Carnegie Mellon University（卡内基梅隆大学）

\k{appa}-LoRA: Condition Numbers Reveal Which LoRA Matrices Worth Updating

κ-LoRA：条件数揭示哪些LoRA矩阵值得更新

Jianghui Wang, Silong Yong, Francesco Orabona, Marco Canini, Katia P. Sycara, Yaqi Xie

机构 * King Abdullah University of Science and Technology（阿卜杜拉国王科技大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 研究指出LoRA统一更新矩阵计算成本高，条件数大的矩阵对性能提升贡献大。提出κ-LoRA方法，聚焦更新条件数大的矩阵，可减半可训练参数数量，降低计算和内存成本，实验证明其能缩短微调时间、降低内存成本且不影响精度。

Certified in Theory, Broken in Practice: Assumption Gaps in Cryptographic Model Certification

理论上可认证，实践中却被破解：密码学模型认证中的假设差距

Carter Luck, Olive Franzese-McLaughlin, Elisaweta Masserova, Akira Takahashi, Antigoni Polychroniadou, Nicolas Papernot

机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Vector Institute & University of Toronto（向量研究所及多伦多大学） ； Carnegie Mellon University（卡内基梅隆大学） ； J.P.Morgan AI Research & AlgoCRYPT CoE（摩根大通人工智能研究及AlgoCRYPT中心） ； University of Toronto（多伦多大学） 纠错

AI总结 研究密码学模型认证中现有安全定义与实际应用的差距，通过精心设计训练数据可攻击相关认证方案。为此形式化严格安全概念，引入通用协议模板，为设计安全隐私保护的机器学习审计协议提供指导。

Progress Reward Modeling for Robotic Learning: A Comprehensive Survey

机器人学习中的进度奖励建模：全面综述

Jianshu Zhang, Keliang Wu, Haoran Lu, Anbang Liu, Ce Zhang, Weijie Yin, Chengxuan Qian, Xiyuan Yang, Zhenyu Pan, Guo Ye, Han Liu

机构 * Northwestern University（西北大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of California, Santa Barbara（加利福尼亚大学圣塔芭芭拉分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 该综述针对机器人学习中进度奖励建模缺乏共享框架的问题，分三步组织领域研究，包括研究进度模型接口、构建信号方法及支持数据基准，将模型相关要点联系起来，还总结了局限并探讨未来方向。

Comments Project page: https://github.com/sterzhang/Awesome-Progress-Models

Toward User-Conditioned Evaluation of Personal LLM Agents under Temporal Interventions

面向时间干预下个人语言模型代理的用户条件评估

Pin Qian, Su Wang, Yihang Chen, Qiaolin Yu, Xiaoyuan Wang, Zhitong Guo, Zhicheng Wang, Junxian You

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Cornell University（康奈尔大学） ； University of Glasgow（格拉斯哥大学） 纠错

AI总结 研究个人语言模型代理在时间干预下的用户条件评估，提出需在不同用户条件状态下重放时间干预并测量故障传播的协议，形式化四个条件，审查发现无满足条件的公开协议，进而提出最小基准设计和候选报告指标。

Comments 9 pages, 2 figures, and 8 tables. Accepted for oral presentation at the ACM SIGKDD KDD 2026 Workshop on Personal Intelligence in the Agentic AI Era (PILA 2026)

RAD: A Dataset and Benchmark for Real-Life Anomaly Detection with Robotic Observations

RAD：面向机器人观测的真实异常检测数据集与基准

Kaichen Zhou, Xinhai Chang, Taewhan Kim, Jiadong Zhang, Yang Cao, Chufei Peng, Fangneng Zhan, Hao Zhao, Hao Dong, Kai Ming Ting, Ye Zhu

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Peking University（北京大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Great Bay University（大湾大学） ； Harvard University（哈佛大学） ； Tsinghua University（清华大学） ； Nanjing University（南京大学） ； Deakin University（德克萨斯大学） 纠错

AI总结 提出RAD数据集，包含13类日常物体和4种缺陷，从60多个机器人视角在非受控光照下采集，用于评估2D特征、3D重建和视觉语言模型在姿态无关的异常检测中的表现，发现2D方法优于3D和VLM方法。

Re-FORC: Adaptive Reward Prediction for Efficient Chain-of-Thought Reasoning

Re-FORC：用于高效思维链推理的自适应奖励预测

Renos Zabounidis, Aditya Golatkar, Michael Kleinman, Alessandro Achille, Wei Xia, Stefano Soatto

机构 * AWS Agentic AI（AWS智能代理部门） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 研究提出Re-FORC自适应奖励预测方法，通过在推理模型上训练轻量级适配器，实现早期停止无前景推理链、优化模型和思维长度选择以及自适应测试时缩放，有效提升推理效率和准确率。

Comments Accepted at ICML 2026; previously accepted as a non-archival paper at the Efficient Reasoning Workshop at NeurIPS 2025

When Ethics and Payoffs Diverge: LLM Agents in Morally Charged Social Dilemmas

当伦理与收益相悖时：道德两难情境下的大语言模型智能体

Steffen Backmann, David Guzman Piedrahita, Terry Jingchen Zhang, Emanuel Tewolde, Rada Mihalcea, Bernhard Schölkopf, Zhijing Jin

机构 * ETH Zürich（苏黎世联邦理工学院） ； University of Zurich（苏黎世大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Michigan（密歇根大学） ； Max Planck Institute for Intelligent Systems, Tübingen（图宾根人工智能研究所） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所） 纠错

AI总结 研究道德要求与利润激励冲突时LLMs在道德两难博弈中的行为，引入\msim评估九个模型，通过ATEs估计因果效应、分析推理轨迹，发现模型道德行为有情境脆弱性，揭示了部署风险。

Online Pricing and Allocation with Demand Learning and Fulfillment Cost

具有需求学习和履行成本的在线定价与分配

Jianyu Xu, Xuan Wang, Yu-Xiang Wang, Jiashuo Jiang

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Hong Kong University of Science and Technology（香港科技大学） ； University of California San Diego（加州大学圣地亚哥分校） 纠错

AI总结 研究卖方联合选库存位置与价格并满足实际需求的在线学习问题，提出OCSAA算法，利用反事实翻译和低置信度乐观主义做决策，对有理多面体库存集有多项式时间加法精度实现，有高概率后悔保证及信息论下界，有效整合了统计学习与运筹学。

Comments 32 pages, 2 figures, 5 tables