高校专区
基于可负担性的四足机器人层级强化学习操控
机构 * Embry-Riddle Aeronautical University（埃姆布里-瑞德航空航天大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出三级层级强化学习框架，利用姿态和交互点可负担性引导导航与操控策略，在仿真和真实环境中实现自主物体操控。
Comments This paper is submitted to Wiley Journal of Field Robotics
谄媚式赞美：评估语言模型中的过度赞美
机构 * University of Cincinnati（辛辛那提大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Texas A&M University（德克萨斯大学）
AI总结 提出参数化框架衡量赞美是否过度，发现谄媚式赞美在社交和解释性领域远多于客观推理领域，且现有方法无法可靠测量。
Dash2Sim: 来自野外行车记录仪视频的闭环驾驶仿真
机构 * Carnegie Mellon University（卡内基梅隆大学） ； NEC Labs America（NEC美国实验室） ； MIT（麻省理工学院） ； UC San Diego（加州大学圣地亚哥分校）
AI总结 提出Dash2Sim框架，将单目行车记录仪视频转化为度量级、地理参考的4D驾驶日志，用于闭环仿真，并构建ROADWork4D基准数据集，验证了施工区场景对规划器的挑战。
KIT 提交至 IWSLT 2026 跨语言语音克隆任务
机构 * Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院） ； Carnegie Mellon University (CMU)（卡内基梅隆大学） ； KIT Campus Transfer (KCT)（KIT校区转移）
AI总结 针对跨语言语音克隆中的口音变化和领域词汇问题，基于FishAudio-S2-Pro多语言文本转语音模型，引入语言标签提示、强化学习微调和参考条件词汇匹配方法，提升可懂度和自然度。
Shield-Loco：基于预测性安全过滤的防护运动策略
机构 * Robert Bosch Center for Cyber Physical Systems（罗伯特·博世网络物理系统中心） ； Indian Institute of Science（印度科学研究院） ； Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所（MIRMI）） ； Technical University of Munich（慕尼黑技术大学） ； Department of Computer Science & Automation（计算机科学与自动化部门） ； Department of Mechanical Engineering（机械工程系） ； Carnegie Mellon University（卡内基梅隆大学） ； Institute for Advanced Study（高级研究 institute）
AI总结 提出一种预测性安全过滤器，通过全物理模型优化接触序列，减少四足机器人在密集杂乱环境中的安全违规，同时保持任务性能。
REMEDI：多标签临床疾病推断中的保留与遗忘评估基准
机构 * IIT Kharagpur（印度理工学院Kharagpur分校） ； Carnegie Mellon University（卡内基梅隆大学） ； L3S Research Center, Leibniz University Hannover（Leibniz汉诺威大学L3S研究中心）
AI总结 提出REMEDI基准，针对多标签临床疾病推断中的机器遗忘问题，利用MIMIC-III数据库评估现有方法在效用与遗忘性能间的权衡，并发现其不适用于多标签任务。
Comments Under review
mmPISA-bench：LLMs 在 43 种语言中的推理能力是否同样出色？
机构 * Independent Scholar（独立学者） ； School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机科学学院）
AI总结 提出 mmPISA-bench，一个基于 PISA 的多语言推理基准，包含 25 道选择题，官方翻译至 43 种语言，评估 LLMs 在不同语言、推理难度和翻译类型下的表现，发现现代 LLMs 在所有语言上推理有效，机器翻译不影响准确性，但部分语言成本更高且准确率更低。
复杂逻辑约束下长时域任务规划的神经符号学习
机构 * Spatial AI & Robotics (SAIR) Lab, University at Buffalo, NY 14260（空间人工智能与机器人实验室，布法罗大学，纽约州，14260） ； Robotics Institute, Carnegie Mellon University, PA 15213（机器人研究所，卡内基梅隆大学，宾夕法尼亚州，15213）
AI总结 提出基于命令学习的双层优化框架，通过神经评分器剪枝无关对象，并引入3R策略（修复、重启、回滚）稳定下层规划，在三个基准上实现失败率降低80.04%、规划时间减少57.14%。
JA-SIREN：通过频谱匹配实现正弦网络的确定性初始化
机构 * Department of Electrical and Computer Engineering, College of Engineering（电气与计算机工程系） ； The Robotics Institute, School of Computer Science（机器人研究所） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出JA-SIREN确定性初始化方案，利用离散正弦变换和Jacobi-Anger展开解析匹配网络初始频谱与目标信号，消除随机性，在Kodak数据集上PSNR达67.18 dB，比最佳基线提升21.30 dB。
重新将人类置于LLM个性化中心
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 研究LLM个性化在合成数据与人类数据上的性能差距，通过收集人类对话和判断揭示系统在属性提取、相关属性配对和个性化响应生成阶段的局限性，并引入轻量级训练干预以缩小差距。
立场：不要仅仅“在后期修复它”：AI科学必须研究训练动态
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Boston University（波士顿大学） ； Harvard University（哈佛大学） ； University of Oxford, Martian（牛津大学，火星） ； Max Planck Institute for Software Systems（马克斯·普朗克软件系统研究所）
AI总结 本文主张AI科学应超越事后分析，研究训练动态以预测、干预和设计模型行为，并指出当前在可解释性、公平性等领域的进展及开放问题。
Comments Accepted as an oral to the ICML: https://icml.cc/virtual/2026/poster/67142
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