高校专区
基于时间衰减模型的学习增强矩估计
机构 * Texas A&M University（德克萨斯A&M大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Rensselaer Polytechnic Institute（罗切斯特理工学院）
AI总结 本文提出基于时间衰减模型的学习增强算法，用于改进矩估计、频率估计等基本问题的空间效率，并通过实验验证其实际性能。
将AI代理与网络安全专家在真实世界渗透测试中进行比较
机构 * Stanford University（斯坦福大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文比较了AI代理与网络安全专家在真实世界渗透测试中的表现，发现ARTEMIS在技术深度和提交质量上接近最强人类参与者，但在误报率和GUI任务上存在不足。
Go-Browse: 通过结构化探索训练网络代理
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 Go-Browse通过结构化探索方法，利用大规模网络环境数据训练代理，提升任务解决成功率。
多头低秩注意力
机构 * The Pennsylvania State University（宾夕法尼亚州立大学） ； University of Connecticut（康涅狄格大学） ； 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 本研究提出多头低秩注意力机制，通过高效4路张量并行解码，显著提升大型语言模型的解码速度和性能。
Comments Accepted by ICLR 2026
鲁棒白血球分类：基于去污化解耦学习与集成的方法
机构 * University of Technology, Ho Chi Minh City, Vietnam（越南胡志明市技术大学） ； University of Science, Ho Chi Minh City, Vietnam（越南胡志明市科学大学） ； Vietnam National University, Ho Chi Minh City, Vietnam（越南国家大学） ； Carnegie Mellon University, Pittsburgh, PA, USA（卡内基梅隆大学） ； Northwestern University, Chicago, IL, USA（西北大学）
AI总结 本文提出了一种去污化解耦学习与集成方法，用于解决白血球分类中的染色不均和类别不平衡问题，实现了在ISBI 2026挑战中的最佳成绩。
双重鲁棒的LLM-as-a-Judge：具有不完美人设的外部有效性估计
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本研究提出双重鲁棒的LLM-as-a-Judge框架，通过结合不完美的'人设'评分与受抽样偏差影响的人类评分，实现对外部有效性评估的可靠估计。
Comments ICLR 2026 Camera Ready
InstructPro：自然语言引导的配体结合蛋白设计
机构 * Language Technologies Institute, School of Computer Science, Carnegie Mellon University（语言技术研究所，计算机科学学院，卡内基梅隆大学） ； Ray and Stephanie Lane Computational Biology Department, School of Computer Science, Carnegie Mellon University（Ray和Stephanie Lane计算生物学系，计算机科学学院，卡内基梅隆大学） ； Lambda Inc（Lambda公司）
AI总结 InstructPro通过自然语言指导生成模型，实现了高亲和力配体结合蛋白的设计，显著提升了从头蛋白设计的性能和泛化能力。
基于功能关键位点和小分子底物的生成酶设计
机构 * Language Technologies Institute, Carnegie Mellon University（卡内基梅隆大学语言技术研究所） ； Department of Chemistry and Biochemistry, University of California Santa Barbara（加州大学圣芭芭拉分校化学与生物化学系）
AI总结 本文提出EnzyGen，通过功能关键位点和小分子底物设计高效折叠且高亲和力的酶。
通过检索增强的修订实现代码LLM的推理时安全性
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 通过检索增强的修订机制提升代码LLM的推理时安全性，提高生成代码的安全性并减少漏洞。
Comments Accepted at the ICLR 2026 Workshop on Principled Design for Trustworthy AI: Interpretability, Robustness, and Safety Across Modalities
将知识与关怀联系起来：知识图谱增强的医疗随访问题生成
机构 * Carnegie Mellon university（卡内基梅隆大学） ； Amazon Health AI（亚马逊健康AI）
AI总结 本文提出KG-Followup方法，通过知识图谱增强LLM，提升医疗随访问题生成的准确性和效率。
Comments Short paper published in the Findings of EACL 2026
混合引导图优化用于终身多智能体路径寻找中的边缘方向和权重优化
机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； Thomas Lord Department of Computer Science, University of Southern California（南加州大学计算机科学系托马斯·劳德部门） ； Lila Sciences
AI总结 本文提出混合引导图优化方法，通过优化边方向和权重提升终身多智能体路径寻找的引导效果。
RLP：将强化学习作为预训练目标
机构 * NVIDIA（英伟达） ； Carnegie Mellon University（卡内基梅隆大学） ； Boston University（波士顿大学） ； Stanford University（斯坦福大学）
AI总结 RLP通过将强化学习的探索精神引入预训练阶段，提升模型在数学和科学任务中的推理能力。
Comments ICLR 2026 camera ready
Prune2Drive: 一种用于自动驾驶中加速视觉-语言模型的即插即用框架
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Carnegie Mellon University（卡内基梅隆大学） ； Sichuan University（四川大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； The University of Hong Kong（香港大学）
AI总结 Prune2Drive通过视觉令牌修剪框架在自动驾驶中加速视觉-语言模型，实现显著速度提升和内存节省，性能影响小。
Comments Accepted by CVPR 2026
MonoFusion：通过单目融合实现稀疏视角4D重建
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 MonoFusion通过单目融合技术，在稀疏视角下实现高质量的动态场景4D重建，优于传统密集多视角方法。
Comments ICCV 2025. Project Page: https://z1hanw.github.io/research/25_DSR/
FictionalQA: 一个用于研究记忆与知识获取的数据集
机构 * University of Maryland（马里兰大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 FictionalQA数据集旨在研究语言模型在记忆事实和序列时的双重过程，通过合成的虚构事件文档和问题-答案对，探索不同形式的记忆机制及构建挑战。
Comments 10 pages and 8 figures in the main body. Published at ICLR 2026. Dataset is available at https://huggingface.co/datasets/jwkirchenbauer/fictionalqa, and code at https://github.com/jwkirchenbauer/fictionalqa
当推理遇见压缩：理解LLMs压缩对大推理模型的影响
机构 * The Pennsylvania State University（宾夕法尼亚州立大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文研究了压缩对大推理模型的影响，通过基准测试和机制解释，发现权重数量对知识记忆的影响大于推理，并揭示了蒸馏模型中关键组件的重要性。
Comments ICLR 2026
Gen-DFL：面向鲁棒决策的生成学习
机构 * Heinz College, Carnegie Mellon University, USA（卡内基梅隆大学海因兹学院） ； Computer Science, University of Virginia, USA（弗吉尼亚大学计算机科学系）
AI总结 Gen-DFL通过生成模型适应性建模不确定性，提升决策鲁棒性，在调度和物流问题中表现出色。
大语言模型中上下文长度扩展的内在熵
机构 * Institute for Interdisciplinary Information Sciences, Tsinghua University（清华大学交叉信息研究院） ； Carnegie Mellon University（卡内基梅隆大学） ； CPHOS ； University of Washington（华盛顿大学）
AI总结 本研究提出'内在熵'理论，通过实验验证长上下文对语言模型的影响，揭示训练数据集大小与最佳上下文长度的关系。
Comments 36 pages, 18 figures, 2 tables
pySpatial: 为零样本空间推理生成3D视觉程序
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Pittsburgh（匹兹堡大学） ； University of Michigan（密歇根大学）
AI总结 pySpatial通过生成3D视觉程序，使大语言模型在无需微调的情况下实现零样本空间推理，并在基准测试和实际导航中表现出色。
Comments Accepted at ICLR 2026, Project Page: Our project: https://pySpatial.github.io
具有血管避让的感知-aware 神经外科手术规划用于视觉皮层假体
机构 * Department of Computer Science, University of California Santa, Barbara School of Computer Science, Carnegie Mellon University Department of Psychological \& Brain Sciences, University of California, Santa Barbara
AI总结 本文提出了一种基于感知的皮层视觉假体手术规划框架，通过优化电极放置以提高视觉重建保真度并确保血管安全。
基于流形的感知源分离评估
机构 * Electrical and Computer Engineering, Technion - Israel Institute of Technology（技术学院-以色列理工学院电子与计算机工程系） ； Language Technologies Institute, Carnegie Mellon University（语言技术研究所，卡内基梅隆大学）
AI总结 本文提出基于流形学习的感知分离和匹配度量方法，用于更准确评估音频源分离系统的感知性能。
Comments Published as a conference paper at ICLR 2026
并非仅仅的规模法则：迈向更深入理解语言模型设计决策对下游影响的探索
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Language Technologies Institute（语言技术研究所） ； Instituto Superior Técnico (Lisbon ELLIS Unit)（里斯本ELLIS单位（理工学院）） ； Instituto de Telecomunicações（电信研究所） ； NEC Laboratories Europe, Germany（德国NEC欧洲实验室） ； CAIR, Ss. Cyril and Methodius University of Skopje, North Macedonia（北马其顿斯·西里尔和方法ius大学）
AI总结 本研究通过分析92个开源预训练模型，发现结合模型大小和训练token数量以外的特征，可提升对下游性能预测能力，揭示了数据组成和架构决策对模型性能的影响。
Thought Virus: 通过潜意识提示在多智能体系统中产生病毒性偏差
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本研究揭示了多智能体系统中通过潜意识提示传播偏见的风险，指出单个智能体的潜意识提示可能影响整个网络的诚实性，提出新的安全攻击向量。
Comments 18 pages, 10 figures, 2 tables. Code available at https://github.com/Multi-Agent-Security-Initiative/thought_virus
分层动作学习用于弱监督动作分割
机构 * Guangdong University of Technology（广东技术大学） ； 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） ； University of Hong Kong（香港大学）
AI总结 HAL模型通过分层因果数据生成和稀疏转换约束，提升弱监督动作分割的识别能力。
Journal ref CVPR2026
在线注册用于双模式自监督语音模型：缓解未来上下文的缺乏
机构 * LY Corporation（LY公司） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出在线注册方法，通过可学习标记和未来预测损失，缓解双模式自监督语音模型在流式场景中因缺失未来上下文导致的注意力不匹配问题。
Comments Accepted to ICASSP 2026
ODAR：通过主动推断实现LLM推理的原理性自适应路由
机构 * Nanyang Technological University（南洋理工大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Northeast University (Qinhuangdao Campus)（东北大学（秦皇岛校区）） ； Beihang University（北航） ； University of the Chinese Academy of Sciences（中国科学院大学） ； Renmin University of China（中国人民大学） ； Sun Yat-sen University（中山大学）
AI总结 ODAR通过主动推断实现LLM推理的原理性自适应路由，优化精度-效率权衡，提升计算匹配下的准确率并降低计算成本。
ParamMem: 通过参数化反思记忆增强语言代理
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） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 ParamMem通过参数化记忆模块提升语言代理的反思多样性，实现更高效的推理和跨任务迁移能力。
Comments 20 pages
CowPilot：自主与人机协作的网页导航框架
机构 * School of Computer Science, Carnegie Mellon University（计算机科学系，卡内基梅隆大学）
AI总结 CowPilot通过自主与人机协作机制提升网页导航效率，实现95%的任务成功率，减少人类操作步骤至15.2%
Comments Published at NAACL System Demonstration Track, 2025
Journal ref 2025.naacl-demo.17
多机器人协同中的目的地到传送口任务映射优化
机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
AI总结 本文提出基于进化算法和混合整数线性规划的任务映射优化方法，用于提升多机器人分拣系统的吞吐量。
Comments Accepted to IEEE International Symposium on Multi-Robot and Multi-Agent Systems (MRS) 2025
在多轮对话中衡量语言模型的趋炎附势性
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Emory University（埃默里大学）
AI总结 本研究提出SYCON基准，评估多轮对话中语言模型的趋炎附势性，发现对齐调优会放大该行为，而模型规模和推理优化能增强抗压能力，采用第三人称视角可显著减少趋炎附势性。
Comments Accepted to Findings of EMNLP 2025
Journal ref Findings of the Association for Computational Linguistics: EMNLP 2025, pages 2239-2259
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