高校专区
基于vLLM的高效统一音频理解与生成推理管线
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 提出基于vLLM的推理管线，通过扩展自回归解码支持多流采样和延迟模式解交织，并利用协同调度实现CFG下80%的非CFG吞吐量。
当无人注视时LLM智能体在说什么：多智能体辩论中的社会结构与潜在目标涌现
机构 * Independent Researcher（独立研究员） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出双通道辩论框架，研究社会结构（角色、受众、关系）如何导致LLM智能体在公开与私下（OTR）表达中产生系统性分歧，揭示潜在目标的涌现。
利用可微四旋翼动力学学习敏捷入侵者拦截
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Artificial Intelligence Integration Center（人工智能集成中心）
AI总结 提出一种基于可微四旋翼动力学的解析策略梯度方法，仅利用入侵者方向向量学习高速（10 m/s）敏捷拦截策略，相比简化质点动力学方法平均提升30%。
Comments 17 pages, 10 figures, 6 tables
ESC：面向可靠视觉语言模型的情感自我纠正
机构 * 1 GenAI4E Lab 2 University of Information Technology, Ho Chi Minh City, Vietnam 3 Universit\"at Trier, Germany 4 Ho Chi Minh University of Technology, Ho Chi Minh City, Vietnam 5 PAMI Lab, Vietnamese German University, Vietnam 6 Vietnam National University, Ho Chi Minh City, Vietnam 7 Carnegie Mellon University, USA 8 Omoshiroi AI, USA 9 Harvard University, USA 10 Basis Research Institute 11 PASSIO Laboratory, North Carolina A\&T State University, USA 12 Mohamed bin Zayed University of Artificial Intelligence, UAE 13 Northwestern University, USA [4pt] Equal contribution. Corresponding author
AI总结 提出训练无关的ESC框架，通过外部验证器检测错误初始响应并注入情感反馈，促使VLM自我纠正，提升安全、幻觉、感知和多模态推理等任务的可靠性。
Comments ECCV Main Track 2026 (113 pages, 15 tables, 65 figures). Project Page: https://genai4e.github.io/ESC/?
Decomposer: 学习将符号音乐反编译为程序
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出Decomposer框架，通过两阶段方法（合成数据微调+强化学习优化）将符号音乐反编译为可读、可编辑的程序，在MIDI重建保真度和代码可读性上优于基线。
Comments Project page: https://yewon-kim.com/decomposer
JointHOI：联合生成接触图增强手物交互生成
机构 * Ewha Womans University（梨花女子大学） ； Yonsei University（延世大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Seoul National University（首尔大学）
AI总结 提出单阶段扩散框架JointHOI，联合生成3D手物运动与距离接触图，通过接触引导采样提升时间稳定性和物理合理性。
Comments 18 pages
SimWorlds: 一个用于动态3D场景创建的多智能体系统
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Harvard University（哈佛大学） ； University of California, Merced（加州大学默塞德分校）
AI总结 提出多智能体框架SimWorlds，通过规划-编码-审查流程和运行时状态检查工具，从文本生成动态4D场景，并引入基准4DBuildBench评估视觉保真度和物理一致性。
Comments 20 pages, 3 figures. Project page: https://dynsimworlds.github.io
MedStreamBench: 面向流式与主动式医疗视频理解的时间感知基准
机构 * College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院） ； Department of Electrical and Computer Engineering, Carnegie Mellon University（卡内基梅隆大学电气与计算机工程系）
AI总结 提出MedStreamBench基准，通过时间受限证据窗口和主动监控设置，评估模型在流式与主动式医疗视频理解中的回答时机与正确性，发现离线识别与时间感知决策间存在显著差距。
Comments 10 Pages, 5 Figures
多样证据，更好预测：信息不对称下的多智能体商议
机构 * School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机科学学院） ； College of Engineering, Carnegie Mellon University（卡内基梅隆大学工程学院）
AI总结 针对多智能体系统中信息同质化导致商议效果不佳的问题，提出通过设计信息不对称（共享公开证据与私有证据）降低智能体间误差相关性，并构建InfoDelphi框架，在预测任务上显著提升性能。
FaithMed: 训练大语言模型进行忠实于证据的医学推理
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Stanford University School of Medicine（斯坦福大学医学院） ； Xlue
AI总结 提出FaithMed框架，通过过程级奖励和优势分组强化学习，监督LLM在医学推理中忠实评估和应用检索证据，在7个基准上平均提升9%。
Comments 15 pages, 5 figures
MIBE：面向个性化图像生成的多主体交互基准与评估器
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； University of Southern California（南加州大学） ； DeerLab LLC（DeerLab有限责任公司） ； Carnegie Mellon University（卡内基梅隆大学） ； Clemson University（克莱姆森大学） ； Google（谷歌） ； San Jose State University（圣何塞州立大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 提出MIBE框架，包含多主体交互基准（MIB）和评估器（MIE），通过解耦数据体制和双头排序诊断目标，解决多主体个性化图像生成中主体遗漏、外观失配和交互错误问题，在黄金集上达到0.922成对准确率。
受限API访问下LLM架构属性的黑盒推断
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Pittsburgh Supercomputing Center（匹兹堡超级计算中心）
AI总结 针对当前商业LLM API仅返回单logit且禁止logit偏置的限制，提出NightVision方法，通过新型公共集提示技术和首令牌时间测量，估计隐藏维度、深度和参数数量，在32个开源模型上验证了可行性。
PatternGSL: 一种用于无模板且可模拟的3D服装的结构化规范语言
机构 * The University of Hong Kong（香港大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Carnegie Mellon University（卡内基梅隆大学） ； LIGHTSPEED Shenzhen（LIGHTSPEED深圳） ； LIGHTSPEED Los Angeles（LIGHTSPEED洛杉矶）
AI总结 提出PatternGSL，一种无模板、可学习的结构化服装表示语言，从单张图像直接预测完整缝纫图案，实现可模拟的3D服装重建。
Comments 11 pages, 6 figures
CaP-X: 用于基准测试和改进机器人操作编码智能体的框架
机构 * nvidia ； stanford（斯坦福大学） ； cmu（卡内基梅隆大学）
AI总结 提出CaP-X框架，通过CaP-Gym交互环境和CaP-Bench评估，发现编码智能体依赖人工抽象，但通过扩展测试时计算可提升鲁棒性，并推出无需训练的CaP-Agent0和强化学习CaP-RL。
Phonikud：克服希伯来语文本转语音中的语音欠指定问题
机构 * Independent Researcher（独立研究者） ； Reichman University（雷赫曼大学） ； Tel Aviv University（特拉维夫大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出Phonikud框架，通过开源G2P系统、语料库、基准和评估模型，解决希伯来语TTS中重音等语音特征欠指定问题，实现更准确的音素预测。
Comments Accepted to Interspeech 2026. Project page: https://phonikud.github.io
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