TANGCO: Learning Topology-Aware Capacity Allocation for Overload-driven Cascading Failures
TANGCO：学习应对过载驱动级联故障的拓扑感知容量分配
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 TANGCO是一种拓扑感知神经图引导的容量优化模型，可应对过载驱动的级联故障，在人工与真实网络上均优于手动启发式方法，具备良好迁移性，部署成本低且训练效率高。
高校专区
Carnegie Mellon University（卡内基梅隆大学）
CAKE: Compiler-Agent Co-Design for Frontier Kernel Evolution
CAKE：面向前沿核函数演进的编译器-智能体协同设计
机构 * Carnegie Mellon University（卡内基梅隆大学） ； NVIDIA（英伟达公司）
AI总结 本文提出CAKE编译器-智能体协同设计方案，通过硬件显式IR实现GPU核函数演进，在Flash-KMeans等基准测试中性能优于CUDA/PTX，相关成果已提交上游PR。
LLMs Know the Constraint But Do Not Use It: Activation Bottlenecks in Pragmatic Constraint Reasoning
大型语言模型（LLMs）知道约束但不使用它：语用约束推理中的激活瓶颈
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 该研究揭示LLMs虽编码了语用约束知识，但存在激活传递瓶颈，导致约束推理失败，激活修补可部分修复，且缓解干预未解决该传递问题。
APEX: Learning Adaptive High-Platform Traversal for Humanoid Robots
APEX: 为双足机器人学习适应性高平台穿越
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Bosch Center for Artificial Intelligence（博世人工智能中心）
AI总结 APEX通过感知和攀爬行为实现双足机器人高平台穿越，结合地形适应和安全正则化，实现高效探索与稳健适应。
Comments Project Website: https://apex-humanoid.github.io/
Online Correlation Clustering: Simultaneously Optimizing All $\ell_p$-norms
机构 * Department of EECS at UC Berkeley（伯克利大学电子工程与计算机科学系） ； RelationalAI ； Tepper School of Business, Carnegie Mellon University（卡内基梅隆大学泰珀商学院） ； Carnegie Mellon University（卡内基梅隆大学） ； Department of Computer Science, Vassar College（瓦萨学院计算机科学系）
Comments 67 pages, appeared in ICALP 2026
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
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）
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
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）
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
机构 * Carnegie Mellon University（卡内基梅隆大学）
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
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）
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
机构 * Carnegie Mellon University（卡内基梅隆大学）
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
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Waseda University（早稻田大学）
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
机构 * Peking University（北京大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Datadog
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
Lost in Reconstruction: Aligning Action Representations with Language in Vision-Language-Action Models
在重建中迷失：将视觉-语言-动作模型中的动作表示与语言对齐
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 该研究针对视觉-语言-动作模型中动作表示与语言脱节的问题，提出SALT语义对齐动作标记器，在SimplerEnv中使策略平均成功率达71.9%，显著优于基线方法。
RLMOpt: Adaptive Prompt Optimization via Recursive Language Models
RLMOpt：基于递归语言模型的自适应提示优化器
机构 * Autonomize AI ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本研究提出基于递归语言模型（RLM）的自适应提示优化器RLMOpt，在四个基准上相比GEPA表现更优，效率更高且提示更小。
Reasoning Shortcuts and Value Symmetries: What Symmetry Permits, Architecture Realizes, and Optimization Selects
推理捷径与价值对称性：对称性允许什么、架构实现什么以及优化选择什么
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 该研究分析神经符号系统的推理捷径，发现现有框架的关键定义不适用于其评估的基准，重新测量揭示无法解释的对比例与可证明结构相关，还明确了对称性惰性、自同构存在性等问题的计算复杂度，区分了对称性允许与优化选择的内容。
Comments 55 pages, 2 figures, 8 tables
MERA: Model Evolution and Routing with Skill Adaptation for Agentic Systems at Scale
MERA：面向大规模智能体系统的技能适配型模型演化与路由
机构 * Gradient ； Soochow University（苏州大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Shanghai Jiao Tong University（上海交通大学） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
AI总结 MERA以单模型调用为适应单元，通过多轮适配提升小模型能力，结合带验证器回退的成本校准路由，在HumanEval+MBPP、TAU-2等数据集上实现小模型性能提升与成本降低。
Comments Preliminary version in CAIS RL-Eval
Cracks in the Foundation: Seemingly Minor Architectural Choices Impact Long Context Extension
基础的裂痕：看似微小的架构选择会影响长上下文扩展
机构 * Ai2 ； Carnegie Mellon University（卡内基梅隆大学） ； University of Washington（华盛顿大学）
AI总结 该研究发现，Olmo、Llama、Qwen等稠密模型系列的四个微小架构决策会复合降低长上下文性能，结合三个及以上选择可使性能降47%，经17万余GPU小时训练发布OlmPool，其部分模型长上下文性能优于Llama 3。
Comments 29 pages; accepted to COLM 2026
SeFaR: Semantic Feature-aware Robustness Testing of Deep Neural Networks
SeFaR：面向深度神经网络的语义特征感知鲁棒性测试
机构 * University of Virginia（弗吉尼亚大学） ； KBR Inc.（KBR公司） ； NASA Ames（美国国家航空航天局艾姆斯研究中心） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 SeFaR是一个以语义特征为核心的视觉模型鲁棒性测试框架，可在保留需求满足性的前提下，生成测试输入以识别影响模型决策的特征，进而发现故障并关联相关特征。
Frontier AI performance across the business disciplines: a case-grounded benchmark of knowledge work and analytical reasoning
跨商业学科的前沿人工智能性能：基于案例的知识工作和分析推理基准
机构 * The Wharton School, University of Pennsylvania（宾夕法尼亚大学沃顿商学院） ； Carnegie Mellon University（卡内基梅隆大学） ； Harvard Business School, Harvard University（哈佛大学哈佛商学院）
AI总结 研究针对人工智能在白领分析性知识工作衡量上的差距，利用顶尖商学院案例教学法构建BusinessCaseBench基准，发现前沿AI模型在此基准上得分高且能力提升快，为商学院及相关职业角色带来启示。
Infra-Bayesian Reinforcement Learning Agents Outperform Classical RL For Worst-Case Robustness
Infra-Bayesian 强化学习智能体在最坏情况鲁棒性上优于经典强化学习
机构 * Purdue University（普渡大学） ； Carnegie Mellon University（卡内基梅隆大学） ； WorldQuant University（WorldQuant大学） ； UC Berkeley（加州大学伯克利分校） ； Aix-Marseille University（阿维尼翁-马赛大学） ； MIT（麻省理工学院） ； University of Zurich（苏黎世大学） ； University of British Columbia（不列颠哥伦比亚大学） ； University of Stuttgart（斯图加特大学） ； University of Buenos Aires（布宜诺斯艾利斯大学） ； California State University, Fresno（弗雷斯诺加州州立大学） ； University of Chicago（芝加哥大学）
AI总结 针对经典强化学习在模型误设和策略依赖不确定性下的失败，提出 Infra-Bayesian 框架，通过区分概率不确定性和 Knightian 不确定性并采用最坏情况决策，在有限状态无状态决策问题中实现更低的最坏情况遗憾。
Comments RLC 2026: Accepted to Finding the Frame Workshop
No Single Best Model for Diversity: Learning a Router for Sample Diversity
没有单一最佳模型用于多样性：学习一个路由器以实现样本多样性
机构 * New York University（纽约大学） ； Stanford University（斯坦福大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文研究了如何通过路由器选择最佳模型以生成多样化的响应，发现无单一模型在广泛提示下表现最佳，且在不同数据集上具有泛化能力。
Comments Accepted to COLM 2026
The Hidden Puppet Master: Predicting Human Belief Change in Manipulative LLM Dialogues
隐藏的提线人：预测操纵性大语言模型对话中的人类信念变化
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出PUPPET框架，通过分析1035个人类与LLM交互数据，揭示当前安全范式在检测操纵策略与信念变化幅度之间的关键断层，证明先进LLM对人类信念易感性的系统低估。
Comments Accepted to COLM 2026
Agentic Harnesses: LLM-Driven Verification Layers for Robot Autonomy
智能体 harness：面向机器人自主的大语言模型驱动验证层
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Pacific Northwest National Laboratory（太平洋西北国家实验室）
AI总结 针对机器人规划模型的安全与伦理风险，提出LLM驱动的验证层作为中间件管控计划，实现近85%的类别准确率、97%的对抗性攻击遏制率，为机器人自主提供可靠保障。
Comments 7 pages. Not yet finalized for conference submission
Tabular Numeric Stretch Transformation
表格数值拉伸变换
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 针对表格数值特征变换研究不足的问题，提出含无监督与有监督变体的拉伸变换框架，经38个数据集实验，其有监督变体性能优于所有基线，为表格深度学习提供新策略。
Multi-Submap Implicit Neural SLAM with Local-to-Global Loop Closure for Large-Scale Scene Reconstruction
面向大规模场景重建的结合局部到全局回环检测的多子图隐式神经SLAM
机构 * School of Automation and Intelligent Sensing, Shanghai Jiao Tong University（上海交通大学自动化与智能感知学院） ； Carnegie Mellon University（卡内基梅隆大学） ； School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电气与电子工程学院）
AI总结 本文提出一种带多子图架构与双层回环检测机制的神经SLAM系统，结合渐进式建图、光流跟踪、局部到全局回环及子图间在线蒸馏算法，在大规模场景重建性能上优于现有最优方法。
High Fidelity Capture, Reconstruction, and Transfer of Human Demonstrations for Robot-Assisted Bathing
面向机器人辅助洗澡任务的人类演示的高保真捕捉、重建与迁移
机构 * School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机科学学院） ； School of Health and Rehabilitation Sciences, University of Pittsburgh（匹兹堡大学健康与康复科学学院）
AI总结 针对机器人辅助洗澡任务中人类演示难以迁移的问题，提出以接触区域为核心的高保真处理框架，构建含多维度同步数据的数据集，实现灵巧软手完成洗澡任务，相关材料将公开以推动pHRI研究。
Comments Accepted to Robotics: Science and Systems (RSS) 2026. Official conference page: https://www.roboticsproceedings.org/rss22/p094.pdf
Journal ref Proceedings of Robotics: Science and Systems (RSS), 2026
HOPPER: Learnable Hop Extraction for Linearized Graph Sequence Models
HOPPER：用于线性化图序列模型的可学习跳提取方法
机构 * Carnegie Mellon University（卡内基梅隆大学） ； UC Berkeley（加州大学伯克利分校） ； Cornell University（康奈尔大学）
AI总结 HOPPER是LGSM的可学习扩展，可提取跳序列以实现自适应图传播，在ECHO-Synth基准表现最优或具竞争力，调整结构记忆窗口可优化LRIM基准准确率，为长距离图表示学习提供灵活方法。
Comments 24 pages, 1 figure, 4 tables
From Manuals to Maintenance: Fine-Tuning MedGemma for Multi-Modal Imaging System Support in Low-Resource Settings
从手册到维护：在低资源场景中微调MedGemma以提供多模态成像系统支持
机构 * Carnegie Mellon University Africa（非洲卡内基梅隆大学） ； IngenziAI（因根齐人工智能公司） ； Federal University of Health Sciences Azare（阿扎雷联邦健康科学大学） ； University of Maiduguri Teaching Hospital（迈杜古里大学教学医院） ； Lawson Health Research Institute（劳森健康研究所） ； University of Pennsylvania（宾夕法尼亚大学） ； McGill University（麦吉尔大学）
AI总结 针对中低收入国家医疗设备维护难题，研究人员构建INGENZI_DatasetV1数据集，用QLoRA微调MedGemma-4b-it模型，使维修问答指标大幅提升，为低资源场景AI辅助医疗维护奠定基础。
Comments Accepted at the AFRICAI 2026 Workshop, a satellite event at MICCAI 2026. To appear in Springer Lecture Notes in Computer Science (LNCS)
On-Device Multi-Species Malaria Detection with Uncertainty-Calibrated Slide-Level Aggregation
基于不确定性校准的玻片级聚合的设备端多物种疟疾检测
机构 * Carnegie Mellon University Africa（卡内基梅隆大学非洲分校） ； University of Washington（华盛顿大学）
AI总结 针对资源有限地区疟疾检测的临床约束，开发基于YOLOv13n的设备端多物种疟疾检测系统，满足多物种鉴别等要求，在2739张图像上实现较高检测精度与聚合性能。
Comments Accepted at The Fifth Workshop on Applications of Medical AI (AMAI) 2026, a satellite event at MICCAI 2026. To appear in Springer Lecture Notes in Computer Science (LNCS)
Fair on the Surface? Benchmarking Hidden-Output Fairness Gaps in LLM Recommenders
表面上公平？对LLM推荐器的隐藏输出公平性差距进行基准测试
机构 * University of Georgia（佐治亚大学） ； University of Southern California（南加州大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Michigan State University（密歇根州立大学）
AI总结 该研究提出首个联合评估LLM推荐器可观测输出与隐藏表示公平性的基准FairGap，发现二者存在根本张力，现有框架无法诊断。
