What Must Generalist Agents Remember?
通用型智能体必须记住什么？
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文形式化论证了通用型智能体为在多个环境和目标下近似最优行动，必须存储领域相关信息以区分观察瓶颈处的不兼容最优动作，并证明记忆可用于重构局部转移动态。
高校专区
Carnegie Mellon University（卡内基梅隆大学）
AI-Driven Assessment of Human Tutors: Linking Training Performance to Real-Life Practice
AI驱动的人类导师评估：将培训表现与实际教学实践联系起来
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Vanderbilt University（范德比大学）
AI总结 提出一种AI系统，利用生成式AI分析真实辅导转录，评估导师技能迁移，发现培训表现显著预测实际教学得分（效应量0.25 SD），并贡献开放数据集和评分标准。
Comments Full research paper accepted at EC-TEL 2026
Architectural Bias in Face Presentation Attack Detection: A Comparative Study of Vision Transformers and Convolutional Neural Networks
人脸呈现攻击检测中的架构偏差：视觉Transformer与卷积神经网络的比较研究
机构 * College of Engineering, Carnegie Mellon University（卡内基梅隆大学工程学院）
AI总结 通过比较ViT和CNN在人脸呈现攻击检测中的表现，发现预训练ViT（DeiT-S）在准确率、公平性和跨种族泛化上优于CNN，将种族间ACER差距降低83%。
Comments 8 Pages, 4 Figures, 5 Tables
Concept Modulation Models: A Unified Framework for Identifiability and Extrapolation
概念调制模型：可识别性与外推的统一框架
机构 * Department of Statistics and Data Science, Carnegie Mellon University（卡内基梅隆大学统计与数据科学系） ； Machine Learning Department, Carnegie Mellon University（卡内基梅隆大学机器学习系）
AI总结 提出概念调制模型（CMMs），通过属性势统一条件潜变量模型的可识别性与外推分析，将基于转移的可识别性提升至条件设置，并导出代数外推准则。
Recover, Discover, Plan: Learning Skills and Concepts from Robot Failures
恢复、发现、规划：从机器人失败中学习技能与概念
机构 * CMU（卡内基梅隆大学） ； Princeton（普林斯顿大学） ； AI2（艾伦人工智能研究所） ； MIT（麻省理工学院） ； Centaur AI ； Bosch Center for AI（博世人工智能中心）
AI总结 提出ReSYNC方法，通过技能学习与概念发现的交替过程，从失败恢复经验中逐步构建抽象谓词，实现全局失败避免和长期规划，性能提升超50%。
Comments 9 pages, 6 figures. Website: https://jaraxxus-me.github.io/ReSYNC/
Two-Phase Bilevel Search for the Moving-Target Traveling Salesman Problem with Moving Obstacles
带移动障碍物的移动目标旅行商问题的两阶段双层搜索
机构 * Texas A&M University（德克萨斯A&M大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 针对带移动障碍物的移动目标旅行商问题，提出混合整数锥规划公式和两阶段双层搜索算法，显著优于基线方法。
The Chandra-Gaia Catalog of Counterparts: Resolving ambiguous Gaia matches to X-ray sources in the Chandra Source Catalog using Machine Learning
钱德拉-盖亚对应体星表：利用机器学习解决钱德拉源星表中X射线源与盖亚源的多重匹配歧义
机构 * Center for Astrophysics Harvard \& Smithsonian, 60 Garden St, Cambridge MA 02138, USA ； Harvard John A. Paulson School of Engineering ； Universidad del Rosario, School of Engineering, Science ； The NSF AI Institute for Artificial Intelligence ； New York University, Courant Institute, 60 5th Avenue, New York NY, USA ； Carnegie Mellon University, 5000 Forbes Avenue, Pittsburgh, PA 15213 ； New College of Florida, 5800 Bayshore Road, Sarasota, FL 34243, USA ； Astrophysics Laboratory, 3251 Hanover St, Palo Alto, CA 94304, USA
AI总结 提出结合源属性（星等、颜色、距离）的机器学习框架，解决钱德拉源星表与盖亚源星表的交叉匹配歧义，为约11.3万个X射线源找到对应体，并识别约2万个假匹配。
Comments Accepted to The Astrophysical Journal. Website: https://www.samuelperezdi.com/chandragaia/
SpecAlign: Efficient Specification-Grounded Alignment of Large Language Models via Synthetic Data
SpecAlign: 通过合成数据实现高效的大语言模型规范对齐
机构 * University of Notre Dame（圣母大学） ； Carnegie Mellon University（卡内基梅隆大学） ； LMU Munich（慕尼黑大学） ； University of Southern California（南加州大学）
AI总结 提出规范对齐新范式，通过从规范文档合成数据（SpecAlign框架），结合结构化规则标注、可控规范实例化和多智能体对抗数据合成，生成细粒度偏好对，提升规则遵守度且不损害通用能力。
Comments 58 pages
WEAVER, Better, Faster, Longer: An Effective World Model for Robotic Manipulation
$\texttt{WEAVER}$：更好、更快、更长——一种有效的机器人操作世界模型
机构 * Mila - Québec AI Institute（Mila - 魁北克人工智能研究所） ； Université de Montréal（蒙特利尔大学） ； Carnegie Mellon University（卡内基梅隆大学） ； McGill University（麦吉尔大学）
AI总结 提出WEAVER世界模型架构，通过流匹配损失训练多视图潜在预测，同时实现高保真度、长程一致性和高效推理，在机器人操作任务中显著提升策略评估、改进和测试时规划性能。
