高校专区
$λ$-可达性：面向人形机器人安全性的几何视界安全贝尔曼方程
机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； Mechanical Engineering, Carnegie Mellon University（卡内基梅隆大学机械工程系）
AI总结 提出$λ$-可达性方法，通过几何分布视界和随机吸收终端的随机多步估计，实现高维机器人系统的Hamilton-Jacobi安全性分析，显著提升安全边界分类和裕度估计。
论NLP中擦除伤害的定义
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Mila – Québec Artificial Intelligence Institute（魁北克人工智能研究所） ； McGill University（麦吉尔大学） ； Canada CIFAR AI Chair, Mila（加拿大CIFAR人工智能主席，Mila）
AI总结 针对NLP系统部署中擦除伤害概念模糊的问题，提出结构化定义，明确建立和测量擦除所需的必要组件，促进跨场景应用。
如何为一次性MoE专家剪枝评分：统一公式与选择原则
机构 * Zhejiang University（浙江大学） ； Westlake University（西湖大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出一次性MoE专家剪枝的统一公式，基于路由频率、门控权重和激活强度三个因素，推导出任务无关剪枝应使用基于激活的准则，任务特定剪枝可保留路由频率和门控信息，并据此提出两种新准则MAN和MSAN，在多个模型和基准上取得最优性能。
SAPS: 通过混合遥操作与预训练VLA的策略引导共享自主性
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出SAPS框架，在动作层面混合人类遥操作命令与预训练策略动作，无需重训练或辅助模型，通过动态余弦相似度仲裁策略提升任务成功率高达82%，并减少人工干预。
Comments 23 pages, 15 figures, 5 tables
Pepti-Agent: 一种用于肽设计与优化的人工智能代理
机构 * Biomedical Engineering, Carnegie Mellon University, Pittsburgh, PA 15213, USA（生物医学工程系，卡内基梅隆大学，匹兹堡，PA 15213，美国） ； Mechanical Engineering, Carnegie Mellon University, Pittsburgh, PA 15213, USA（机械工程系，卡内基梅隆大学，匹兹堡，PA 15213，美国）
AI总结 提出Pepti-Agent，一种基于模型上下文协议（MCP）的闭环肽设计框架，通过可独立检查的生成、预测和突变工具，结合大语言模型控制器和实时属性预测，实现多目标优化与可复现基准测试。
GeoStream：迈向精确相机控制的流式视频生成
机构 * CMU（卡内基梅隆大学） ； Northeastern University（东北大学） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； Rice University（莱斯大学） ； Snap Inc.（Snap公司） ； KAUST（阿卜杜拉国王科技大学）
AI总结 提出GeoStream框架，通过自刷新3D缓存和在线策略蒸馏，实现自回归流式视频生成中的精确度量级相机控制，解决了现有方法在视角移动时控制失效和分布偏移问题。
公平与效率：多语言大语言模型分词器的实证研究
机构 * National University of Singapore（新加坡国立大学） ； Carnegie Mellon University（卡内基梅隆大学） ； SAP
AI总结 本文系统比较了11种东南亚语言上的公平分词器，发现Parity-aware BPE在效率与公平的权衡中处于帕累托前沿，而Morphology-Driven Byte Encoding在语义推理上表现最佳。
通过视觉和触觉进行推理时策略引导
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出ViTaL框架，通过视觉采样验证和触觉引导扩散编辑的双层优化，在推理时引导机器人策略，显著提升接触丰富操作任务的成功率。
基于Lyapunov的弱耦合MDP样本复杂度分析
机构 * Department of Industrial and Systems Engineering, University of Wisconsin-Madison（威斯康星大学麦迪逊分校工业与系统工程系） ； Department of Computer Sciences, University of Wisconsin-Madison（威斯康星大学麦迪逊分校计算机科学系） ； Computer Science Department, Carnegie Mellon University（卡内基梅隆大学计算机科学系）
AI总结 针对平均奖励弱耦合MDP和Restless Bandits，提出基于Lyapunov的分析框架，实现样本和计算复杂度关于臂数N的多项式级界限，并给出首个有限样本PAC保证。
Comments Accepted for presentation at the Conference on Learning Theory (COLT) 2026
AgentBeats：面向开放性、标准化和可复现性的智能体评估代理化
机构 * University of California, Berkeley（加州大学伯克利分校） ； Purdue University（普渡大学） ； University of Ljubljana（卢布尔雅那大学） ； University of Washington（华盛顿大学） ； Oasis Labs ； University of Maryland（马里兰大学） ； IBM Research（IBM研究院） ； Mila ； McGill University（麦吉尔大学） ； ServiceNow Research（ServiceNow研究院） ； Carnegie Mellon University（卡内基梅隆大学） ； National Institute of Standards and Technology（美国国家标准与技术研究院） ； The Ohio State University（俄亥俄州立大学） ； University of Cambridge（剑桥大学） ； University of California, Santa Barbara（加州大学圣塔芭芭拉分校）
AI总结 提出代理化智能体评估（AAA）框架，通过标准化协议（A2A和MCP）统一评估接口，实现开放、可复现的多智能体评估，并基于AgentBeats系统通过大规模竞赛和案例研究验证其覆盖性、实用性和保真度。
M*: 一个模块化、可扩展的多模态模型服务系统
机构 * Stanford University（斯坦福大学） ； University of Washington（华盛顿大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出M*系统，通过将模型表示为数据流图并引入Walk Graph抽象，支持多模态复合模型的高效服务，在多个任务上降低延迟并提升吞吐量。
Comments The codebase is available at https://github.com/mstar-project/mstar
给AI带来头痛：针对计算机视觉应用的声学对抗攻击
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 研究利用低频声波（<20 kHz）引起相机物理振动，导致AI视觉模型（如YOLO11）误分类、漏检或产生幻觉，并分析了影响攻击效果的因素。
Comments 9 pages, 7 figures, SPIE Defense + Security
Journal ref Proc. SPIE 14046, Assurance and Security for AI-enabled Systems 2026, 1404609 (10 Jun 2026)
表征AI生成故事中的文化本地化
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出一种方法，通过识别区分国籍的词汇标记并移除后测量叙事相似性，检测AI生成故事中的模板化本地化，发现仅9-17%词汇解释国籍差异，且部分文化标记具有冒犯性。
Comments Accepted to the 4th Workshop on Cross-Cultural Considerations in NLP (C3NLP) Co-located with ACL 2026, San Diego, USA (non-archival)
OdysSim: 构建人类行为模拟的基础模型
机构 * Carnegie Mellon University, Language Technologies Institute（卡内基梅隆大学语言技术研究所）
AI总结 提出OdysSim，通过SOUL分类法统一62个数据集和23个基准任务，采用混合训练、任务特定强化学习和专家蒸馏，构建8B参数行为基础模型OSim，在多数任务上超越前沿模型，并实现更类人输出和零样本迁移。
Comments 34 pages. Code: https://github.com/sunnweiwei/OdysSim ; Models and data: https://huggingface.co/collections/cmu-lti/odyssim
RT-VLA：通过知识蒸馏实现实时视觉-语言-动作模型
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出RT-VLA，通过多级监督蒸馏将SimLingo模型的能力压缩至轻量学生模型，在保持竞争性能的同时将推理时间降低44.8倍（纯视觉模式）和7.9倍（视觉+语言模式），实现实时可解释的VLA自动驾驶。
隐于无形：使用DECOMPBENCH基准测试代理安全对抗分解攻击
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Simons Institute, UC Berkeley（Simons研究所，伯克利大学）
AI总结 提出DeCompBench基准，通过分解攻击将有害任务拆分为良性子任务，揭示现有代理安全机制在对抗分解攻击时的脆弱性。
DLawBench: 通过多轮法律咨询评估大语言模型
机构 * University of Pittsburgh（匹兹堡大学） ； Alibaba Group（阿里巴巴集团） ； University of Waterloo（滑铁卢大学） ； Shandong University（山东大学） ； Skylenage ； China University of Political Science and Law（中国政法大学） ； Qwen Team, Alibaba Group（阿里巴巴集团Qwen团队） ； Fordham University（福特汉姆大学） ； Shanghai Jiao Tong University（上海交通大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Tsinghua University（清华大学）
AI总结 提出DLawBench基准，通过模拟四种客户类型（合作、依赖、退缩、对抗）的多轮对话，评估大语言模型在真实法律咨询中的交互能力。
Comments 37 pages, 8 figures, 26 tables. Code and data: https://github.com/SKYLENAGE-AI/DLawBench
Crypto x AI, AI x Crypto: 综述
机构 * Initiative for CryptoCurrencies and Contracts (IC3)（加密货币与合同倡议（IC3）） ； Ava Labs（Ava实验室） ； Carnegie Mellon University（卡内基梅隆大学） ； Cornell Tech（康奈尔科技） ； Flashbots ； Offchain Labs（离链实验室） ； Ritual Labs（仪式实验室） ； Technion（技术学院） ； University of Bern（伯恩大学） ； Princeton University（普林斯顿大学） ； ETH Zurich（苏黎世联邦理工学院） ； Teleport（Teleport；Flashbots(X)） ； Flashbots(X)（特拉维夫大学） ； Tel Aviv University
AI总结 本综述系统梳理了AI与区块链（crypto）的交叉研究，总结了现有工作、关键发现、开放问题及行业误解，指出两者仍处于早期融合阶段。
低延迟口语对话的端点预测
机构 * Brno University of Technology（布拉格技术大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出端点预测方法，通过提前预测对话结束信号实现低延迟，在部分上下文中投机执行LLM和TTS流水线，平均延迟降低505毫秒。
Comments Accepted at Interspeech 2026
Mana: 铰接工具的灵巧操作
机构 * UC Berkeley（加州大学伯克利分校） ； CMU（卡内基梅隆大学） ； Stanford University（斯坦福大学） ； Amazon FAR（亚马逊FAR）
AI总结 提出Mana框架，将灵巧操作重解释为动画问题，通过粗到细的流水线自动生成操作轨迹，实现铰接工具的零样本仿真到现实迁移。
Comments Project Page: https://zhaohengyin.github.io/mana
模态强制实现可扩展的空间生成
机构 * Carnegie Mellon University（卡内基梅隆大学） ； World Labs
AI总结 提出Modality Forcing方法，通过为每个模态分配独立噪声水平，实现单DiT的联合图像-深度生成，利用稀疏深度数据训练，继承T2I预训练的可扩展性，在深度估计上取得竞争性能。
NetCause：大规模网络中根因分析的反事实学习
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Max Planck Institute for Informatics（马克斯·普朗克信息研究所） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 提出NetCause框架，将网络事件建模为图时间过程，通过反事实模拟排序候选根因，在31个专家标注事件上准确率提升16.1%。
Comments 9 pages, 6 figures
基于LLM并行文本生成的低延迟实时音频游戏解说系统
机构 * The University of Tokyo（东京大学） ； National Institute of Advanced Industrial Science and Technology（产业技术综合研究所） ； Technical University of Munich（慕尼黑工业大学） ； Keio University（庆应义塾大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Nara Women’s University（奈良女子大学）
AI总结 提出一种并行文本生成与语音播放的低延迟实时游戏解说系统，将平均句间静默从9.6秒降至0.3秒，显著提升解说节奏。
Comments Accepted at IJCAI-ECAI 2026 (Demonstrations Track)
本体感觉-视觉对应使能人形机器人的自我-他人区分
机构 * Eastern Institute of Technology, Ningbo（宁波东方理工大学） ； Shanghai Jiao Tong University（上海交通大学） ； Peking University（北京大学） ； Carnegie Mellon University（卡内基梅隆大学） ； East China Normal University（华东师范大学） ； Ningbo Institute of Digital Twin（宁波数字孪生研究院）
AI总结 提出通过本体感觉与视觉的对应学习自我-他人区分，无需身份标签或运动学模型，并建立预测性自我模型，支持目标到达、碰撞感知运动规划和运动重定向。
Comments 23 pages, 9 figures, 1 supplementary table
学习对你的VLA说什么：基本无害的视觉语言动作模型引导
机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
AI总结 提出一个框架，通过交互式搜索语言序列改进闭环VLA任务性能，并学习一个改进头预测何时语言引导能提升性能，同时通过共形化防止有害干预。
Comments 22 pages, 14 tables, 14 figures
LUCID：从非结构化人类视频学习与具身无关的意图模型以实现可扩展的灵巧机器人技能获取
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出LUCID两阶段框架，从互联网规模的非结构化人类视频学习任务意图，并在大规模并行仿真中学习机器人控制，实现零样本迁移到不同具身和场景。
CS-YODAS：一个挖掘自真实环境的代码转换语音数据集
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Sheffield（谢菲尔德大学） ； Brno University of Technology（布尔诺理工大学） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； Kyoto University（京都大学）
AI总结 本文提出CS-YODAS数据集，通过可扩展的人机协同流程从多语言YouTube数据中挖掘真实代码转换语音，涵盖7种基质语言共313小时，并分析其分布特征与语言对切换模式。
AI编码智能体能够复现社会科学研究结果
机构 * University of Oxford（牛津大学） ； University of Zurich（苏黎世大学） ； Carnegie Mellon University（卡内基梅隆大学） ； New York University（纽约大学）
AI总结 本研究构建SocSci-Repro-Bench基准测试，评估Claude Code和Codex两个前沿编码智能体在221项社会科学任务中的复现能力，发现它们能复现大部分结果，且Claude Code表现更优，同时提示框架会影响确认性规范搜索。
HiPi: 用于机器人操作的可复现高保真压阻传感器
机构 * Carnegie Mellon University（卡内基梅隆大学） ； General Motors（通用汽车）
AI总结 提出HiPi系统，通过低串扰读出原理和可复现硬件设计，在双机械臂四阵列2048触觉点场景下实现220Hz读出，将接触几何IoU从0.428提升至0.797。
每个行为都有代价：前沿大语言模型中的压缩道德组合
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Michigan（密歇根大学） ； Carnegie Mellon University（卡内基梅隆大学） ； The University of Tokyo（东京大学）
AI总结 针对现有道德基准仅评估孤立行为偏好的不足，提出Moral Trolley Arena两阶段盲ELO基准，通过校准个体道德行为并组合为双行为项，发现前沿LLM的道德判断呈压缩而非简单加性关系。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈