FAR: Failure-Aware Retry for Test-Time Recovery and Continual Policy Improvement
FAR: 面向测试时恢复与持续策略改进的失败感知重试
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出FAR框架，通过失败对比偏好适应和轻量动作扰动，使机器人从测试时失败中学习并自主恢复，结合成功轨迹持续改进策略，在仿真和真实任务中成功率分别提升17.6%和11.7%。
高校专区
Carnegie Mellon University（卡内基梅隆大学）
MoVA: Learning Asymmetric Dual Projections for Modular Long Video-Text Alignment
MoVA: 面向模块化长视频-文本对齐的非对称双投影学习
机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 针对视频-文本对比学习中时间错位和语义不对称问题，提出MoVA框架，通过非对称双投影（文本侧自适应选择帧感知子空间，视频侧解缠文本相关视觉概念）实现灵活对齐，在多个任务上超越现有方法。
Comments ECCV 2026
What's a Credit Worth? A Market Framework for Attribution-Aware Compensation in Generative Music
信用值多少钱？生成音乐中归因感知补偿的市场框架
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 针对生成式AI音乐训练中创作者补偿问题，提出基于数据归因评分的支付框架，考虑目录级归因和信噪比，分析福利最优合同形式，实验表明噪声归因降低福利。
ASPIRE: Agentic /Skills Discovery for Robotics
ASPIRE: 面向机器人的智能体技能发现
机构 * NVIDIA（英伟达） ； UMich（密歇根大学） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； UC Berkeley（加州大学伯克利分校） ； CMU（卡内基梅隆大学）
AI总结 提出ASPIRE系统，通过闭环执行、技能库积累和进化搜索，自主编写和优化机器人控制程序，在扰动、多机器人协作和长时域任务上显著超越现有方法，并实现零样本泛化与仿真到现实的技能迁移。
Comments 43 pages, 12 figures, 9 tables. Project page: https://research.nvidia.com/labs/gear/aspire/
Steal the Patch Size: Adversarially Manipulate Vision-Language Models
窃取补丁大小：对抗性操纵视觉-语言模型
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出一种黑盒模型窃取攻击，通过任务级侧信道推断视觉语言模型的补丁大小和预处理流程，并利用泄露信息实现预处理感知的迁移攻击和模型定向对抗操纵。
Journal ref ICML 2026
Self-conditioned Flow Map Language Models via Fixed-point Flows
自条件流映射语言模型通过不动点流
机构 * KAIST（韩国科学技术院） ； University of Amsterdam（阿姆斯特丹大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出不动点流框架，将自条件机制解释为不动点迭代，并设计二维流模型同时压缩迭代与流过程，实现少步生成，在OpenWebText上超越现有模型。
Beyond Perplexity: A Behavioral Evaluation Framework for Deployment-Memory Claims in LLM Test-Time Training
超越困惑度：面向LLM测试时训练中部署记忆声称的行为评估框架
机构 * Carnegie Mellon University（卡内基梅隆大学） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学）
AI总结 提出行为评估框架，通过证据阶梯和显式记忆基线校准LLM测试时训练的记忆声称，揭示代理指标与部署行为之间的差距。
Harnessing the Latent Space: From Steering Vectors to Model Calibrators for Control and Trust
利用潜在空间：从引导向量到模型校准器以实现控制与信任
机构 * Carnegie Mellon University, Language Technologies Institute（卡内基梅隆大学语言技术研究所）
AI总结 本文提出利用潜在空间中的引导向量控制语言模型行为，并开发基于潜在空间的模型校准器评估输出可信度，从而增强模型的可控性与可靠性。
Comments ACL 2026 (BigPicture Workshop)
