Stateful Online Monitoring Catches Distributed Agent Attacks
有状态在线监控捕获分布式智能体攻击
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 针对分布式智能体攻击中跨账户聚合的恶意行为难以被单上下文监控检测的问题，提出一种基于实时聚类的有状态在线监控方法，能够更早、更有效地捕获分布式攻击，同时保持低延迟。
高校专区
Carnegie Mellon University（卡内基梅隆大学）
PithTrain: A Compact and Agent-Native MoE Training System
PithTrain: 一个紧凑且面向智能体的MoE训练系统
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Xlue ； NVIDIA（英伟达）
AI总结 提出PithTrain，一个基于智能体原生设计原则的紧凑型MoE训练框架，通过引入ATE-Bench评估智能体任务效率，在保持生产框架吞吐量的同时，将智能体任务轮次和活跃GPU时间分别降低62%和64%。
BlueFin: Benchmarking LLM Agents on Financial Spreadsheets
BlueFin: 在金融电子表格上对LLM智能体进行基准测试
机构 * Longitude Labs Inc.（Longitude Labs公司） ； Cornell University（康奈尔大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出BlueFin基准，通过131个真实金融电子表格任务评估LLM智能体的合成、操作和理解能力，并验证了LM评判与人类专家的一致性。
Comments 26 pages
Exploiting Chordal Sparsity for Globally Optimal Estimation with Factor Graphs
利用弦稀疏性实现因子图的全局最优估计
机构 * College of Computing, Georgia Institute of Technology（佐治亚理工学院计算机学院） ； Robotics Institute, University of Toronto（多伦多大学机器人研究所） ； Department of Mechanical Engineering, Carnegie Mellon University（卡内基梅隆大学机械工程系）
AI总结 本文提出在GTSAM框架中自动构建凸半定规划松弛，并利用贝叶斯树分解加速求解，实现因子图的全局最优估计。
Journal ref ICRA 2026 WORKSHOP ON FRONTIERS OF OPTIMIZATION FOR ROBOTICS
Discovering a Zeta Map Algorithm on Dyck Paths via Mechanistic Interpretability
通过机制可解释性发现 Dyck 路径上的 Zeta 映射算法
机构 * Department of Mathematics, Temple University, Philadelphia, PA, USA（特拉华大学数学系） ； Institute for Computer-Aided Reasoning in Mathematics, Carnegie Mellon University, Pittsburgh, PA, USA（计算机辅助数学推理研究所，卡内基梅隆大学） ； Department of Mathematics, University of Connecticut, Storrs, CT, USA（康乃狄克大学数学系） ； Korea Institute for Advanced Study, Seoul 02455, Republic of Korea（韩国高等研究院）
AI总结 本文通过训练一个小型编码器-解码器 Transformer 模型来学习 Dyck 路径上的 zeta 映射，并利用机制可解释性工具分析其计算过程，从而发现并证明了一种新的显式组合算法——脚手架映射。
Progress in Formalizing Sphere Packing in Dimension 8
八维球堆积形式化进展
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of East Anglia（东安格利亚大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Warwick（沃里克大学） ； Imperial College London（伦敦帝国理工学院） ； Math, Inc（Math公司） ； École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
AI总结 本文介绍了使用Lean定理证明器形式化验证Viazovska在8维球堆积问题上的解，并讨论了与自动形式化模型Gauss的合作及剩余目标。
Comments 8 pages, title updated
AnySlot: Goal-Conditioned Vision-Language-Action Policies for Zero-Shot Slot-Level Placement
AnySlot: 用于零样本槽级放置的目标条件视觉-语言-动作策略
机构 * Stony Brook University（石溪大学） ； Carnegie Mellon University（卡内基梅隆大学） ； MBZUAI ； Peking University（北京大学）
AI总结 提出AnySlot框架，通过将语言指令转化为空间视觉目标，解耦高层槽选择与低层执行，实现零样本槽级精确放置。
World Action Verifier: Self-Improving World Models via Forward-Inverse Asymmetry
World Action Verifier: 通过前向-反向不对称性自我改进世界模型
机构 * Stanford University（斯坦福大学） ； UC San Diego（加州大学圣地亚哥分校） ； Carnegie Mellon University（卡内基梅隆大学） ； Google DeepMind（谷歌DeepMind） ； Harvard University（哈佛大学）
AI总结 提出World Action Verifier (WAV)框架，利用状态合理性和动作可达性的独立验证以及前向-反向不对称性，通过视频语料库的多样子目标生成器和稀疏逆模型实现循环一致性，从而在欠探索区域自我改进世界模型，在多个任务中样本效率提升2倍且下游策略性能提升22%以上。
Comments Project Website: https://world-action-verifier.github.io
SERA: Soft-Verified Efficient Repository Agents
SERA：软验证的高效仓库智能体
机构 * Allen Institute for AI（艾伦人工智能研究所） ； University of Washington（华盛顿大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Paul G. Allen School of Computer Science and Engineering（保罗·G·艾伦计算机科学与工程学院） ； Allen Institute of Artificial Intelligence（艾伦人工智能研究所） ； Machine Learning Department（机器学习系）
AI总结 提出SERA方法，通过软验证生成（SVG）高效训练编码智能体，使其快速适应私有代码库，在开源模型中取得领先性能且成本极低。
Comments 21 main pages, 6 pages appendix
Flow Equivariant World Models: Memory for Partially Observed Dynamic Environments
流等变世界模型：部分观测动态环境的记忆
机构 * Kempner Institute, Harvard University（哈佛大学 Kempner 研究所） ； ML, Carnegie Mellon University（卡内基梅隆大学 ML 研究所） ； SEAS, Harvard University（哈佛大学 SEAS 研究所）
AI总结 提出流等变世界建模框架，利用时间参数化对称性在潜在记忆中实现长时程稳定准确的动力学预测，解决部分观测问题。
Comments Accepted at ICML 2026
Beyond Hearing: Learning Task-Agnostic ExG Representations from Earphones via Physiology-Informed Tokenization
超越听觉：通过生理学启发的标记化从耳机学习任务无关的ExG表示
机构 * KAIST（韩国科学技术院） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Cambridge（剑桥大学） ； Shanghai Jiao Tong University（上海交通大学） ； Pennsylvania State University（宾夕法尼亚州立大学） ； UCLA（加州大学洛杉矶分校） ； Northwest University（北华大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Microsoft Research（微软研究院）
AI总结 提出一种基于耳机的生理学启发的多频带标记化方法（PiMT），通过无干扰的日常ExG数据采集和重建任务学习鲁棒表示，实现跨多种任务（包括五种人类感官）的通用ExG监测。
Comments Accepted to ICLR 2026
Learning General Causal Structures with Hidden Dynamic Process for Climate Analysis
学习具有隐藏动态过程的通用因果结构用于气候分析
机构 * Mohamed bin Zayed University of Artificial Intelligence, Abu Dhabi, UAE（穆罕默德·本·扎耶德人工智能大学） ； Carnegie Mellon University, Pittsburgh, PA, USA（卡内基梅隆大学） ； University of California San Diego, La Jolla, CA, USA（加州大学圣地亚哥分校） ； Johns Hopkins University, Baltimore, MD, USA（约翰·霍普金斯大学）
AI总结 提出统一框架CaDRe，联合发现观测变量间的因果关系和隐藏动态过程，在非参数设置下可识别，并在气候数据上验证了有效性和可解释性。
Comments Accepted by ICML 2026
Native Hierarchical and Compositional Representations with Subspace Embeddings
原生层次与组合表示：基于子空间嵌入
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出用线性子空间替代向量表示概念，通过子空间维度与包含关系自然建模层次与组合性，并引入可微软投影矩阵实现端到端训练，在层次推理和自然语言推理任务上达到最优性能。
Comments KDD 2026
