高校专区
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。
分层策略优化用于无界语音的同时翻译
机构 * Carnegie Mellon University（卡内基梅隆大学） ； NVIDIA（英伟达）
AI总结 本文提出分层策略优化方法，通过后训练处理不完美的监督微调数据，提升同时语音翻译质量与效率，实验显示在1.5秒延迟下，COMET和MetricX得分分别提升超7和1.25。
Comments ACL 2026 Oral
SPIRE：结构保持的可解释证据检索
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 SPIRE通过树结构文档检索，在保持结构的同时提升证据检索质量与多样性，采用结构感知方法和上下文化机制，实现更高效的可解释检索。
OpInf-LLM：通过算子推断实现基于LLM的参数PDE求解
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
AI总结 本文提出OpInf-LLM框架，利用少量解数据实现多样PDE实例的准确预测，支持自然语言任务指定和物理基础推理，降低计算需求并提高异构环境下的求解成功率。
多模态贝叶斯网络用于自主分诊的稳健评估
机构 * AGH University of Krakow（AGH克拉科夫大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Pittsburgh（匹兹堡大学）
AI总结 本文提出一种融合多计算机视觉模型输出的贝叶斯网络，通过专家定义规则提升伤员评估准确性，在DARPA分诊挑战中显著优于视觉基线。
Comments Presented at NeurIPS 2025 Workshop: Structured Probabilistic Inference & Generative Modeling
PAT3D：融合物理的文本到3D场景生成
机构 * Carnegie Mellon University（卡内基梅隆大学） ； The University of Hong Kong（香港大学） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； Genesis AI
AI总结 PAT3D通过融合视觉-语言模型与物理模拟，生成物理合理且无交叠的3D场景，提升场景质量和物理稳定性。
Comments 19 pages, 12 figures
通过自适应补丁大小加速视觉变换器
机构 * Carnegie Mellon University（卡内基梅隆大学） ； KAIST（韩国科学技术院） ； General Robotics（通用机器人）
AI总结 本文提出自适应补丁变换器APT，通过在图像内使用不同大小的补丁来减少输入token数量，从而加速ViT的推理和训练，提升吞吐量并保持性能。
Comments Accepted to ICLR 2026. Project page at https://rccchoudhury.github.io/apt/
EduCoder：一种用于教育转录数据的开源标注系统
机构 * Stanford University（斯坦福大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出EduCoder，一种专为教育对话标注设计的工具，解决教育对话转录中复杂编码问题，支持开放式和分类编码，并提供外部特征上下文，提升数据可靠性。
基于LLM代理推理的Node.js包污点式漏洞检测与验证
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Google（谷歌）
AI总结 本文提出LLMVD.js，通过LLM代理实现Node.js包的污点式漏洞检测与验证，有效率达84%，优于传统方法，无需注解或报告。
Comments 19 pages, 6 figures
SkillLearnBench: 评估代理技能生成在现实任务中持续学习方法的基准
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Amazon AGI（亚马逊人工智能研究院）
AI总结 SkillLearnBench评估持续学习方法在现实任务中生成技能的有效性，发现所有方法在无技能基线上有提升，但一致性改进困难，且更强LLM不总带来更好结果，开放任务表现不佳，外部反馈促进真实改进，自我反馈导致递归漂移。
连续语义缓存用于低成本大语言模型服务
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Washington Tacoma（华盛顿大学塔科马分校） ； City University of Hong Kong（香港城市大学） ； Microsoft Research Asia（微软亚洲研究院）
AI总结 本文提出连续语义缓存框架，通过动态ε-网离散化与核岭回归，解决连续查询空间下的缓存优化问题，降低计算和切换开销。
EmbodiedMidtrain: 通过中训练弥合视觉语言模型与视觉语言动作模型之间的差距
机构 * Language Technologies Institute, Carnegie Mellon University（卡内基梅隆大学语言技术研究所） ； Bosch Research North America & Bosch Center for Artificial Intelligence (BCAI)（博世北美研究部及博世人工智能中心（BCAI））
AI总结 本文提出EmbodiedMidtrain方法，通过中训练弥合视觉语言模型与视觉语言动作模型之间的差距，实验表明中训练能提升不同VLM骨干网络的性能，且在初始化阶段对VLA微调有显著帮助。
四是否足够？关于选举的Condorcet维度的自动推理方法和双界
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文通过自动推理方法研究选举中Condorcet获胜集的维度，探讨了k=4是否总是可行，并提出新的分析路径以缩小理论间隙。
Comments Appears at the 8th Games, Agents, and Incentives Workshop (GAIW-26). Held as part of the Workshops at the 25th International Conference on Autonomous Agents and Multiagent Systems
相信而不看：为视觉语言模型解释提供质量评分
机构 * University of Southern California（南加州大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出通过两种质量评分函数评估视觉语言模型解释的视觉忠实度和对比性，以减少对模型预测的过度依赖，实验显示质量评分能显著提升用户判断准确性。
基于神经带宽的最优LLM选择用于子任务流水线
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出一种神经上下文带宽算法，用于在无需历史LLM性能数据的情况下，指导不同子任务的LLM选择，通过子任务输出影响后续任务，实现子任务间复杂依赖关系的学习。
ReasonRank: 通过强推理能力增强文档排序
机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学人工智能学院 Gallagher 分校） ； Baidu Inc., Beijing, China（百度公司，北京，中国） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出ReasonRank，通过自动化生成推理密集型训练数据和两阶段训练方法，提升文档排序性能，实验表明其优于现有基线并具有更低延迟。
Comments 25 pages, accepted by ACL2026 main conference
模型内部侦探：在现代语言模型中寻找词汇身份和屈折特征
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 研究通过分析25个模型的词汇身份和屈折特征，发现屈折特征在模型中线性可解，而词汇身份在早期显著但随深度减弱，揭示了transformer在层间保持屈折特征但牺牲词汇身份以获得紧凑预测表示的机制。
Comments Accepted to ACL 2026 (Main Conference)
并非所有回放都有效：在大语言模型强化学习中的回放下采样
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出PODS方法，通过下采样回放来减少策略更新成本，提升学习效率。
Comments 19 pages, 10 figures, TMLR 2026
LLAMADRS：在真实临床访谈中评估开源大语言模型——理性推理还是不理性推理？
机构 * Carnegie Mellon University, School of Computer Science（卡内基梅隆大学计算机学院） ； University of Kansas, Department of Psychology（堪萨斯大学心理学系） ； McLean Hospital, Harvard Medical School（麦肯纳医院哈佛医学院）
AI总结 本文通过LLAMADRS基准测试，评估了25种开源大语言模型在结构化临床评估中的表现，发现理性推理模型在误差控制上并不总是更优，提示提示设计对模型性能有关键影响。
占用奖励塑造：改进离线目标导向强化学习中的信用分配
机构 * Carnegie Mellon University（卡内基梅隆大学） ； The University of Hong Kong（香港大学） ； INFIFORCE Intelligent Technology（INFIFORCE智能技术） ； Princeton University（普林斯顿大学）
AI总结 本文提出占用奖励塑造方法，通过提取世界模型中的时间信息，改进稀疏奖励下的信用分配问题，在13种长周期运动和操作任务中提升了2.2倍性能。
Comments ICLR 2026
面向位置的预训练方法用于医学差异视觉问答
机构 * Department of Electrical and Computer Engineering, Carnegie Mellon University, Kigali, Rwanda（电气与计算机工程系，卡内基梅隆大学，刚果（金）基利齐） ； University of Melbourne, Melbourne, Australia（墨尔本大学，墨尔本，澳大利亚）
AI总结 本文提出一种面向位置的预训练框架，结合AREF、GCAP和CAREF任务，提升医学差异VQA中细粒度空间视觉表征能力，实现胸部X光图像中临床相关变化的准确识别与推理。
Comments 11 pages
为代理编程扩展测试时计算
机构 * Meta Superintelligence Labs（Meta超级智能实验室） ； University of Washington（华盛顿大学） ； New York University（纽约大学） ； Google DeepMind（谷歌DeepMind） ； Carnegie Mellon University（卡内基梅隆大学） ； Princeton University（普林斯顿大学）
AI总结 本文提出基于轨迹紧凑表示的代理编程测试时扩展框架，通过递归竞赛投票和并行-蒸馏-细化方法提升长周期代理性能，实验证明在SWE-Bench和Terminal-Bench上显著提升效果。
Comments 70 pages, 26 figures, 12 tables
DASB - 离散音频与语音基准
机构 * Concordia University（康科迪亚大学） ； Mila-Quebec AI Institute（蒙特利尔AI研究院） ； Avignon Université（阿维尼昂大学） ； Université de Montréal（蒙特利尔大学） ； Université Laval（拉瓦尔大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Microsoft（微软） ； Indiana University（印第安纳大学）
AI总结 本文提出DASB基准，用于评估离散音频token在语音、通用音频和音乐领域的表现，发现离散表示不如连续表示鲁棒，需精细调参，语义token优于声学token，但与连续特征仍有差距。
Sentipolis：用于社交模拟的情感意识代理
机构 * Carnegie Mellon University（卡内基梅隆大学） ； The University of Tokyo（东京大学） ； RIKEN AIP（日本研究机构AIP）
AI总结 Sentipolis通过整合持续性Pleasure-Arousal-Dominance表示、双速情感动态和情感-记忆耦合，提升社交模拟中情感驱动行为的连续性与沟通能力，其效果依赖于模型容量，且可能影响社交规范的遵守。
Mammo-FM：乳腺专用基础模型用于整合乳腺X线诊断、预后和报告
机构 * Department of Electrical and Computer Engineering, Boston University（波士顿大学电气与计算机工程系） ； Department of Computer Science, Boston University（波士顿大学计算机科学系） ； Data Science, Analytics and Engineering, Arizona State University（亚利桑那州立大学数据科学与工程） ； Center for Regenerative Medicine, Boston University Medical Campus（波士顿大学医学校区再生医学中心） ； Department of Radiology, Emory University（埃默里大学放射科） ； Department of Radiology, Mayo Clinic（梅奥诊所放射科） ； Chobanian & Avedisian School of Medicine, Boston, MA, USA（波士顿大学医学学院） ； Department of Biomedical Informatics, University of Pittsburgh（匹兹堡大学生物医学信息学系） ； Department of Computer Science, Dartmouth College（达特茅斯学院计算机科学系） ； Human-Computer Interaction, Carnegie Mellon University（卡内基梅隆大学人机交互）
AI总结 Mammo-FM是首个针对乳腺X线的专用基础模型，基于最大且多样化的数据集预训练，用于统一的乳腺影像核心临床任务，包括癌症诊断、病理定位、结构化报告生成和癌症风险预后。
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