Carnegie Mellon University（卡内基梅隆大学）

A Cascaded Unsupervised-Supervised NLP Pipeline for Detecting Accusatory Language in Public Procurement

一种用于检测公共采购中指控性语言的级联无监督-监督NLP流水线

Bryan Torres, Daniel Riofrío, José Vega-Sánchez, Nathaly Orozco, Carla Parra, Karen Rosero, Felipe Grijalva

机构 * Universidad San Francisco de Quito（基多圣弗朗西斯科大学） ； Universidad de Las Américas（美洲大学） ； Escuela Politécnica Nacional（国家理工学院） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 该研究针对公共采购中指控性语言检测问题，提出级联无监督-监督NLP流水线，结合Word2Vec、GMM和随机森林模型，可在类别不平衡下高效识别违规风险，提升采购透明度。

Group Alignment-Induced Sycophancy: A Two-Sided Evaluation of Steerable Pluralistic Alignment

群体对齐诱导的谄媚性：可引导的多元对齐的双向评估

Haokai Zhao, Yunze Xiao, Weihao Xuan, Flora Salim, Benjamin Tag, Aditya Joshi

机构 * University of New South Wales（新南威尔士大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Tokyo（东京大学） 纠错

AI总结 该研究提出GAS指标，评估3种方法、4个模型在13个人口统计群体上的对齐效果，发现群体对齐的观点收益和谄媚性变化存在群体异质性，建议采用双向多维度报告方式。

Comments 9 pages main text, 23 pages in total, under review

FLARE++: Low-rank attention with dynamic attention routing

FLARE++：带动态注意力路由的低秩注意力机制

Vedant Puri, Yongjie Jessica Zhang, Levent Burak Kara

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

AI总结 FLARE++是带动态注意力路由的低秩注意力架构，通过复用FLARE编码器生成输入条件查询，保留低秩分解与线性复杂度，在PDE代理基准平均提升24%，Long Range Arena平均准确率提升2.3点。

Mechanism Design for Generative Engines: From Exploitation toward Win-Win Outcomes

生成式引擎的机制设计：从利用到双赢结果

Chen Xu, Zitian Guo, Chenyan Xiong

机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of California, San Diego（加利福尼亚大学圣迭戈分校） 纠错

AI总结 针对生成式引擎引用竞争引发的引用战争问题，本文将供给方与平台互动建模为重复斯塔克尔伯格博弈，提出VCR机制，实验显示其防御效用优于基线且能实现双赢。

Adaptation of Generalist Robot Policies with Minimal Data

基于最少数据的通用机器人策略适配

Shreyas Kowshik, Sreyas Venkataraman, Leo Wang, Niharika Pant, Max Simchowitz, Aviral Kumar

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

AI总结 本文提出MiDAS算法，结合离线行为克隆与在线强化学习，实现机器人策略仅用1次演示即可完成任务适配，性能优于基线且能泛化，为机器人自主学习提供可行方案。

FACTR 2: Learning External Force Sensing for Commodity Robot Arms Improves Policy Learning

FACTR 2: 学习商用机器人手臂的外部力感知提升策略学习

Steven Oh, Jason Jingzhou Liu, Tony Tao, Philip Han, Kenneth Shaw, Satoshi Funabashi, Ruslan Salakhutdinov, Deepak Pathak

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Waseda University（早稻田大学） 纠错

AI总结 提出无需专用力传感器的数据驱动方法NEXT，可在1分钟内从10分钟自由运动数据中训练，实现与专用关节力矩传感器相当的估计，并结合FIRST采样策略提升策略学习性能。

Comments Website at https://jasonjzliu.com/factr2

Spend Less, Fit Better: Budget-Efficient Scaling Law Fitting via Active Experiment Selection

少花钱，多适配：通过主动实验选择实现预算高效的缩放定律拟合

Sijie Li, Shanda Li, Haowei Lin, Weiwei Sun, Ameet Talwalkar, Yiming Yang

机构 * Peking University（北京大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Datadog 纠错

AI总结 本文提出一种预算感知的序列实验设计方法，通过主动选择实验来提高缩放定律拟合的准确性，实验结果显示其在多种缩放定律任务中优于传统方法，仅用10%的预算即可达到全集拟合效果。

Comments COLM 2026