高校专区
Chameleon的极限：探究大型语言模型中的人格崩溃与同质化
机构 * CMU（卡内基梅隆大学） ； UChicago（芝加哥大学） ； MIT（麻省理工学院） ； UTokyo（东京大学） ； RIKEN AIP（理化学研究所AIP分部） ； JHU（约翰霍普金斯大学）
AI总结 研究发现大型语言模型中存在人格崩溃现象，导致代理行为模式趋同。通过提出覆盖度、均匀度和复杂度指标，揭示模型在不同维度和领域的人格表现差异，并释放工具支持群体评估。
通过构造的互补性：一种李群方法用于求解带有线性互补性约束的二次规划
机构 * Robotics Institute, Carnegie Mellon University（机器人研究所，卡内基梅隆大学）
AI总结 本文提出利用李群结构解决带有线性互补性约束的二次规划问题，通过构造退化映射实现约束自洽，开发出开源求解器Marble，在多个基准问题中表现优异。
迈向公平且鲁棒的体积CT分类：通过KL正则化组分布鲁棒优化
机构 * Carnegie Mellon University Africa（卡内基梅隆大学非洲分校） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出通过KL正则化组分布鲁棒优化方法，解决多站点CT体积中二分类新冠和性别公平的肺部病理识别问题，提升模型鲁棒性和公平性。
Comments CVPR 2026 Medical Imaging & Healthcare Workshop
通过意图欺骗突破前沿基础模型
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出一种多轮欺骗方法，通过模拟良性意图和模型一致性，引导模型生成有害输出，并揭示了未被注意到的para-jailbreaking漏洞。
Comments Accepted at CVPR 2026 Findings Track
从非参数混合条件下的一般环境学习因果表示
机构 * 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）
AI总结 本文提出在非参数混合条件下，通过一般环境恢复潜在DAG及变量的方法，利用足够变化条件在第三阶导数上实现因果机制的充分恢复。
Comments Accepted to AISTATS 2025. This is a slightly revised version of the published paper
多源领域适应的通用表示方法
机构 * 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）
AI总结 本文提出一种通用领域适应框架，通过学习紧凑的潜在表示来捕捉分布偏移，解决转移哪些表示的问题，并通过理论分析建立可识别性保证。
Comments ICML 2025
WinkTPG: 一个多智能体路径寻找的执行框架，利用时间推理
机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
AI总结 本文提出WinkTPG框架，通过时间推理优化多智能体路径规划，生成可行的速度配置并提升解决方案质量，实验证明其在高保真物理模拟和真实机器人中的有效性。
多智能体安全中的架构问题
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Oxford Witt Lab, University of Oxford（牛津Witt实验室，牛津大学）
AI总结 本文研究多智能体系统设计决策对任务性能与攻击抵御之间的权衡，通过三个环境和13种架构配置，分析智能体角色、通信拓扑和内存三个关键设计选择的影响。
在混合专家调谐中保持长尾专家信息
机构 * Carnegie Mellon University（卡内基梅隆大学） ； MIT（麻省理工学院） ； UCSD（加州大学圣地亚哥分校） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出一种无需辅助损失的MoE SFT框架，通过偏置驱动稀疏化与始终活跃的门控凝结专家，有效保留长尾专家信息，实验显示在数学推理和常识问答基准上优于现有方法。
Comments 36 pages
共识陷阱：数据标注中主观性与‘真实真相’幻觉的剖析
机构 * University of Toronto Computer Science（多伦多大学计算机科学系） ； University of Toronto Engineering Science（多伦多大学工程科学系） ； Carnegie Mellon University School of Computer Science（卡内基梅隆大学计算机科学学院） ； Yale University American Studies（耶鲁大学美国研究系） ； University of Waterloo Computer Science（滑铁卢大学计算机科学系） ； Google Research（谷歌研究） ； University of Toronto（多伦多大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Yale University（耶鲁大学） ； University of Waterloo（滑铁卢大学）
AI总结 本文通过分析2020-2025年间七大赛事的346篇论文，揭示数据标注实践中‘共识陷阱’的机制，指出位置可读性失效与模型中介标注导致的锚定偏见，以及地理霸权对西方标准的强制性，呼吁将分歧视为高保真信号以构建文化胜任模型。
从行业和学术角度对比分析对抗机器学习：一种用户研究方法
机构 * Carnegie Mellon University（卡内基梅隆大学） ； King Abdulaziz University（国王阿卜杜勒阿齐兹大学）
AI总结 本文通过两项研究探讨行业人士和学生对对抗机器学习漏洞及教育策略的看法，发现CTF挑战能有效提升对AML威胁的兴趣，并强调整合安全教育的重要性。
无需图像编辑配对学习图像编辑模型
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Adobe Research（Adobe研究）
AI总结 本文提出无需配对数据的图像编辑模型训练方法，通过扩散模型解卷积和视觉语言模型反馈实现端到端优化，同时结合分布匹配损失提升视觉真实性。
Comments project page: https://nupurkmr9.github.io/npedit/ ICLR 2026
大语言模型真的能识别你的名字吗？
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Google Research（谷歌研究） ； Carnegie Mellon University（卡内基梅隆大学） ； Google Research, University of Massachusetts Amherst（谷歌研究，马萨诸塞大学阿默斯特分校） ； University of Maryland, College Park（马里兰大学学院市分校）
AI总结 本文研究大语言模型在短文本中处理模糊人名的可靠性问题，构建AmBench基准测试集，发现模型对模糊人名的识别率下降20-40%，揭示隐私保护中的公平性问题。
Comments ACM FAccT '26
提示中未言明的内容：理解并管理LLM提示中的不充分性
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Google DeepMind（谷歌DeepMind）
AI总结 本文探讨了LLM提示中的不充分性问题，指出默认推断的稳定性差且易退化，提出要求意识的提示优化机制和系统性的主动发现与监控流程以提升性能。
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