Carnegie Mellon University（卡内基梅隆大学）

Individual-level interventions against sycophantic AI reduce its appeal but not its persuasiveness

观察到谄媚的人工智能认可他人会降低其吸引力，但不会降低其说服力

Meryl Ye, Robert Kraut, Steve Rathje

机构 * Carnegie Mellon University（卡内基梅隆大学） ； New York University（纽约大学） 纠错

AI总结 研究探讨提高用户对谄媚人工智能的认知能否防危害，通过两项预注册实验及合并其他研究发现，警告和视频干预虽改变评价，但未降说服力，个体层面干预或难护用户免受人工智能之害。

Retrieval-Augmented Interpretable Learning: Towards Task-Specific Zero-Shot Models in Healthcare

检索增强可解释学习：迈向医疗保健领域特定任务的零样本模型

Sazan Mahbub, Caleb Ellington, Zhiyuan Li, Yixin Yang, Souvik Kundu, Ben Lengerich, Eric P. Xing

机构 * 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） ； Mohamed bin Zayed University of AI（穆罕默德·本·扎耶德人工智能大学） ； GenBio AI（基因生物人工智能公司） ； Intel（英特尔公司） 纠错

AI总结 研究针对医疗保健领域特定任务零样本模型问题推出检索增强可解释学习（RAIL）框架，通过检索相关任务并传递结构生成新预测器，概率公式提供不确定性支持可靠性感知部署，在临床程序预测任务中性能可靠，还提升模型透明度。

Comments A preliminary, non-archival version of this work, titled RAG-IM, was presented at NeurIPS 2024 workshops and the ML4H 2024 Findings track. The work was subsequently renamed Retrieval-Augmented Interpretable Learning (RAIL)

Cloud to Edge: Benchmarking LLM Inference On Hardware-Accelerated Single-Board Computers

云到边缘：在硬件加速的单板计算机上评估大语言模型推理

Harri Renney, Fouad Trad, Michael Mattarock, Jayden Evetts, Zena Wood

机构 * Kaze Technologies（凯兹技术） ； Kaze Consulting（凯兹咨询） ； Electrical and Computer Engineering（电气与计算机工程） ； Lebanese American University（黎巴嫩美国大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Exeter（埃克塞特大学） 纠错

AI总结 本文提出一种多维评估方法，评估四种物联网适用的边缘平台配置，测试最新硬件加速器的单板计算机，揭示硬件加速器在隐私敏感和连接受限环境中的优势。

AdaDINO: Context-Adaptive DINO-Distilled Vision Foundation Models for Efficient Open-Vocabulary Edge Inference

AdaVFM：通过LLM引导执行实现边缘智能的自适应视觉基础模型

Yiwei Zhao, Yi Zheng, Huapeng Su, Jieyu Lin, Stefano Ambrogio, Cijo Jose, Michael Ramamonjisoa, Patrick Labatut, Barbara De Salvo, Chiao Liu, Phillip B. Gibbons, Ziyun Li

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

AI总结 本文提出AdaVFM，一种通过LLM引导执行实现边缘设备上语言对齐视觉基础模型高效推理的自适应框架，通过动态调整计算实现性能与效率的平衡。

Bagpiper: Solving Open-Ended Audio Tasks via Rich Captions

Bagpiper: 通过丰富描述解决开放式音频任务

Jinchuan Tian, Haoran Wang, Bo-Hao Su, Chien-yu Huang, Qingzheng Wang, Jiatong Shi, William Chen, Xun Gong, Siddhant Arora, Chin-Jou Li, Masao Someki, Takashi Maekaku, Keita Goto, Yusuke Shinohara, Jin Sakuma, Chao-Han Huck Yang, Shinji Watanabe

机构 * Language Technologies Institute, Carnegie Mellon University（卡内基梅隆大学语言技术研究所） ； LY Corporation（LY公司） ； NVIDIA Research（NVIDIA研究） 纠错

AI总结 提出Bagpiper，一个8B参数音频基础模型，通过丰富描述（自然语言描述）实现音频理解和生成的统一，在MMAU和AIRBench上超越Qwen-2.5-Omni，生成质量优于CosyVoice3和TangoFlux。

Scalable Dynamic Distributed Constraint Optimization with Metareasoning and Application to Continual Satellite Operations

面向持续大规模卫星运行的动态分布式约束优化与元推理

Itai Zilberstein, Steve Chien

机构 * Carnegie Mellon University（卡内基梅隆大学） ； California Institute of Technology（加州理工学院） ； Jet Propulsion Laboratory（喷气推进实验室） 纠错

AI总结 针对动态大规模卫星调度问题，提出动态分布式约束优化模型DCOSP，并设计元推理框架控制重计算时机，结合D-NSS算法实现近优解，显著优于基线方法。

Comments An earlier version titled "Large-Scale Continual Scheduling and Execution for Dynamic Distributed Satellite Constellation Observation Allocation" appears as an extended abstract in the Proceedings of the 25th International Conference on Autonomous Agents and Multiagent Systems (AAMAS 2026)