高校专区
假设约束的多智能体自动形式化渐近统计理论
机构 * Department of Biostatistics & Bioinformatics, Duke University（杜克大学生物统计与生物信息学系） ； Department of Mathematical Sciences, Carnegie Mellon University（卡内基梅隆大学数学科学系） ； Department of Biostatistics, Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院生物统计系）
AI总结 提出一种假设约束的多智能体Lean 4形式化流程，通过七个专业角色协调工作，实现渐近统计理论中参数和半参数模型的形式化，确保公理干净且忠实于原文。
在共享工作空间的人机协作中寻找协同效应
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 研究共享工作空间的人机团队协作，通过Collaborative Gym环境实验发现，缺乏协调结构时增加协作者会降低性能，而结合共享记忆和模拟人在环门控的脚手架可提升团队绩效。
Comments Accepted at ICML 2026 Workshop on Human-AI Co-Creativity
小型LLM：剪枝 vs. 从头训练
机构 * Princeton University（普林斯顿大学） ； New York University（纽约大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文通过六种剪枝方法在Llama-3.1-8B上比较剪枝与从头训练，发现有限预算下剪枝更优，预算充足时粗粒度剪枝可被超越。
Comments Our code is available at https://github.com/zlab-princeton/pruning-vs-scratch
少步全原子流图共折叠
机构 * Genesis Molecular AI ； Massachusetts Institute of Technology（麻省理工学院） ； Carnegie Mellon University（卡内基梅隆大学） ； Imperial College London（伦敦帝国学院） ； Mila
AI总结 提出DeCAF框架，将全原子共折叠扩散模型蒸馏为流图，仅需几步推理即可生成高质量样本，并通过奖励引导搜索提升采样质量。
进化物理信息时间融合用于换道意图预测
机构 * Tandon School of Engineering（工程学院） ； New York University（纽约大学） ； Khoury College of Computer Science（计算机科学学院） ； Northeastern University（东北大学） ； School of Business（商学院） ； Wake Forest University（威克森林大学） ； Independent Researcher（独立研究者） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Qualcomm CDMA Technologies（高通CDMA技术） ； University of Michigan（密歇根大学）
AI总结 提出一种进化物理信息时间融合框架，通过融合从传统交通信号导出的时间描述符和从原始轨迹序列学习的时间嵌入，实现三分类换道意图预测，在highD和exiD数据集上取得高F1分数。
迈向现实世界的MAPF进展：可扩展的多智能体现实测试床（SMART）
机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； Monash University（墨尔本大学）
AI总结 SMART通过物理引擎模拟和大规模智能体支持，解决MAPF算法在现实环境中的评估难题，提供真实场景下的高效测试平台。
CREG: 用于表征VLM空间推理归因中方向性结构的指南针关系证据图
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Columbia University（哥伦比亚大学）
AI总结 提出CREG框架，将令牌级归因转换为以参考为中心的指南针分布并测量方向对齐，揭示当前归因方法的方向性结构有限且常与图像布局混合，任务准确率提升不保证方向归因改善。
UMI-on-Air：面向无躯体感知的具身化视觉-运动策略的具身感知引导
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Stanford University（斯坦福大学）
AI总结 本文提出UMI-on-Air框架，通过手握夹具收集的多样化无约束人类示范训练通用视觉-运动策略，结合高阶UMI策略与低阶具身特定控制器，在推理时实现具身感知的轨迹自适应，提升在复杂环境中的执行效率与鲁棒性。
Comments Result videos can be found at umi-on-air.github.io
Journal ref 2026 IEEE International Conference on Robotics and Automation (ICRA)
TinyHistory: 通过两阶段上下文学习实现轻量级视频历史嵌入
机构 * Stanford University（斯坦福大学） ； MIT（麻省理工学院） ； Carnegie Mellon University（卡内基梅隆大学） ； HKUST（香港科技大学）
AI总结 本文提出TinyHistory，通过两阶段上下文学习实现轻量级视频历史嵌入，在有限计算和内存下实现与更重模型相当的一致性。
Comments Additional Results: https://lllyasviel.github.io/TinyHistory_gitpage/
通过先验映射协同进化训练扩散策略
机构 * Nanyang Technological University（南洋理工大学） ； National University of Singapore（国立新加坡大学） ； Carnegie Mellon University（卡内基梅隆大学） ； CFAR Agency for Science Technology and Research（科技研究局（CFAR）） ； IHPC Agency for Science Technology and Research（科技研究局（IHPC））
AI总结 提出GoRL框架，通过将策略优化限制在易处理的潜空间，同时用条件生成解码器合成动作，解耦优化与生成，实现稳定优化与表达力提升，在连续控制任务上显著超越基线。
Comments Ver 3 (Accepted as a conference paper by ICML 2026)
解耦语言模型中的几何、性能与训练
机构 * University of Southern California（南加州大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 系统研究Transformer权重几何（尤其是解嵌入矩阵有效秩）与下游性能的关系，发现有效秩主要反映训练超参数而非性能，不能可靠预测模型表现。
SURE: 使用轨迹优化的安全不确定性感知机器人-环境交互
机构 * Technical University of Munich (TUM)（慕尼黑技术大学） ； New York University (NYU)（纽约大学） ； Carnegie Mellon University (CMU)（卡内基梅隆大学）
AI总结 提出SURE框架，通过分支轨迹处理接触时间不确定性，在轨迹优化中实现鲁棒性，在推车杆平衡和机器人抓蛋任务中分别提升21.6%和40%的成功率。
通过自适应课程学习的高效强化微调
机构 * University of Southern California（南加州大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Mohamed Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
AI总结 提出AdaRFT方法，通过自适应课程学习动态调整训练问题难度，提升强化微调效率，在数学推理任务上训练时间减半。
Comments Published in Transactions on Machine Learning Research (TMLR). 30 pages, 8 figures, 7 tables
CLAR: 通过融合掩码重建与多层级对比对齐学习用于机器人操作的3D表示
机构 * SKL-MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所SKL-MAIS） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Carnegie Mellon University（卡内基梅隆大学） ； Galbot ； CFCS, School of Computer Science, Peking University（北京大学计算机科学与技术学院CFCS）
AI总结 提出CLAR框架，融合掩码自编码与全局跨模态对比学习，并引入基于可变形注意力的局部自适应对齐机制，解决3D预训练中空间几何与语义细节的权衡问题，在视觉运动策略学习中达到最优性能。
GAPartManip：面向材料无关铰接物体操作的大规模部件中心数据集
机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； CFCS, School of Computer Science, Peking University（北京大学计算机科学系） ； Carnegie Mellon University（卡内基梅隆大学） ； University of California, Berkeley（加州大学伯克利分校） ； Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学） ； Galbot
AI总结 提出大规模部件中心数据集GAPartManip，结合照片级材质随机化和部件级交互姿态标注，通过模块化框架提升深度估计与交互姿态预测，在仿真和真实场景中实现鲁棒的铰接物体操作。
Comments Accepted by ICRA 2025. Project page: https://pku-epic.github.io/GAPartManip/
ReNikud：音频监督的希伯来语字素到音素转换
机构 * Reichman University（雷奇曼大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出ReNikud方法，利用音频监督和伪元音化架构，通过无标注音频的ASR伪标签和字符级对齐，解决希伯来语G2P转换中的元音缺失和发音歧义问题，在多个基准上达到最优。
ENPIRE: 现实世界中智能体机器人策略的自我改进
机构 * NVIDIA（英伟达） ； CMU（卡内基梅隆大学） ； UC Berkeley（加州大学伯克利分校）
AI总结 提出ENPIRE框架，通过环境重置、策略执行、结果验证和迭代优化的闭环反馈，使编码智能体自主改进机器人操作策略，在灵巧操作任务上达到99%成功率。
多智能体交互记忆
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 提出MATM框架，通过共享存储和检索智能体轨迹，实现异构智能体群体间的知识复用，提升下游任务性能并减少交互步骤。
知识工作者问答论坛中的最优调度
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 针对知识工作者问答论坛，提出基于专家专业水平的请求调度模型，计算系统容量并设计达到容量的调度器，同时探讨专家协作对容量的提升。
Comments 14 pages, 4 figures
通过演化程序瓶颈解释神经组合优化
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Nanyang Technological University（南洋理工大学） ； Microsoft Research（微软研究院） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 提出演化程序瓶颈（EPB）框架，通过将黑盒神经组合优化模型蒸馏为可读程序组合，利用LLM和混合梯度下降实现可解释性，揭示模型行为与经典启发式变体的关系。
Comments Under Review
CacheWeaver：面向高效接地RAG推理的缓存感知证据排序
机构 * Heinz College of Information Systems and Public Policy, Carnegie Mellon University（卡内基梅隆大学海因茨信息系统与公共政策学院）
AI总结 提出CacheWeaver，一种轻量级提示层方法，通过缓存感知的证据排序降低RAG推理的首令牌延迟，无需修改服务引擎或证据集。
RIVET: 鲁棒的幂等语音属性编辑
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出RIVET训练框架，通过幂等性正则化提升语音属性编辑模型对标签噪声的鲁棒性，在合成噪声和真实噪声数据集上均优于标准训练。
3D-DLP：自监督3D物体中心场景表示学习
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出3D-DLP模型，通过自监督学习将场景级RGB-D或体素观测分解为3D潜在粒子，每个粒子编码解耦属性，实现可解释的逐粒子分割图，并支持场景操控和下游机器人操作。
Comments ICML 2026. Project webpage: https://eubooks3003.github.io/3d-dlp
S-JEPA：用于自监督语音表示学习的软聚类锚点
机构 * Carnegie Mellon University（卡内基梅隆大学） ； New York University（纽约大学） ； James Silberrad Brown Center for AI（詹姆斯·西尔伯拉德·布朗人工智能中心） ； Columbia University（哥伦比亚大学） ； Northeastern University（东北大学） ； Stanford University（斯坦福大学） ； Amazon GenAI（亚马逊生成式人工智能）
AI总结 提出S-JEPA，通过KL散度匹配高斯混合模型的软后验概率训练编码器-预测器对，无需离线重聚类或教师蒸馏，在SUPERB协议下以低于90M参数取得最低WER，并建立新的帕累托前沿。
LLM招聘决策中的性别偏见：来自日本语境的证据及缓解策略评估
机构 * Shibaura Institute of Technology, Tokyo, Japan（Shibaura技术学院，东京，日本） ； Amsterdam University of Applied Sciences, Amsterdam, Netherlands（阿姆斯特丹应用科学大学，阿姆斯特丹，荷兰） ； University of Pennsylvania, Philadelphia, USA（宾夕法尼亚大学，费城，美国） ； Carnegie Mellon University, Pittsburgh, USA（卡内基梅隆大学，匹兹堡，美国） ； Keio University, Tokyo, Japan（庆应大学，东京，日本）
AI总结 本研究通过60份日本履历书格式的简历和5个先进LLM，发现所有模型均存在显著的亲女性偏见，且简单的提示指令无法缓解，而移除姓名几乎完全消除该偏见。
ACUTE协议：操作语言模型激活以实现更好的校准、效用和信任
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Google（谷歌） ； Scale AI
AI总结 提出ACUTE协议，通过操作语言模型激活来估计置信度，平衡校准与信息性，在多项选择问答、工具调用和科学文档摘要等任务上优于强基线，提升校准、效用和可信度。
Comments ICML 2026
MixSD: 混合上下文自蒸馏用于知识注入
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Jinesis Lab, University of Toronto & Vector Institute（Jinesis实验室，多伦多大学及向量研究所） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Princeton University（普林斯顿大学） ； Cornell University（康奈尔大学） ； The University of Tokyo（东京大学） ； RIKEN AIP（日本理化学研究所AIP） ； Max Planck Institute for Intelligent Systems, Tübingen, Germany（德国图宾根最大计划智能系统研究所） ； EuroSafeAI
AI总结 本文提出MixSD方法，通过混合模型自身条件下的token来实现与模型生成分布对齐的知识注入，从而在保持预训练能力的同时提升事实记忆和推理能力。
PTLD: 从仿真到现实的触觉潜在知识蒸馏用于灵巧操作
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Washington（华盛顿大学） ； FAIR at Meta（Meta的FAIR团队） ； UC Berkeley（伯克利大学）
AI总结 提出PTLD方法，通过真实世界触觉策略数据蒸馏鲁棒状态估计器，解决触觉仿真困难问题，在灵巧操作任务中相比纯本体感策略提升182%和57%。
从我们所拥有的学习：在线推理过去交互的历史感知验证器
机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系）
AI总结 提出历史感知验证器HAVE，通过解耦动作生成与验证，利用历史交互在线消除歧义，理论证明其提升期望动作质量，在多个模拟和真实环境中验证有效性。
Comments CoRL 2025
世界模型批判：一种用于世界建模的生成式潜在预测架构
机构 * Institute of Foundation Models（基础模型研究院） ； Mohamed bin Zayed University of Artificial Intelligence（莫莫德 bin Zayed 人工智能大学） ； School of Computer Science Carnegie Mellon University（计算机科学学院卡内基梅隆大学）
AI总结 本文从心理学“假设性思维”出发，提出世界模型的核心目标是模拟真实世界的所有可行动可能性，并设计了一种基于状态化、分层、多级、混合连续/离散表示的生成式潜在预测（GLP）架构。
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