高校专区
AIR-BENCH Live：基础模型不断演进的安全基准测试
机构 * Virtue AI（美德人工智能公司） ； Carnegie Mellon University（卡内基梅隆大学） ； Northeastern University（东北大学） ； University of Chicago（芝加哥大学） ； University of Illinois, Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 研究针对基础模型安全基准测试随模型和法规发展而不足的问题，提出AIR-BENCH Live，通过自动化更新管道和多智能体算法更新提示，扩展了基准测试风险数量，评估模型发现安全范围广等结果，使其能随领域发展。
Comments 11 pages, 7 figures, 3 tables
CollabSkill: 评估真实世界任务中的人机协作
机构 * Stanford University（斯坦福大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Rochester（罗切斯特大学） ； Individual Researcher（独立研究者）
AI总结 提出CollabSkill框架，通过配对真实工人与AI代理执行职业任务，利用贝叶斯技能评级系统量化人机贡献，揭示Claude Code排名第一且实践经验是协作技能的主要驱动力。
Comments 10 pages of main paper, COLM 2026
LanteRn：潜在视觉结构推理
机构 * Instituto de Telecomunicações（电信研究所） ； Instituto Superior Técnico, Universidade de Lisboa（里斯本大学高等技术学院） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出LanteRn框架，通过将语言与紧凑的潜在视觉表示结合，使大多模态模型能在潜在空间中进行视觉推理，提升视觉理解和细粒度推理能力。
CodeEvo：通过混合和迭代反馈以交互驱动方式合成以代码为中心的数据
机构 * Shanghai AI Laboratory（上海人工智能实验室） ； The University of Hong Kong（香港大学） ； New York University（纽约大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Shanghai Innovation Institute（上海创新研究院）
AI总结 为解决高质量指令-代码对获取难题，提出双智能体架构CodeEvo，审查器制定模式并结合混合验证协议，构建CodeEvo-100K数据集，实验表明基于此数据微调的模型在代码生成基准测试中表现出色。
Comments ACL 2026 (Oral)
四旋翼无人机轨迹跟踪的误差状态LQR公式
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出一种基于误差状态线性二次型调节器的四旋翼无人机轨迹跟踪方法，利用指数坐标表示姿态误差，结合全状态反馈与级联体速率控制器实现鲁棒控制。
Comments metadata fix
κ-LoRA：条件数揭示哪些LoRA矩阵值得更新
机构 * King Abdullah University of Science and Technology（阿卜杜拉国王科技大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 研究指出LoRA统一更新矩阵计算成本高，条件数大的矩阵对性能提升贡献大。提出κ-LoRA方法，聚焦更新条件数大的矩阵，可减半可训练参数数量，降低计算和内存成本，实验证明其能缩短微调时间、降低内存成本且不影响精度。
理论上可认证，实践中却被破解：密码学模型认证中的假设差距
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Vector Institute & University of Toronto（向量研究所及多伦多大学） ； Carnegie Mellon University（卡内基梅隆大学） ； J.P.Morgan AI Research & AlgoCRYPT CoE（摩根大通人工智能研究及AlgoCRYPT中心） ； University of Toronto（多伦多大学）
AI总结 研究密码学模型认证中现有安全定义与实际应用的差距，通过精心设计训练数据可攻击相关认证方案。为此形式化严格安全概念，引入通用协议模板，为设计安全隐私保护的机器学习审计协议提供指导。
机器人学习中的进度奖励建模：全面综述
机构 * Northwestern University（西北大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of California, Santa Barbara（加利福尼亚大学圣塔芭芭拉分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 该综述针对机器人学习中进度奖励建模缺乏共享框架的问题，分三步组织领域研究，包括研究进度模型接口、构建信号方法及支持数据基准，将模型相关要点联系起来，还总结了局限并探讨未来方向。
Comments Project page: https://github.com/sterzhang/Awesome-Progress-Models
面向时间干预下个人语言模型代理的用户条件评估
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Cornell University（康奈尔大学） ； University of Glasgow（格拉斯哥大学）
AI总结 研究个人语言模型代理在时间干预下的用户条件评估，提出需在不同用户条件状态下重放时间干预并测量故障传播的协议，形式化四个条件，审查发现无满足条件的公开协议，进而提出最小基准设计和候选报告指标。
Comments 9 pages, 2 figures, and 8 tables. Accepted for oral presentation at the ACM SIGKDD KDD 2026 Workshop on Personal Intelligence in the Agentic AI Era (PILA 2026)
RAD：面向机器人观测的真实异常检测数据集与基准
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Peking University（北京大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Great Bay University（大湾大学） ； Harvard University（哈佛大学） ； Tsinghua University（清华大学） ； Nanjing University（南京大学） ； Deakin University（德克萨斯大学）
AI总结 提出RAD数据集，包含13类日常物体和4种缺陷，从60多个机器人视角在非受控光照下采集，用于评估2D特征、3D重建和视觉语言模型在姿态无关的异常检测中的表现，发现2D方法优于3D和VLM方法。
Re-FORC：用于高效思维链推理的自适应奖励预测
机构 * AWS Agentic AI（AWS智能代理部门） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 研究提出Re-FORC自适应奖励预测方法，通过在推理模型上训练轻量级适配器，实现早期停止无前景推理链、优化模型和思维长度选择以及自适应测试时缩放，有效提升推理效率和准确率。
Comments Accepted at ICML 2026; previously accepted as a non-archival paper at the Efficient Reasoning Workshop at NeurIPS 2025
当伦理与收益相悖时：道德两难情境下的大语言模型智能体
机构 * ETH Zürich（苏黎世联邦理工学院） ； University of Zurich（苏黎世大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Michigan（密歇根大学） ； Max Planck Institute for Intelligent Systems, Tübingen（图宾根人工智能研究所） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
AI总结 研究道德要求与利润激励冲突时LLMs在道德两难博弈中的行为，引入\msim评估九个模型，通过ATEs估计因果效应、分析推理轨迹，发现模型道德行为有情境脆弱性，揭示了部署风险。
具有需求学习和履行成本的在线定价与分配
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Hong Kong University of Science and Technology（香港科技大学） ； University of California San Diego（加州大学圣地亚哥分校）
AI总结 研究卖方联合选库存位置与价格并满足实际需求的在线学习问题，提出OCSAA算法，利用反事实翻译和低置信度乐观主义做决策，对有理多面体库存集有多项式时间加法精度实现，有高概率后悔保证及信息论下界，有效整合了统计学习与运筹学。
Comments 32 pages, 2 figures, 5 tables
MIRROR：从其他视角学习以进行多模态推理
机构 * University of Southern California（南加州大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 研究视觉语言模型在几何问题多模态推理上的不足，构建ODA-Data数据集，提出模态感知互惠推理优化（MIRROR）方法，通过强化学习自我监督，提升多模态推理能力，在相关基准测试中表现更优。
泄漏语言模型：通过逐令牌计时窃取架构和推理优化
机构 * Purdue University（普渡大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 研究通过LeakyLMs攻击从生产语言模型中窃取信息，利用令牌生成时间推断关键细节。核心方法是构建令牌生成时间模型，可针对推理优化和部署策略及恢复架构属性。主要贡献是能有效窃取模型、架构和部署信息，实验效果良好。
零样本神经先验用于可泛化的跨被试和跨任务脑电解码
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 针对脑电信号跨被试和跨任务泛化难题，提出零样本解码框架，采用渐进解冻策略微调Transformer，在大型数据集上实现优于基线的性能。
Comments EEG Decoding research
给自己的笔记：大语言模型能从经验抽象中受益吗？
机构 * Auton Lab, Carnegie Mellon University（卡内基梅隆大学自动实验室）
AI总结 研究大语言模型能否从经验抽象中受益，通过从其在MATH训练集的痕迹提取抽象存入可检索库，探索推理时检索和强化学习两种使用模式，发现能提高模型在数学和逻辑推理基准上的性能，且框架可转移。
媒体偏见检测中可解释性的多维评估
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Indiana University（印第安纳大学） ； Georgia State University（佐治亚州立大学）
AI总结 研究媒体偏见检测中可解释性，以BABE数据集对BERT和RoBERTa沿预测性能、解释合理性、机制忠实性三个轴评估，还研究注意力监督微调，发现不同架构在这些方面有差异，三者应分别评估。
Comments 12 pages, 6 figures, under review
ChainWatch：基于杀伤链的顺序检测框架，用于基于MCP的人工智能代理系统中的多步攻击
机构 * Computer Science New York University New York, USA（计算机科学 新 York 大学 新 York 美国） ； Cybersecurity University of Maryland, College Park MD, USA（网络安全 美国马里兰大学College Park分校 MD 美国） ； Carnegie Mellon University Pittsburgh, USA（卡内基梅隆大学 彭博 美国）
AI总结 针对基于MCP的人工智能代理系统中现有防御无法可靠检测多步攻击的问题，提出ChainWatch框架，用六阶段杀伤链建模攻击进展，结合隐马尔可夫模型分类工具调用序列，能检测逃避传统机制的攻击链。
重新思考大语言模型中的不确定性评估
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Meta
AI总结 研究大语言模型中置信度评估问题，指出校准标准不充分。沿结构连贯性、忠实性和有用性三个轴形式化条件为C1指标，发现常用估计器违反条件，RLHF等未恢复连贯性，框架可测度与弥合差距。
Comments 19 pages, 11 figures, ICML 2026 EIML Workshop
不要愚弄我两次：通过经验驱动推理在野外适应逆境
机构 * Department of Engineering Design, Indian Institute of Technology, Madras（印度理工学院工程设计系，马德拉斯） ； Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
AI总结 提出一种持续学习框架，使移动机器人能够在线从干扰中学习，通过语义将异常行为归因于原因，从而更好地预测和规划未来。
Comments Accepted at 2026 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)
基于高斯过程的后验采样强化学习用于连续控制：无界状态空间的次线性遗憾界
机构 * University of Oxford（牛津大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Technical University of Darmstadt（达姆施塔特技术大学） ； Robotics Institute Germany（德国机器人研究所）
AI总结 本文通过递归应用Borell-Tsirelson-Ibragimov-Sudakov不等式和链式方法，在弱平滑条件下证明了GP-PSRL算法的贝叶斯遗憾界为$\widetilde{\mathcal{O}}(H\sqrt{\gamma_TT})$，解决了先前理论工作的局限性。
Comments Accepted at ICML 2026. 45 pages, 8 figures
针对未见类别的成员推理攻击
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 研究针对未见类别的成员推理攻击，指出多数现有攻击因无法访问完整目标分布而失败，提出“未见类”设置，证明分位数回归攻击在此设置下优于其他方法，从实证和理论上展示其优势并给出成功所需泛化属性模型。
Comments Published at ICML 2026
AniGS：弥合3D场景动画的渲染与扩散先验
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Waymo（Waymo公司） ； Carnegie Mellon University（卡内基梅隆大学） ； Meta
AI总结 AniGS旨在为3DGS重建的大型场景添加动画，用规范3DGS表示场景，借时间条件变形场建模运动，利用预训练视频扩散模型及迭代更新策略，防止静态区域运动伪影，实验证明该方法能产生自然动态和高质量新视图视频。
Comments Preprint. Project page: https://yccyenchicheng.github.io/AniGS/
实现多语言隐私政策审计：对西班牙移动应用的大规模分析
机构 * ETH Zurich（苏黎世联邦理工学院） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 研究多语言环境下隐私政策审计，利用大语言模型构建跨语言分类器，通过对西班牙谷歌应用商店应用的大规模审计，发现公共部门与商业应用语言使用差异及声明与实际做法的差异，揭示仅英语审计掩盖透明度差距的问题。
FARO：可行性感知机器人运动优化
机构 * Munich Institute of Robotics and Machine Intelligence (MIRMI), Technical University of Munich (TUM)（慕尼黑工业大学慕尼黑机器人与机器智能研究所） ； Institute for Advanced Study, Technical University of Munich（慕尼黑工业大学高级研究所） ； Carnegie Mellon University（卡内基梅隆大学） ； SIEMENS AG（西门子公司） ； Huawei-TUM joint laboratory（华为-慕尼黑工业大学联合实验室）
AI总结 针对机器人在未知场景快速规划新行为的挑战，提出嵌套运动动力学框架，结合可行性引导树搜索和大语言模型采样策略，能改善搜索过程，生成的轨迹可用强化学习控制器跟踪，质量高可用于实际运动操作场景。
超越准确性和成本：针对动态工作负载的延迟感知大语言模型查询路由
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Microsoft（微软）
AI总结 研究针对动态工作负载的大语言模型查询路由，设计轻量级延迟估计器，纳入延迟感知路由器，联合优化延迟、准确性和成本，实验表明该方法能在保持延迟的同时提升准确性 - 成本效用达40%。
长度值模型：用于令牌级长度建模的可扩展值预训练
机构 * University of California, Santa Barbara（加州大学圣巴巴拉分校） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； LMSYS Org（LMSYS组织） ； Apple Inc.（苹果公司）
AI总结 本文提出Length Value Model，通过令牌级建模实现高效的长度预测，提升生成长度的准确性和效率，实验显示其在多个任务中优于现有模型。
CLT-Forge：一种可扩展的跨层转码器和归因图库
机构 * Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； Jinesis AI Lab（Jinesis人工智能实验室） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； CMU（卡内基梅隆大学） ； EuroSafeAI ； ELLIS Institute Tübingen（图宾根ELLIS研究所）
AI总结 本文提出CLT-Forge库，通过分布式训练、模型分片和压缩激活缓存提升跨层转码器的可扩展性，提供统一的可解释性流程和可视化接口，解决归因图的冗余问题。
Comments 9 pages, 7 figures, 1 table. Code: https://github.com/LLM-Interp/CLT-Forge. Demonstration video: https://youtu.be/6ptrrLawTl8
O-VAD：通过以对象为中心的跟踪和推理进行工业视频异常检测
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Alabama at Birmingham（阿拉巴马大学伯明翰分校） ； Griffith University（格里菲斯大学）
AI总结 针对工业视频异常检测，现有基于VLM的方法在工业场景中性能不佳的问题，提出无训练的智能框架O-VAD，通过跟踪对象时空动态和推理状态轨迹来检测异常，在多数据集实验中优于多种方法且能提供可解释报告。
Comments Accepted to ECCV 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