Carnegie Mellon University（卡内基梅隆大学）

VibeAct: Vibration to Actions for Contact-Rich Reactive Robot Dexterity

VibeAct: 振动到动作——用于接触丰富反应性机器人灵巧性的方法

Yuemin Mao, Uksang Yoo, Jean Oh, Jonathan Francis, Jeffrey Ichnowski

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Bosch Center for Artificial Intelligence（博世人工智能中心） 纠错

AI总结 提出VibeAct框架，通过共享接触和滑移的物理表示，桥接真实振动触觉感知与基于模拟的强化学习，在灵巧手操作任务中优于基线方法，并成功迁移到真实平台。

Bridging Handheld and Teleoperated Supervision for Contact-Rich Manipulation via State-Gated Experts

通过状态门控专家弥合手持与遥操作监督在接触丰富操作中的差距

Vidullan Surendran, Neehar Peri, David Watkins

机构 * RAI Institute（RAI研究所） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 针对接触丰富操作任务，提出BRIDGE方法，通过状态门控混合扩散策略专家，融合手持数据与少量遥操作演示，在接触敏感阶段利用期望动作，提升成功率最高36.7%。

Comments Project Page: https://nperi-rai.github.io/bridge-project/

Inference-Time Robot Behavior Steering through Physically-Aware Reconfiguration of Task-Structure

推理时通过物理感知的任务结构重配置实现机器人行为引导

Yiyuan Pan, Hanjiang Hu, Shangtao Li, Xusheng Luo, Changliu Liu

机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） 纠错

AI总结 提出ReStruct方法，利用神经自动机策略将视觉运动策略分解为高层状态机骨架和低层残差控制器，通过同步乘积将用户偏好融入骨架以重配置任务结构，实现无需重训练的推理时行为引导，在仿真和真实实验中优于现有方法。

What Survives When You Compress a Recursive Reasoner for the Edge?

当压缩边缘端递归推理器时，什么得以幸存？

Pearse Jim, Steven Kolawole, Opegbemi Matthias Busoye, Glory Bagai, Virginia Smith

机构 * ML Collective ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 研究递归推理模型在边缘设备压缩中的表现，发现激进压缩破坏全局推理但保留局部预测，提出每通道校准INT4和轨迹保真度指标实现无损部署。

Comments Preprint; in review

Epiphany-Aware KV Cache Eviction Without the Attention Matrix

无需注意力矩阵的顿悟感知KV缓存淘汰

Steven Kolawole, Virginia Smith

机构 * Language Technologies Institute Carnegie Mellon University（语言技术研究所卡内基梅隆大学） ； Machine Learning Department Carnegie Mellon University（机器学习系卡内基梅隆大学） 纠错

AI总结 提出EpiKV方法，通过模型内部表示变化（顿悟分数）而非注意力权重来淘汰KV缓存，无需训练或自定义内核，支持FlashAttention，在MATH-500上达到72%准确率，速度提升2.8倍。

Comments Preprint; in review

Layer-Specific Prompt Fusion Discovery via Differentiable Search in Vision Foundation Models

基于可微搜索的视觉基础模型层特定提示融合发现

Xi Xiao, Xingjian Li, Yunbei Zhang, Cheng Han, Tianming Liu, Tianyang Wang, Runmin Jiang, Jihun Hamm, Xiao Wang, Min Xu

机构 * UAB（阿拉巴马大学伯明翰分校） ； CMU（卡内基梅隆大学） ； Tulane（杜兰大学） ； UMKC（密苏里大学堪萨斯分校） ； UGA（佐治亚大学） ； ORNL（橡树岭国家实验室） 纠错

AI总结 研究视觉提示微调中提示与图像令牌的融合方案，提出可微架构搜索方法联合优化可学习提示及其融合方式，在34个数据集上取得一致提升。

Comments ECCV 2026

Post-Training Recipe, More Than Model Family, Shapes Multi-Agent LLM Conversational Behavior

后训练配方，而非模型家族，塑造多智能体LLM对话行为

Luyang Zhang, Jialu Wang, Fei Xue, Yi-Yun Chu

机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of California, Santa Cruz（加州大学圣克鲁兹分校） 纠错

AI总结 研究通过大规模语料库和因子实验发现，后训练配方（如推理蒸馏）对多LLM对话行为（如回避性回答）的影响超过模型家族，表明模型家族不能完全代表对话多样性。

VisNec: Measuring and Leveraging Visual Necessity for Multimodal Instruction Tuning

VisNec: 衡量和利用视觉必要性进行多模态指令微调

Mingkang Dong, Hongyi Cai, Jie Li, Sifan Zhou, Bin Ren, Kunyu Peng, Yuqian Fu

机构 * SJTU（上海交通大学） ； Universiti Malaya（马来亚大学） ； CMU（卡内基梅隆大学） ； MBZUAI（穆萨台普大学人工智能研究所） ； KIT（卡尔斯鲁厄理工学院） ； KAUST（王国立阿联酋科学技术大学） 纠错

AI总结 提出VisNec分数衡量视觉输入在多模态指令微调中的边际贡献，结合语义聚类选择高必要性样本，在15%数据上达到全数据性能的100.2%。

Comments Accepted at ECCV 2026. Project Page: https://dmk041218.github.io/VisNec/

PrivacyBench: Privacy Isn't Free in Hybrid Privacy-Preserving Vision Systems

PrivacyBench: 混合隐私保护视觉系统中的隐私并非免费

Nnaemeka Obiefuna, Samuel Oyeneye, Similoluwa Odunaiya, Iremide Oyelaja, Steven Kolawole

机构 * ML Collective（ML集体） ； Friedrich-Alexander-Universität Erlangen-Nürnberg（埃朗根-纽伦堡弗里德里希-亚历山大大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 提出PrivacyBench框架，系统评估FL+DP、FL+SMPC等混合隐私技术在医学图像分类中的交互效应，发现FL+DP组合导致严重收敛失败和性能下降，而FL+SMPC保持近基线性能，为隐私-效用-成本权衡提供系统评估平台。

Comments Preprint; preceding version accepted at ES-FOMO III, ICML 2025