高校专区
对齐的打砖块：微调激活大型语言模型对版权书籍的原文回忆
机构 * Stony Brook University（石溪大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Columbia Law School（哥伦比亚法学院）
AI总结 研究显示微调可绕过安全对齐策略，使GPT-4o等模型能回忆85-90%的版权书籍，揭示模型权重存储版权作品的漏洞。
Comments Preprint Under Review
CausalEvolve：迈向开放性发现的因果草稿
机构 * MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； Carnegie Mellon University（卡内基梅隆大学） ； TMLR Group, Hong Kong Baptist University（香港浸会大学TMLR实验室） ； SAIC Centre, The University of Sydney（悉尼大学SAIC中心）
AI总结 CausalEvolve通过因果草稿机制提升进化效率，在四个开放性科学任务中发现更优解，解决传统进化代理在指导和知识利用上的不足。
Comments Preprint of ongoing work; Yongqiang and Chenxi contributed equally;
ExtremControl：低延迟的人形机器人远程操控与直接末端控制
机构 * UMass Amherst（马萨诸塞大学阿默斯特分校） ； Carnegie Mellon University（卡内基梅隆大学） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室）
AI总结 本文提出ExtremControl框架，通过直接操作SE(3)姿态、Cartesian空间映射和速度前馈控制，实现低延迟的人形机器人远程操控，实验表明其在模拟和现实环境中均优于传统方法。
Comments Project website: https://extremcontrol.github.io/
语调会改变答案吗？评估提示礼貌性对现代LLMs的影响：GPT、Gemini和LLaMA
机构 * Northwestern University（西北大学） ； Duke University（杜克大学） ； Carnegie Mellon University（卡内基梅隆大学） ； New York University（纽约大学）
AI总结 本文通过MMMLU基准测试，评估了不同语调提示对GPT、Gemini和LLaMA模型在STEM和人文领域任务中的准确性影响，发现礼貌性提示在部分人文任务中显著提升性能，但整体上现代LLMs对语调变化具有鲁棒性。
E-RayZer：基于空间视觉预训练的自监督3D重建
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Adobe Research（Adobe研究院） ； Harvard University（哈佛大学）
AI总结 本文提出E-RayZer，一种通过未标注图像直接学习几何基础表示的自监督3D视觉模型，通过显式几何实现3D重建，优于现有方法。
Comments CVPR 2026 Camera-ready. Project website: https://qitaozhao.github.io/E-RayZer
面向鲁棒文本到视频生成的潜变量视频扩散模型腐蚀感知训练
机构 * William & Mary（威廉与玛丽学院） ； Carnegie Mellon University（卡内基梅隆大学） ； The University of Hong Kong（香港大学）
AI总结 本文提出CAT-LVDM框架，通过结构化噪声注入提升视频扩散模型的鲁棒性，实验显示其在多个数据集上优于传统方法，且能扩展至自回归生成和多模态视频理解模型。
Comments ICLR 2026 ReALM-GEN
学习能效空气-地面作动器用于阶梯地形上的混合机器人
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出一种能量感知强化学习框架，通过协调螺旋桨、轮子和倾斜伺服器实现高效混合作动，降低能耗并提升地形适应性。
分布式梯度聚类：收敛性及初始化的影响
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Indian Institute of Technology Kharagpur（印度理工学院克勒格布尔分校） ； Faculty of Technical Sciences, University of Novi Sad（诺维萨德大学技术科学学院） ； Faculty of Sciences, University of Novi Sad（诺维萨德大学理学院）
AI总结 研究了中心初始化对分布式梯度聚类算法性能的影响，提出改进的分布式中心初始化方案，提升算法鲁棒性与性能。
Comments 9 pages, 3 figures
CADSmith: 基于程序化几何验证的多智能体CAD生成
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 CADSmith通过多智能体管道生成CadQuery代码，并通过双重嵌套修正循环进行迭代优化，结合精确测量和视觉评估提升CAD生成质量。
Comments 8 pages, 6 figures
当身份崩溃时：多主体个性化的一个压力测试基准
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； University of Southern California（南加州大学） ； DeerLab LLC（DeerLab有限责任公司） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出一个压力测试基准，揭示多主体生成模型在复杂场景下的身份崩溃问题，并引入新的评估指标SCR，强调未来生成架构需显式物理解耦。
Comments 10 pages, 7 figures, accepted by CVPR 2026 Workshop P13N
SWE Context Bench: 一个用于编码上下文学习的基准测试
机构 * Independent Researcher（独立研究员） ； University of Oxford（牛津大学） ； University of Edinburgh（爱丁堡大学） ； Technical University of Munich（慕尼黑工业大学） ； MemoraX AI ； National University of Singapore（新加坡国立大学） ； 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 本文提出SWE-ContextBench基准，用于评估编程代理的上下文重用能力，通过1100个基础任务和376个相关任务，从GitHub问题和拉取请求中挖掘真实依赖关系，评估预测准确度、时间效率和成本效率。
选择、反思与自我完善：通过因果视角重新审视推理任务
机构 * 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） ； Stanford University（斯坦福大学）
AI总结 本文从因果视角重新审视推理任务，将其视为选择机制，通过引入潜变量反馈提升对潜在依赖关系的学习，显著提升了Sudoku和Maze任务的推理准确率。
BEVMapMatch：多模态鸟瞰神经地图匹配用于自动驾驶车辆的鲁棒重定位
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出BEVMapMatch框架，利用多模态传感器融合生成鸟瞰图分割，通过交叉注意力机制检索地图片段，实现无需GNSS的鲁棒重定位，实验表明其在GNSS受限环境下的召回率显著提升。
Comments 8 pages, 5 figures
GUIDE：一个用于理解和协助用户进行开放性GUI任务的基准测试
机构 * KAIST（韩国科学技术院） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Oxford（牛津大学） ； Konkuk University（建国大学） ； Google Inc.（谷歌公司） ； SkillBench
AI总结 GUIDE基准测试旨在评估AI模型在开放性GUI任务中感知用户行为、推断意图和提供帮助的能力，通过120名新手用户的10种软件屏幕记录，发现模型在行为状态和帮助预测上准确率仅为44.6%和55.0%，但提供用户上下文可提升帮助预测性能达50.2个百分点。
Comments Accepted at CVPR 2026
ReCUBE：评估代码生成中仓库级上下文利用
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Emory University（埃默里大学）
AI总结 ReCUBE基准测试评估LLM在代码生成中利用仓库级上下文的有效性，通过重建掩码文件并使用依赖关系和文档作为上下文，发现即使先进模型在完整上下文设置下也仅达到37.57%的通过率，而引入Caller-Centric Exploration工具包可显著提升性能。
Comments Under Review
地面反作用惯性模拟器：基于稀疏IMU和足底压力传感器的物理基础人体动作捕捉
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Keio University（庆应义塾大学） ； Keio AI Research Center（庆应义塾大学人工智能研究中心）
AI总结 GRIP利用四个可穿戴设备重建物理合理的人体动作，结合IMU信号和足压数据捕捉身体动态与地面交互，通过数字孪生合成人形在物理模拟器中重建真实动作，实验显示其在多个数据集上优于传统IMU和IMU-压力融合方法。
利他性拼车：通过点对点激励实现公平可持续的城市交通框架
机构 * Dept. of CSIS and APPCAIR, BITS Pilani K K Birla Goa Campus（BITS Pilani K K Birla Goa校区计算机科学与信息系统系及应用人工智能中心） ； School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机科学学院）
AI总结 本文提出利他性拼车框架，通过去中心化的点对点激励机制，减少交通拥堵和碳排放，提高车辆利用率。
DesignWeaver：基于维度的文本到图像产品设计 scaffolding
机构 * UC San Diego（加州大学圣迭戈分校） ； Carnegie Mellon University（卡内基梅隆大学） ； Tableau Research
AI总结 DesignWeaver 通过从生成图像中提取关键产品设计维度，帮助新手生成更专业的提示，从而提升产品设计的多样性和创新性。
Comments 26 pages, 22 figures, CHI 2025
UNIC：基于神经变形场的神经服装变形用于实时穿衣角色动画
机构 * HKUST（香港科技大学） ； Waseda（早稻田大学） ； MIT（麻省理工学院） ； CMU（卡内基梅隆大学） ； HKU（香港大学） ； NTU（南洋理工大学） ； TAMU（德克萨斯农工大学）
AI总结 本文提出UNIC方法，通过实例特定的神经变形场实时动画角色服装，无需泛化到新服装，提升变形质量和训练效率。
Comments Project page: https://igl-hkust.github.io/UNIC/
基于大语言模型的自然语言描述生成交通场景用于自动驾驶车辆
机构 * National Yang Ming Chiao Tung University（国立阳明交通大学） ； Carnegie Mellon University（卡内基梅隆大学） ； AI Research Center, Hon Hai Research Institute（鸿海研究院人工智能研究中心）
AI总结 本文提出TTSG框架，通过自然语言生成可控交通场景，解决文本到空间布局、无预设位置场景构建及多智能体行为规划问题，实验表明其在安全关键场景中碰撞率低且提升驾驶 captioning 模型性能。
Comments Accepted by WAD@CVPR2026
通过可微代理模拟实现超快交通现在预测与控制
机构 * Fujitsu Limited（富士通株式会社） ； Fujitsu Research of America（富士通美国研究院） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出一种可微代理交通模拟器，实现大规模网络的超快模型校准、交通现在预测与控制，通过可微计算技术提升效率，实现30分钟数据校准、1小时预测和728秒控制，构建完整的校准-预测-控制闭环。
可解释性潜在奖励的自校正图像生成
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Singapore Management University（新加坡管理大学） ； William & Mary（威廉与玛丽学院）
AI总结 本文提出xLARD框架，利用多模态大语言模型通过可解释性潜在奖励指导生成，改进语义对齐和视觉保真度，同时保持生成先验。
Comments CVPR 2026
不止是‘手段’：通过透明设计的AI数据科学过程支持推理
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文探讨了医疗领域中两个AI数据科学系统如何通过透明设计的中间产物促进推理，强调了中间产物在帮助用户分析选择和改进问题中的关键作用。
Comments Accepted to Workshop on Tools for Thought at CHI'26: Understanding, Protecting, and Augmenting Human Cognition with Generative AI - From Vision to Implementation
VOLMO：面向眼科学的多功能和开放型大模型
机构 * Department of Biomedical Informatics & Data Science, Yale University（耶鲁大学生物医学信息学与数据科学系） ； Ray and Stephanie Lane Computational Biology Department, Carnegie Mellon University（卡内基梅隆大学雷和斯蒂芬妮·兰德计算生物学系） ； Yong Loo Lin School of Medicine, National University of Singapore（新加坡国立大学杨洛林医学院） ； Department of Radiology, Washington University in Saint Louis（圣路易斯华盛顿大学放射科） ； National Eye Institute, National Institutes of Health（国家卫生研究院眼科研究所） ； National Library of Medicine, National Institutes of Health（国家卫生研究院国家医学图书馆）
AI总结 VOLMO提出了一种通用框架，用于开发专门的眼科多模态大语言模型，通过预训练、微调和临床推理三个阶段，提升了眼科疾病筛查和诊断的性能。
什么和何时学习：大规模说话人验证的课程排名损失
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出CURriculum Ranking损失，通过在线估计样本难度，提升大规模说话人验证的鲁棒性，显著降低EER。
从社交媒体检测心理健康状况和网络欺凌的一种机器学习方法
机构 * Carnegie Mellon University Africa Kigali, Rwanda（卡内基梅隆大学非洲分校基加利分校，刚果（金））
AI总结 本文提出统一的多类分类框架，用于从社交媒体数据中检测十种不同的心理健康和网络欺凌类别，通过实验表明端到端微调对性能至关重要，MentalBERT模型在准确率和宏F1分数上表现优异。
Comments Best Paper Award at the AAAI-26 Bridge Program on AI for Medicine and Healthcare. Published in Proceedings of the Second AAAI Bridge Program on AI for Medicine and Healthcare, PMLR 317:15-26, 2026. Paper URL: https://proceedings.mlr.press/v317/ajayi26a.html
DELULU：基于潜在单元的判别嵌入学习：面向说话人感知的自训练语音基础模型
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 DELULU通过在伪标签生成中引入说话人信息结构，提升语音模型对说话人特征的判别能力，在说话人验证、声纹识别等任务中取得显著提升。
KnowledgeSmith：通过模型编辑和遗忘揭示LLM中的知识更新
机构 * Carnegie Mellon University（卡内基梅隆大学） ； William & Mary（威廉与玛丽学院） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出KnowledgeSmith框架，系统研究LLM的知识更新机制，通过结构化干预揭示知识传播、可塑性与鲁棒性等特性。
Comments ICLR 2026
Wasserstein 平行传输用于预测统计系统的动态
机构 * Department of Statistics and Data Science, Carnegie Mellon University（卡内基梅隆大学统计与数据科学系） ； Machine Learning Department, Carnegie Mellon University（卡内基梅隆大学机器学习系） ； Department of Economics, Emory University（埃默里大学经济系）
AI总结 本文提出Wasserstein平行趋势方法，通过最优传输几何中的平行传输解决分布空间缺乏向量空间结构的问题，实现因果推断、领域适应和反事实预测。
超越多令牌预测：通过未来摘要预训练语言模型
机构 * Carnegie Mellon University（卡内基梅隆大学） ； FAIR at Meta（Meta的FAIR）
AI总结 本文提出未来摘要预测(FSP)方法，通过训练辅助头预测紧凑的长期未来表示，提升长形式生成能力，在数学、推理和编码基准测试中优于NTP和MTP。
Comments Proceedings of the Fourteenth International Conference on Learning Representations (ICLR) 2026
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