Can LLMs Build a MaxSAT Solver from Papers? The CoreForge Experience
大语言模型能否根据论文构建最大可满足性求解器？CoreForge 经验
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 该研究利用大语言模型从论文构建无权重 MaxSAT 求解器，采用结合论文讨论、代码实现及审核修订的迭代流程，评估特定配置，发现虽未现错误答案，但性能低于手工设计求解器，总结了相关经验教训。
高校专区
Carnegie Mellon University（卡内基梅隆大学）
Skeleton: Visual Authoring of Non-visual Data Experiences
Skeleton：非视觉数据体验的可视化创作
机构 * Carnegie Mellon University（卡内基梅隆大学） ； UC Santa Barbara（加州大学圣巴巴拉分校）
AI总结 研究非视觉数据体验可视化创作问题，提出Skeleton直接操作创作环境，含Inspector、Dimensions API等技术，经对8名从业者实地研究评估，其使导航结构可见，改变从业者可访问设计方式。
Comments 9 pages core, 2 pages acknowledgements + references, 4 pages appendices. Accepted at IEEE VIS 2026, to appear in November 2026
One-Shot Generative Design for Disordered Metamaterials via Self-Organizing Neural Cellular Automata
通过自组织神经细胞自动机实现无序超材料的一次性生成设计
机构 * Department of Mechanical Engineering, Carnegie Mellon University（机械工程系，卡内基梅隆大学）
AI总结 研究针对无序超材料设计难题，提出基于神经细胞自动机的生成设计框架，仅需单个训练模板，能生成多样微观结构并适应不同域，通过操纵局部规则实现特定性能控制，在多尺度机械隐身设计中验证了其有效性，为相关领域提供了新方法。
Learning Who to Treat When Treatment is Missing
当治疗数据缺失时学习治疗对象
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 研究在治疗数据缺失时的策略学习问题，通过扩展有效估计器到MAR和MCCAR数据下的策略值及CATE估计，经渐近效率分析和实验验证，证明MAR估计器更优，为从业者提供稳健策略学习工具。
Align AI to Dynamic Human-AI Workflows
将人工智能与动态人机工作流程对齐
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of California Irvine（加州大学欧文分校）
AI总结 研究现实世界中人类与人工智能交互的动态本质，主张从静态模拟对齐转向交互式互补对齐，通过对比现有对齐与轨迹级视图形式化差距，借鉴多学科见解指出挑战，最后概述开发与人类交互对齐的人工智能系统的研究议程。
Real-Time Detection of Charge Jumps in Superconducting Qubits with a Convolutional Neural Network
用卷积神经网络实时检测超导量子比特中的电荷跳跃
机构 * Department of Physics, Carnegie Mellon University, Pittsburgh, PA 15213, USA ； Quantum Division, Fermi National Accelerator Laboratory, Batavia, IL 60510, USA ； Department of Physics \& Astronomy, Northwestern University, Evanston, IL 60208, USA ； Fermi National Accelerator Laboratory, Batavia, IL 60510, USA
AI总结 研究超导量子比特中电荷跳跃检测问题，提出基于扩张因果卷积神经网络的在线探测器，经训练和量化后在特定平台达到低延迟，检测效率与离线算法匹配且无需超参数调整，推动电荷跳跃检测用于量子计算误差缓解等。
Scaling Evaluation-time Compute with Reasoning Models as Evaluators
通过推理模型作为评估器来提升评估时的计算能力
机构 * CMU（卡内基梅隆大学） ； UIUC（伊利诺伊大学） ； KAIST AI（韩国科学技术院人工智能研究所） ； NEC Laboratories Europe（日本 NEC 欧洲实验室） ； Ss.Cyril and Methodius University of Skopje（斯科普里塞尔吉尔和梅蒂乌斯大学）
AI总结 本文探讨了通过增加评估时的计算量来提升语言模型的评估能力，利用推理模型作为评估器，分别评估响应整体和每个步骤，从而提高评估效果。
Comments ACL 2026 Findings
Large language models can effectively convince people to believe conspiracies
大语言模型能够有效地说服人们相信阴谋论
机构 * Carnegie Mellon University（卡内基梅隆大学） ； York University（约克大学） ； Center for Research and Teaching in Economics（经济研究中心） ； MIT（麻省理工学院） ； Université de Montréal（蒙特利尔大学） ； Mila ； Cornell University（康奈尔大学） ； University of Regina（Regina大学）
AI总结 研究大语言模型能否有效说服人们相信阴谋论，通过四项实验发现其既能增加也能降低阴谋信念，反驳效果更佳，特定提示可降低支持阴谋论有效性，还存在信息分享上的真理不对称，有潜在技术方案减轻风险。
