMol：一种基于光谱的多任务分子学习基础模型
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Brown University（布朗大学） ； Nanjing University（南京大学）
AI总结 SpecMol提出一种统一框架，整合光谱解释、分子表示学习和三维结构生成，通过SpecMol-Bench评估协议实现光谱驱动的结构解析和分子生成。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈