高校专区
为何需要搜索？从结构先验出发的 amortized 智能工作流设计
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Foundations of Cooperative AI Lab (FOCAL)（合作人工智能基础实验室） ； University of Notre Dame（圣约翰大学）
AI总结 本文提出SWIFT框架，通过结构先验和跨任务工作流演示，实现工作流设计的 amortization，减少计算成本并提升泛化能力。
Odysseys：在现实长周期任务上评估网络代理
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出Odysseys基准，通过200个现实浏览任务评估长周期网络代理，引入基于评分的评估方法，发现传统二元评估不足，且前沿模型在效率上仍有提升空间。
Comments 29 pages
一种统一的无监督概念提取框架
机构 * Machine Learning Department, CMU（卡内基梅隆大学机器学习系）
AI总结 本文提出统一的无监督概念提取理论框架，通过将概念提取任务建模为生成模型识别，提供通用的可识别性元定理，简化了证明保证的过程，推动了新方法的发展。
Comments AISTATS 2026, 9 pages
Chameleon的极限：探究大型语言模型中的人格崩溃与同质化
机构 * CMU（卡内基梅隆大学） ； UChicago（芝加哥大学） ； MIT（麻省理工学院） ； UTokyo（东京大学） ； RIKEN AIP（理化学研究所AIP分部） ； JHU（约翰霍普金斯大学）
AI总结 研究发现大型语言模型中存在人格崩溃现象，导致代理行为模式趋同。通过提出覆盖度、均匀度和复杂度指标，揭示模型在不同维度和领域的人格表现差异，并释放工具支持群体评估。
通过触觉梦想学习多功能人形操作
机构 * Carnegie Mellon University（卡内基梅隆大学） ； UT Arlington（UT阿灵顿） ； Bosch Center for AI（博世人工智能中心）
AI总结 本文提出HTD模型，结合触觉、视觉和本体感觉，通过触觉梦想增强学习实现高灵活性的人形操作，实验证明在五个真实任务中成功率提升显著。
通过构造的互补性：一种李群方法用于求解带有线性互补性约束的二次规划
机构 * Robotics Institute, Carnegie Mellon University（机器人研究所，卡内基梅隆大学）
AI总结 本文提出利用李群结构解决带有线性互补性约束的二次规划问题，通过构造退化映射实现约束自洽，开发出开源求解器Marble，在多个基准问题中表现优异。
迈向公平且鲁棒的体积CT分类：通过KL正则化组分布鲁棒优化
机构 * Carnegie Mellon University Africa（卡内基梅隆大学非洲分校） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出通过KL正则化组分布鲁棒优化方法，解决多站点CT体积中二分类新冠和性别公平的肺部病理识别问题，提升模型鲁棒性和公平性。
Comments CVPR 2026 Medical Imaging & Healthcare Workshop
通过意图欺骗突破前沿基础模型
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出一种多轮欺骗方法，通过模拟良性意图和模型一致性，引导模型生成有害输出，并揭示了未被注意到的para-jailbreaking漏洞。
Comments Accepted at CVPR 2026 Findings Track
从非参数混合条件下的一般环境学习因果表示
机构 * 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 本文提出在非参数混合条件下，通过一般环境恢复潜在DAG及变量的方法，利用足够变化条件在第三阶导数上实现因果机制的充分恢复。
Comments Accepted to AISTATS 2025. This is a slightly revised version of the published paper
多源领域适应的通用表示方法
机构 * 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 本文提出一种通用领域适应框架，通过学习紧凑的潜在表示来捕捉分布偏移，解决转移哪些表示的问题，并通过理论分析建立可识别性保证。
Comments ICML 2025
WinkTPG: 一个多智能体路径寻找的执行框架，利用时间推理
机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
AI总结 本文提出WinkTPG框架，通过时间推理优化多智能体路径规划，生成可行的速度配置并提升解决方案质量，实验证明其在高保真物理模拟和真实机器人中的有效性。
多智能体安全中的架构问题
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Oxford Witt Lab, University of Oxford（牛津Witt实验室，牛津大学）
AI总结 本文研究多智能体系统设计决策对任务性能与攻击抵御之间的权衡，通过三个环境和13种架构配置，分析智能体角色、通信拓扑和内存三个关键设计选择的影响。
在混合专家调谐中保持长尾专家信息
机构 * Carnegie Mellon University（卡内基梅隆大学） ； MIT（麻省理工学院） ； UCSD（加州大学圣地亚哥分校） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出一种无需辅助损失的MoE SFT框架，通过偏置驱动稀疏化与始终活跃的门控凝结专家，有效保留长尾专家信息，实验显示在数学推理和常识问答基准上优于现有方法。
Comments 36 pages
共识陷阱：数据标注中主观性与‘真实真相’幻觉的剖析
机构 * University of Toronto Computer Science（多伦多大学计算机科学系） ； University of Toronto Engineering Science（多伦多大学工程科学系） ； Carnegie Mellon University School of Computer Science（卡内基梅隆大学计算机科学学院） ； Yale University American Studies（耶鲁大学美国研究系） ； University of Waterloo Computer Science（滑铁卢大学计算机科学系） ； Google Research（谷歌研究） ； University of Toronto（多伦多大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Yale University（耶鲁大学） ； University of Waterloo（滑铁卢大学）
AI总结 本文通过分析2020-2025年间七大赛事的346篇论文，揭示数据标注实践中‘共识陷阱’的机制，指出位置可读性失效与模型中介标注导致的锚定偏见，以及地理霸权对西方标准的强制性，呼吁将分歧视为高保真信号以构建文化胜任模型。
从行业和学术角度对比分析对抗机器学习：一种用户研究方法
机构 * Carnegie Mellon University（卡内基梅隆大学） ； King Abdulaziz University（国王阿卜杜勒阿齐兹大学）
AI总结 本文通过两项研究探讨行业人士和学生对对抗机器学习漏洞及教育策略的看法，发现CTF挑战能有效提升对AML威胁的兴趣，并强调整合安全教育的重要性。
无需图像编辑配对学习图像编辑模型
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Adobe Research（Adobe研究）
AI总结 本文提出无需配对数据的图像编辑模型训练方法，通过扩散模型解卷积和视觉语言模型反馈实现端到端优化，同时结合分布匹配损失提升视觉真实性。
Comments project page: https://nupurkmr9.github.io/npedit/ ICLR 2026
大语言模型真的能识别你的名字吗？
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Google Research（谷歌研究） ； Carnegie Mellon University（卡内基梅隆大学） ； Google Research, University of Massachusetts Amherst（谷歌研究，马萨诸塞大学阿默斯特分校） ； University of Maryland, College Park（马里兰大学学院市分校）
AI总结 本文研究大语言模型在短文本中处理模糊人名的可靠性问题，构建AmBench基准测试集，发现模型对模糊人名的识别率下降20-40%，揭示隐私保护中的公平性问题。
Comments ACM FAccT '26
提示中未言明的内容：理解并管理LLM提示中的不充分性
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Google DeepMind（谷歌DeepMind）
AI总结 本文探讨了LLM提示中的不充分性问题，指出默认推断的稳定性差且易退化，提出要求意识的提示优化机制和系统性的主动发现与监控流程以提升性能。
VLAA-GUI: 知何时停止、恢复和搜索，一个用于GUI自动化模块化框架
机构 * UC Santa Cruz ； CMU（卡内基梅隆大学） ； UNC-Chapel Hill（北卡罗来纳大学教堂山分校） ； Salesforce ； UC Berkeley（伯克利加州大学）
AI总结 VLAA-GUI通过模块化框架解决GUI代理的早期停止和重复循环问题，引入完整性验证器、循环打破器和搜索代理，提升自动化性能。
Comments The first two authors contribute equally
超级心智测试：通过探测代理主动评估代理社会的集体智慧
机构 * University of Maryland（马里兰大学） ； 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 研究通过Superminds测试评估代理社会的集体智慧，发现规模扩大并未带来集体智慧，交互浅显是主要限制因素。
多模态扩散用于互为增强的偏振光与低分辨率EBSD数据
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Air Force Research Laboratory（空军研究实验室） ； Yale University（耶鲁大学）
AI总结 本文提出多模态扩散模型，通过结合偏振光和低分辨率EBSD数据，提升数据收集效率，实现颗粒边界预测、超分辨率和去噪等任务的性能提升。
Wiggle and Go! 系统识别用于零样本动态绳索操作
机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； The University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 本文提出Wiggle and Go!系统，通过学习模拟先验知识实现零样本动态绳索操作，提升任务执行精度与效率，实验显示其在绳索任务中的表现优于传统方法。
竞技体育中的性能异常检测：一个具有可视化分析的基准系统
机构 * Carnegie Mellon University Africa（卡内基梅隆大学非洲分校）
AI总结 本文提出一个基于可视化分析的基准系统，利用160万项竞技体育成绩，通过八种检测方法识别可疑的性能模式，以提高反兴奋剂检测的效率和准确性。
Comments 8 pages, 5 figures, 5 tables
当AI代理互相学习：来自OpenClaw上新兴AI代理社区的见解，以促进人机协作教育
机构 * Carnegie Mellon University, USA（卡内基梅隆大学，美国） ； GiveRep Labs, Virgin Islands (British)（GiveRep实验室，英属维尔京群岛） ； Sui Foundation, Cayman Islands（Sui基金会，开曼群岛）
AI总结 本文探讨了AI代理社区中涌现的学习行为，揭示了双向支架过程、同伴学习、共享记忆架构及信任动态等现象，为多代理教育系统设计提供启示。
Comments 15 pages. Paper accepted at AIED 2026 bluesky
高效多智能体系统训练中的数据影响导向树搜索
机构 * University of Science and Technology of China（中国科学技术大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出数据影响导向树搜索框架，通过影响评分指导树搜索和数据选择，提升多智能体系统训练效率与效果。
Comments Accepted by ACL 2026 Main;
一种用于自主急救分级的贝叶斯推理框架
机构 * AGH University of Krakow（克拉科夫AGH大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Osnabrück University（奥斯纳布吕克大学） ； University of Pittsburgh（匹兹堡大学）
AI总结 本文提出一种融合多视觉算法的自主机器人系统，利用贝叶斯网络提升急救分级准确性，实验显示其在生理评估和整体分级准确率上显著提升。
Comments Accepted to the 2026 IEEE International Conference on Robotics and Automation (ICRA)
双重饱和的Ramsey图：计算机辅助数学发现的一个案例研究
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文通过结合SAT求解与定制生成的代码，发现无限多的双重饱和Ramsey图，回答了Grinstead和Roberts在1982年的疑问，并利用LLM生成形式化证明，展示自动化推理、大语言模型和形式验证在数学发现中的潜力。
利用机器心智 imagery 代表情境对话中的共同背景
机构 * Inria ； University of Trento（特伦托大学） ； Inria, Carnegie Mellon University（Inria 和卡内基梅隆大学）
AI总结 本文提出一种主动视觉支架框架，通过将对话状态转化为持久的视觉历史，减少代表模糊并提高对话理解。
Comments Work under review. Biswesh Mohapatra and Giovanni Duca both contributed equally to this work
多语言和领域无关的舌尖提示查询生成用于模拟评估
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Independent Researcher（独立研究者）
AI总结 本文构建了多语言舌尖提示测试集，研究提示语言和源文档语言对模拟查询准确性的影響，并发布四个多领域测试集，为构建非英语的现实舌尖提示数据集提供指导。
Comments SIGIR 2026; NTCIR track: https://ntcir-tot.github.io
DWTSumm：基于离散小波变换的文档摘要
机构 * School of Engineering and Applied Science, George Washington University（乔治华盛顿大学工程与应用科学学院） ； Faculty of Computers and Artificial Intelligence, Cairo University（开罗大学计算机与人工智能学院） ； Language Technologies Institute, Carnegie Mellon University（卡内基梅隆大学语言技术研究所）
AI总结 本文提出一种基于离散小波变换的多分辨率框架，用于长文档摘要，通过分解文本为全局和局部成分，提升摘要的语义相似性和事实一致性。
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