UFM: A Simple Path towards Unified Dense Correspondence with Flow
UFM: 一种通往统一密集对应关系的简单路径：流
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 UFM通过统一训练方法在密集对应关系任务中实现了更高的准确性和效率，优于专门方法。
Comments Project Page: https://uniflowmatch.github.io/
高校专区
Carnegie Mellon University（卡内基梅隆大学）
Faithful Group Shapley Value
忠实的群体Shapley值
机构 * The Ohio State University（俄亥俄州立大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出FGSV，一种能防御壳公司攻击的群体Shapley值方法，并开发了高效的近似算法。
Comments Accepted to NeurIPS 2025
Transformer-Based Spatio-Temporal Association of Apple Fruitlets
基于变换器的苹果果粒时空关联
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出基于变换器的苹果果粒时空关联方法，通过自注意力和交叉注意力机制提升小尺寸水果的关联精度，实验结果显示在商业果园中达到92.4%的F1分数。
Journal ref 2025 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), Hangzhou, China, 2025, pp. 3018-3025
Learning Potentials for Dynamic Matching and Application to Heart Transplantation
动态匹配中的学习潜力及其在心脏移植中的应用
机构 * Department of Computer Science, Carnegie Mellon University（计算机科学系，卡内基梅隆大学） ； Department of Surgery, Division of Cardiothoracic Surgery, Medical University of South Carolina（外科系，心胸外科 division，南卡罗来纳医学大学）
AI总结 本文提出了一种基于潜力的学习方法，用于动态匹配，应用于心脏移植分配，通过自监督模仿学习优化群体层面的成果。
$\texttt{lrnnx}$: A library for Linear RNNs
lrnnx：线性递归神经网络的库
机构 * Carnegie Mellon University（卡内基梅隆大学） ； BITS Pilani（比特学院）
AI总结 lrnnx是一个统一的软件库，旨在提高线性递归神经网络的可访问性、可重复性和可扩展性，通过提供统一接口和多层次控制实现多种现代LRNN架构。
Comments EACL Student Research Workshop 2026
Large Language Models in Peer-Run Community Behavioral Health Services: Understanding Peer Specialists and Service Users' Perspectives on Opportunities, Risks, and Mitigation Strategies
在同伴运行社区心理健康服务中使用大型语言模型：理解同伴专家和服务用户对机会、风险及缓解策略的看法
机构 * School of Computer Science（计算机科学系） ； Carnegie Mellon University（卡内基梅隆大学） ； Human-Computer Interaction Institute（人机交互研究所） ； University of Pittsburgh（匹兹堡大学） ； Graduate School of Applied and Professional Psychology（应用与专业心理学研究生院） ； Rutgers University（罗格斯大学） ； Software and Societal Systems Department（软件与社会系统部门）
AI总结 本文探讨了在同伴运行社区心理健康服务中引入大型语言模型的影响，分析了机会、风险及缓解策略，强调了LLM作为关系合作者而非临床工具的角色。
Comments 24 pages, 2 tables, 7 figures. Accepted and to appear in the Proceedings of CHI 2026
TritonRL: Training LLMs to Think and Code Triton Without Cheating
TritonRL: 训练 LLM 以无作弊方式思考和编写 Triton
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Amazon Web Services（亚马逊网络服务） ； Google DeepMind（谷歌DeepMind）
AI总结 TritonRL 通过强化学习框架训练出专门用于 Triton 编程的 8B 级 LLM，实现高正确性和运行时加速，优于现有模型。
Interpretable Discovery of One-parameter Subgroups: A Modular Framework for Elliptical, Hyperbolic, and Parabolic Symmetries
可解释性地发现单参数子群：椭圆、双曲和抛物对称性的模块化框架
机构 * Indian Institute of Science（印度科学研究院） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出了一种模块化框架，用于从数据中发现单参数对称子群，通过学习生成器参数实现对称性的可解释性建模。
What Makes LLM Agent Simulations Useful for Policy Practice? An Iterative Design Study in Emergency Preparedness
是什么使大语言模型代理模拟对政策实践有用？一项关于应急准备的迭代设计研究
机构 * School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机科学学院）
AI总结 本文通过迭代设计研究，探讨了LLM代理模拟在应急准备中的应用，发现通过可验证场景建立信任、获取隐性知识以及共同进化模拟与政策实施是提升其对政策实践有用性的关键。
Virtual Community: An Open World for Humans, Robots, and Society
虚拟社区：人类、机器人与社会的开放世界
机构 * UMass Amherst（马萨诸塞大学阿默斯特分校） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室） ； Johns Hopkins University（约翰霍普金斯大学） ； CMU（卡内基梅隆大学）
AI总结 虚拟社区是一个开放世界平台，旨在研究人类与机器人共存的社会智能，通过多智能体模拟和大规模社区生成，提出两个新挑战以探索开放世界中的协作与规划能力。
Comments website https://virtual-community-ai.github.io/
Efficient Attention via Pre-Scoring: Prioritizing Informative Keys in Transformers
通过预评分实现高效的注意力机制：在Transformer中优先选择信息量大的键
机构 * Carnegie Mellon University, Pittsburgh, USA ； University of Southern California, Los Angeles, CA, USA ； University of California, San Diego, Department of Mathematics, La Jolla, CA, USA ； University of California, Davis, Applied Mathematics \& Statistics, Davis, CA, USA ； Carnegie Mellon University, Pittsburgh, PA, USA
AI总结 本文提出预评分方法，通过优先选择信息量大的键提升Transformer在长上下文语言建模和视觉任务中的效率与精度
TDGNet: Hallucination Detection in Diffusion Language Models via Temporal Dynamic Graphs
TDGNet: 通过时间动态图检测扩散语言模型中的幻觉
机构 * Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； 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 TDGNet通过时间动态图框架，利用演进的token级注意力图进行学习，实现对扩散语言模型中幻觉的高效检测。
Generalised Flow Maps for Few-Step Generative Modelling on Riemannian Manifolds
广义流映射用于黎曼流形上的少步生成建模
机构 * University of Oxford（牛津大学） ； Harvard University（哈佛大学） ； Kempner Institute（凯普纳研究所） ； Institute for Artificial Intelligence and Fundamental Interactions, MIT（人工智能与基本相互作用研究所，MIT） ； Carnegie Mellon University（卡内基梅隆大学） ； AITHYRA（AITHYRA研究所） ； Mila（Mila研究所） ； Imperial College London（伦敦帝国学院）
AI总结 本文提出广义流映射（GFM）用于黎曼流形上的少步生成建模，通过自蒸馏方法提升现有生成模型性能。
Comments Under review
Residual Vector Quantization For Communication-Efficient Multi-Agent Perception
残差向量量化用于通信高效的多智能体感知
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 ReVQom通过残差向量量化实现高效多智能体感知，显著降低通信带宽需求，提升实际应用可行性。
Comments Accepted at ICASSP 2026. 5 pages
PBEBench: A Multi-Step Programming by Examples Reasoning Benchmark inspired by Historical Linguistics
PBEBench: 一个受历史语言学启发的多步编程-by-例子推理基准
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Ohio State University（俄亥俄州立大学）
AI总结 PBEBench是一个受历史语言学启发的多步编程-by-例子推理基准，用于评估LLMs的归纳推理能力，发现模型在复杂任务中的表现存在显著差距。
Nondeterministic Polynomial-time Problem Challenge: An Ever-Scaling Reasoning Benchmark for LLMs
非确定多项式时间问题挑战：为大语言模型构建的持续扩展推理基准
机构 * The Hong Kong Polytechnic University（香港理工大学） ； KTH Royal Institute of Technology（皇家理工学院） ； Carnegie Mellon University（卡内基梅隆大学） ； Nanyang Technological University（南洋理工大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Singapore Management University（新加坡管理学院）
AI总结 NPPC是一个持续扩展的推理基准，通过三个模块评估LLMs的推理能力，揭示其性能极限和改进方向。
Comments Accepted to TMLR
Tree Search for Language Model Agents
语言模型代理的树搜索
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出一种树搜索算法，用于提升语言模型代理在现实网页任务中的表现，实验显示其在成功率上显著优于基线方法。
Comments 13 pages. Models and code available at https://jykoh.com/search-agents
Mimetic Initialization of MLPs
MLP的仿生初始化
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出通过给MLP第一层赋予非零均值来加速训练，首次将仿生初始化应用于通道混合层。
SaDiT: Efficient Protein Backbone Design via Latent Structural Tokenization and Diffusion Transformers
SaDiT：通过潜在结构标记化和扩散变换器实现高效的蛋白质骨架设计
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Zhejiang Lab（浙江实验室） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 SaDiT通过结合潜在结构标记化和扩散变换器，实现了高效的蛋白质骨架设计，提升了生成速度和结构可行性。
Operationalizing Stein's Method for Online Linear Optimization: CLT-Based Optimal Tradeoffs
将Stein方法应用于在线线性优化：基于中心极限定理的最优权衡
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 利用Stein方法改进在线线性优化算法，实现基于中心极限定理的最优权衡与更精确的性能保证。
Adaptive Protein Tokenization
自适应蛋白质标记化
机构 * California Institute of Technology（加州理工学院） ； Carnegie Mellon University（卡内基梅隆大学） ； Howard Hughes Medical Institute（霍华德·休斯医学研究所）
AI总结 本文提出了一种自适应蛋白质标记化方法，通过全局标记生成提升生成和表示任务性能，支持零样本蛋白质缩小和亲和力成熟。
Time-uniform conformal and PAC prediction
时间一致的共形与PAC预测
机构 * Department of Statistics and Data Science, Carnegie Mellon University（统计与数据科学系，卡内基梅隆大学）
AI总结 本文提出了一种时间一致的共形与PAC预测方法，适用于数据点数量不确定的序列设置，确保预测集在任意时间点的覆盖率符合要求。
Spider-Sense: Intrinsic Risk Sensing for Efficient Agent Defense with Hierarchical Adaptive Screening
Spider-Sense: 基于内在风险感知的高效代理防御方法与分层自适应筛查
机构 * SUFE（上海财经大学） ； NUS（新加坡国立大学） ； QuantaAlpha（量子阿尔法） ； CMU（卡内基梅隆大学） ； SYSU（南方科技大学） ； USTC（中国科学技术大学） ； XJTU（西安交通大学）
AI总结 Spider-Sense通过内在风险感知实现高效代理防御，结合分层自适应筛查机制，有效降低攻击成功率和误报率，仅引入微小延迟。
Near-Optimal Dynamic Matching via Coarsening with Application to Heart Transplantation
通过粗化实现近优动态匹配：应用于心脏移植的应用
机构 * Department of Computer Science, Carnegie Mellon University（计算机科学系，卡内基梅隆大学） ； Department of Surgery, Division of Cardiothoracic Surgery, Medical University of South Carolina（外科系，心胸外科 division，南卡罗来纳医学大学）
AI总结 本文提出基于粗化方法的近优动态匹配算法，应用于心脏移植分配，通过理论支撑政策在模拟中取得优于现状政策的性能。
Quantifying the Effect of Test Set Contamination on Generative Evaluations
量化测试集污染对生成评估的影响
机构 * University of Oxford（牛津大学） ； ServiceNow Research（ServiceNow研究院） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本研究通过语言模型生命周期量化测试集污染对生成评估的影响，发现污染可降低模型损失，进一步训练和采样温度调节影响记忆效果。
Accelerating Diffusion Planners in Offline RL via Reward-Aware Consistency Trajectory Distillation
通过奖励感知一致性轨迹蒸馏加速离线强化学习中的扩散规划器
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出了一种奖励感知一致性轨迹蒸馏方法，通过解耦训练和无噪声奖励信号，在离线强化学习中实现高效扩散规划器，提升性能并加快推理速度。
Probing Perceptual Constancy in Large Vision-Language Models
探测大型视觉-语言模型中的知觉恒常性
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Emory University（埃默里大学） ； University of Washington（华盛顿大学） ； University of California San Diego（加州大学圣地亚哥分校） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； University of Southern California（南加州大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； Shanghai Jiao Tong University（上海交通大学） ； East China Normal University（华东师范大学） ； Stanford University（斯坦福大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Michigan（密歇根大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文研究了大型视觉-语言模型在颜色、大小和形状恒常性任务中的表现，发现模型在不同任务上的性能存在显著差异。
Comments Under Review
AnyThermal: Towards Learning Universal Representations for Thermal Perception
AnyThermal：迈向热感知的通用表示学习
机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； Biological Systems Engineering, University of Nebraska-Lincoln（内布拉斯加大学林肯分校生物系统工程系） ； Mechanical Engineering, Penn State University（宾夕法尼亚州立大学机械工程系） ； School of Engineering and Design, Technical University of Munich（慕尼黑技术大学工程与设计学院） ； Mechanical Engineering, Carnegie Mellon University（卡内基梅隆大学机械工程系）
AI总结 AnyThermal通过蒸馏视觉基础模型的特征表示，实现跨环境和任务的通用热感知表示学习，取得显著性能提升。
Comments Accepted at IEEE ICRA (International Conference on Robotics & Automation) 2026
From Blurry to Believable: Enhancing Low-quality Talking Heads with 3D Generative Priors
从模糊到可信：利用3D生成先验增强低质量的对话头
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Texas A&M University（德克萨斯大学）
AI总结 SuperHead通过动态感知3D反向过程，利用预训练3D生成模型先验知识，提升低质量对话头的3D重建与动画质量。
Comments Accepted to 3DV 2026. Project Page: https://humansensinglab.github.io/super-head/
Jackpot: Optimal Budgeted Rejection Sampling for Extreme Actor-Policy Mismatch Reinforcement Learning
Jackpot: 为极端演员-策略不匹配强化学习的最优预算拒绝采样
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 Jackpot通过最优预算拒绝采样方法，有效减少rollout模型与策略之间的分布差异，提升大语言模型强化学习的训练稳定性与效率。
Comments ICLR 2026
