高校专区
人类的ALMANAC：用于智能体协作的动作级心智模型标注的人类协作数据集
机构 * Northeastern University（东北大学） ； University of Notre Dame（Notre Dame 大学） ； University of Waterloo（滑铁卢大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Adobe（Adobe公司） ； Microsoft Research Asia（微软亚洲研究院）
AI总结 为解决当前LLM智能体缺乏协作中心智模型能力的问题，构建了基于Map Task的ALMANAC数据集，包含2987个协作动作及其心智模型标注，并评估了六种LLM在预测人类行为和心智模型上的表现。
从批量基因表达数据中恢复因果关系的可能性
机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎德·本·泽伊德人工智能大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文通过形式化聚合下的一致性和推导充要条件，研究了从批量基因表达数据中恢复因果关系的可能性，并发现仅在线性聚合与仿射结构方程下可恢复，而实证数据偏离线性假设。
可扩展的推理时退火与代理似然估计器
机构 * CMU-Pitt PhD Program in Computational Biology Dept. of Computational & Systems Biology, University of Pittsburgh, Pittsburgh, PA 15260, USA（卡内基梅隆大学-匹兹堡联合博士项目 计算生物学部门 计算与系统生物学系，匹兹堡大学，匹兹堡，PA 15260，USA）
AI总结 提出可扩展推理时退火（SITA）方法，通过基于能量的模型实现快速代理似然，避免昂贵的散度计算，在丙氨酸二肽和三肽上取得最先进性能。
Comments 26 pages, 5 figures, submitted to JMLR 2026
FieldWorkArena：面向真实作业任务的代理AI基准测试
机构 * Fujitsu Limited（富士通株式会社） ； Fujitsu Research of America（富士通美国研究部） ； Carnegie Mellon University（卡内基梅隆大学） ； Master’s Student, The University of Tokyo（东京大学硕士研究生） ； Agent Research Collective（代理研究集体）
AI总结 本文提出FieldWorkArena，用于评估代理AI在真实制造业和零售环境中的性能，通过现场采集的数据和实地访谈设计任务，验证多模态大语言模型的评估可行性。
Comments 27 pages, 10 figures, 7 tables [ICPR 2026 Accepted] Changes from previous version: added supplemental material
模型知晓其捷径：部署时的捷径缓解
机构 * Ray and Stephanie Lane Computational Biology Department, School of Computer Science, Carnegie Mellon University（雷和斯蒂芬妮·兰德计算生物学系，计算机科学学院，卡内基梅隆大学）
AI总结 研究提出在部署时通过无监督梯度归因缓解预训练文本编码器的捷径学习，证明部署时的缓解在信息理论上受训练时缓解的限制，并在情感分类、毒性检测和自然语言推理中取得显著性能提升。
基于思维图的奖励进化：一种用于强化学习的双层语言模型框架
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Tokyo（东京大学）
AI总结 本文提出RE-GoT框架，结合LLM与VLM的图思维推理，通过任务分解和视觉反馈迭代优化奖励函数，实验表明在RoboGen和ManiSkill2任务中均优于现有方法。
Journal ref IEEE International Conference on Robotics and Automation (ICRA 2026)
CAD-Prompted SAM3: 用于工业物体的几何条件实例分割
机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
AI总结 本文提出基于CAD模型的SAM3分割框架，通过几何条件进行实例分割，解决工业环境中难以用语言或外观描述的对象问题。
解耦特征重要性
机构 * Department of Statistics and Actuarial Science, The University of Hong Kong, Hong Kong SAR, China（香港大学统计与精算科学系） ； Musketeers Foundation Institute of Data Science, The University of Hong Kong, Hong Kong SAR, China（香港大学数据科学穆斯克特基金会研究所） ； Department of Statistics and Data Science, Carnegie Mellon University, Pittsburgh, PA 15213, USA（卡内基梅隆大学统计与数据科学系） ； Computational Biology Department, Carnegie Mellon University, Pittsburgh, PA 15213, USA（卡内基梅隆大学计算生物学系） ； Machine Learning Department, Carnegie Mellon University, Pittsburgh, PA 15213, USA（卡内基梅隆大学机器学习系）
AI总结 本文提出解耦特征重要性（DFI），用于解释相关测量通道中的预测信号分配，通过独立潜在表示和熵最优传输几何计算特征重要性，实现稳定且可解释的归因。
Comments 29 main and 44 supplementary pages
LightTact: 一种用于变形无关接触感知的视觉-触觉指尖传感器
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Bosch Center for Artificial Intelligence (BCAI)（博世人工智能中心（BCAI））
AI总结 提出LightTact传感器，通过环境光阻断光学配置实现变形无关的接触检测，在无宏观变形下（如液体、超软材料）实现高对比度接触分割，并解锁轻接触机器人操作。
Comments Project website: https://linchangyi1.github.io/LightTact
大规模多语言联合分割与标注
机构 * University of Colorado Boulder（科罗拉多大学博尔德分校） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 针对现有神经标注模型缺乏形态边界预测导致可解释性差的问题，提出PolyGloss模型，通过联合分割与标注提升准确性和对齐度，并支持低秩适应快速迁移。
Comments 15 pages, 9 figures, accepted to ACL 2026 Long Papers
SPECTRA：通过分布化LLM推理揭示用户偏好的全频谱
机构 * Carnegie Mellon University（卡内基梅隆大学） ； TikTok Inc.（TikTok公司）
AI总结 提出SPECTRA方法，将微调后的LLM视为隐式概率模型，通过探测softmax层推断用户偏好的概率分布，有效恢复长尾偏好并提升公平性。
联邦大语言模型：当前进展与未来方向
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Duke University（杜克大学） ； University of California San Diego（加州大学圣地亚哥分校） ； The University of New South Wales（新南威尔士大学） ； Adobe Research（Adobe研究） ； University of Maryland College Park（马里兰大学学院公园分校） ； CSIRO’s Data61（澳大利亚联邦科学与工业研究组织Data61）
AI总结 本文综述联邦学习与大语言模型结合（FedLLM）的最新进展，重点分析联邦微调和联邦提示学习如何应对效率、个性化和安全挑战，并展望联邦预训练和联邦智能体等方向。
Comments Accepted by PAKDD 2026
一种统一评估指导的查询相关提示优化框架
机构 * School of Information Sciences, University of Illinois Urbana-Champaign（信息科学学院，伊利诺伊大学厄巴纳-香槟分校） ； College of Engineering, Carnegie Mellon University（工程学院，卡内基梅隆大学）
AI总结 提出一个基于性能导向的提示评估框架，并开发一个无需执行的评估器来预测多维质量分数，进而指导一个度量感知优化器以可解释的查询相关方式重写提示，在多个数据集和骨干模型上优于现有方法。
潜在世界模型如何理解部分可观测的安全约束？
机构 * UC San Diego（加州大学圣地亚哥分校） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 研究潜在世界模型在部分可观测安全约束下的故障模式，提出互信息度量和滚动预测度量来诊断估计间隙和预测间隙，并通过多模态监督和共形风险校准缓解问题，提高机器人操作安全性。
Comments 10 tables 5 figures
全频谱神经表示的多分辨率增强
机构 * Linac Coherent Light Source, SLAC National Accelerator Laboratory（直线相干光源，SLAC国家加速器实验室） ； Stanford Institute for Materials and Energy Sciences, Stanford University（斯坦福大学材料与能源科学研究所） ； Walker Department of Mechanical Engineering, The University of Texas at Austin（德克萨斯大学奥斯汀分校机械工程系） ； Department of Mathematics, University of California Davis（加州大学戴维斯分校数学系） ； Department of Physics, Carnegie Mellon University（卡内基梅隆大学物理系）
AI总结 提出WIEN-INR框架，通过分层增强网络在不同分辨率尺度上建模，提升小网络对多尺度结构和高频细节的表示能力，实现紧凑高保真表示。
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