高校专区
SPIDER：可扩展的物理引导的灵活重新定位
机构 * FAIR at Meta（Meta 的 FAIR） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 SPIDER 是一种基于物理的重新定位框架，通过大规模物理采样和课程式虚拟接触指导，将人类运动数据转化为动态可行的机器人轨迹，提升策略学习效率。
Comments Project website: https://jc-bao.github.io/spider-project/
用人工智能模拟视觉世界：一条路线图
机构 * Robotics Institute Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； S-Lab Nanyang Technological University（南洋理工大学S实验室） ； Kling Team Kuaishou Technology（快手科技 Kling 团队）
AI总结 本文提出了一种基于隐式世界模型和视频渲染器的视频基础模型，用于模拟物理动态、智能体交互和任务规划，涵盖四代视频生成技术，应用于机器人、自动驾驶和互动游戏等领域。
Comments Project page: https://world-model-roadmap.github.io/ Github Repo: https://github.com/ziqihuangg/Awesome-From-Video-Generation-to-World-Model
一种多令牌坐标下降法用于半去中心化垂直联邦学习
机构 * Department of Electrical and Computer Engineering, Carnegie Mellon University（卡内基梅隆大学电气与计算机工程系） ； Institute for Systems and Robotics, Instituto Superior Técnico（系统与机器人研究所，理工学院） ； Department of Computer Science, NOVA School of Science and Technology（科学与技术学院计算机科学系）
AI总结 本文提出一种多令牌坐标下降法，用于半去中心化垂直联邦学习，通过灵活利用客户端-服务器和客户端-客户端链接，提升收敛效率并适应不同应用场景。
Comments Accepted to IEEE Transactions on Signal Processing
EuroLLM-22B：技术报告
机构 * Instituto Superior Técnico & Universidade de Lisboa (Lisbon ELLIS Unit)（里斯本ELLIS单位（理工学院与里斯本大学）） ； Instituto de Telecomunicações（电信研究院） ； MICS, CentraleSupélec, Université Paris-Saclay（MICS、中央圣艾尔布兰理工大学、巴黎萨克雷大学） ； Acolad ； Carnegie Mellon University（卡内基梅隆大学） ； University of Edinburgh（爱丁堡大学） ； Diabolocom ； Aveni ； OutSystems ； Sword Health ； Sorbonne Université, CNRS, ISIR（索邦大学、国家科学研究中心、ISIR） ； Artefact Research Center（Artefact研究机构） ； TransPerfect
AI总结 EuroLLM-22B是一款覆盖24种欧盟语言及11种额外语言的大型语言模型，通过多语言基准测试展现强推理、指令遵循和翻译能力，提供基础模型、指令微调模型及预训练代码库以支持未来研究。
考虑约束的离散时间PID增益优化用于受执行器饱和影响的机器人关节控制
机构 * Downingtown STEM Academy（Downingtown STEM学院） ； Carnegie Mellon University（卡内基梅隆大学） ； School of Computer Science（计算机科学学院）
AI总结 本文提出了一种考虑约束的离散时间PID增益优化方法，通过混合认证的贝叶斯优化工作流程提升机器人关节控制的鲁棒性。
Comments Pending IEEE Transactions on Robotics Publication
应该消除偏见吗？一种利用偏见进行OOD泛化的通用框架
机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎德·本·扎耶德人工智能大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Zhejiang University（浙江大学）
AI总结 本文提出了一种通用框架，通过利用偏见来提升OOD泛化的性能，通过生成模型识别偏见因素并构建偏见感知预测器，结合不同环境的预测器以提高鲁棒性和适应性。
CoPE：剪裁RoPE作为长上下文LLM的可扩展免费午餐
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 CoPE通过软剪裁RoPE的低频成分，有效提升长上下文LLM的性能，实现可扩展的免费午餐。
机器学习组件的质量模型
机构 * Carnegie Mellon Software Engineering Institute（卡内基梅隆软件工程研究所） ； Fairfield University（费尔菲尔德大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出了一种针对机器学习组件的质量模型，旨在指导需求获取与协商，并为开发者和利益相关者提供共同术语以定义系统衍生需求。
Comments A short version of this paper has been accepted to CAIN 2026, the 5th IEEE/ACM Conference on AI Engineering - Software Engineering for AI Systems
多目标图自监督学习的反馈控制
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Amazon（亚马逊）
AI总结 ControlG通过反馈控制框架解决多目标图自监督学习中的目标协调问题，通过时间分配优化提升性能并揭示学习驱动因素。
视觉能否取代文本在工作记忆中的作用？来自视觉-语言模型中空间n-Back任务的证据
机构 * Southeast University（东南大学） ； Shanghai Jiao Tong University（上海交通大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 研究通过空间n-Back任务评估视觉-语言模型中视觉与文本对工作记忆的影响，发现文本条件下的表现优于视觉条件，揭示了视觉信息处理中的计算差异。
Mugi：用于高效大语言模型的价值级并行
机构 * University of Central Florida（佛罗里达中央大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 Mugi通过价值级并行提升大语言模型的效率与可持续性，实现更高的吞吐量和能效，同时降低碳排放。
Comments 2026 International Conference on Architectural Support for Programming Languages and Operating Systems
STAND：面向交互式任务学习的自感知预条件诱导
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 STAND通过自感知学习机制，在交互式任务学习中实现高效且准确的预条件诱导，提升训练一致性和主动学习支持。
InterPReT：交互式策略重构与训练实现有效的模仿学习
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 InterPReT通过交互式策略重构与训练，使非专业人士能够更高效地训练可靠的模仿学习策略。
Comments Proceedings of the 21st ACM/IEEE International Conference on Human-Robot Interaction
在13个参数中学习推理
机构 * FAIR at Meta（Meta 的 FAIR） ； Cornell University（康奈尔大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 TinyLoRA通过仅训练13个参数实现高效推理学习，显著提升模型性能并降低训练成本。
半双极神经最优传输中的速率最优噪声退火：切向可识别性、非流形模糊性及保证恢复
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Sungkyunkwan University（成均馆大学） ； University of Seoul（首尔大学） ； Korea Institute for Advanced Study（韩国高级研究院）
AI总结 本文提出通过噪声退火实现半双极神经最优传输的速率最优解，通过理论分析和实验验证，确定了终端噪声水平与内在维度的关系，解决了非流形模糊性和病态问题。
RF-DETR：实时检测Transformer的神经架构搜索
机构 * Roboflow ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 RF-DETR通过轻量级检测Transformer和神经架构搜索，在实时检测中实现更高的精度和速度，超越现有方法。
Comments This work has been accepted to the International Conference on Learning Representations (ICLR) 2026. Project Page: https://rfdetr.roboflow.com/
在有效基于LLM的漏洞检测中选择少样本示例的难度
机构 * Colorado State University（科罗拉多州立大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文研究了在基于LLM的漏洞检测中选择少样本示例的两种标准，并发现不同编程语言对示例选择的响应不同。
Comments Workshop on LLM Assisted Security and Trust Exploration (LAST-X) 2026
时间到不一致：大型语言模型对对抗攻击鲁棒性的生存分析
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本研究通过生存分析方法评估大型语言模型在多轮对话中的鲁棒性，发现语义漂移对不一致风险的影响，并提出轻量级模型用于提前检测失败对话。
大语言模型能否在反事实推理中调和知识冲突
机构 * Department of Machine Learning（机器学习系） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本研究探讨了大语言模型在反事实推理中整合参数知识的能力，发现其普遍挣扎并存在知识退化问题。
Comments ICML 2025 Workshop on Scaling up Intervention Models
基于通用领域知识的高效行为克隆
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出KIM方法，通过整合大语言模型的编码能力与专家领域知识，提升行为克隆的样本效率和泛化能力。
Journal ref In Proceedings of the Thirty-Fourth International Joint Conference on Artificial Intelligence. Article 807, 7254-7262 (2025)
在扩散语言模型中使用潜在令牌进行推理
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出通过引入潜在令牌提升扩散语言模型在需要全局一致性和前瞻性的推理任务中的性能。
MM-SCALE: 基于标量判断和列表对齐的 grounded 多模态道德推理
机构 * Seoul National University（首尔国立大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Florida（佛罗里达大学） ； Epic Games
AI总结 MM-SCALE通过5点标量评分和显式模态接地，提升多模态模型在道德推理任务中的表现。
重用FLOPs：通过条件化非常离策略前缀来扩展RL在困难问题上的应用
机构 * Meta ； Carnegie Mellon University（卡内基梅隆大学） ； University of Southern California（南加州大学）
AI总结 通过条件化离策略前缀提升RL在困难问题上的学习效率，实现更快的训练奖励和更高的最终奖励。
PluriHarms：对AI危害全谱人类判断的基准测试
机构 * UC Berkeley（伯克利大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Allen Institute for AI（人工智能研究院） ； New York University（纽约大学）
AI总结 PluriHarms通过系统研究人类对AI危害的判断，旨在推动更安全的AI发展。
ME-IGM：最大熵多智能体强化学习中的个体-全局-最大
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Zhejiang University（浙江大学） ； XPeng Inc.（XPeng公司） ； The University of Hong Kong（香港大学） ； INFIFORCE Intelligent Tech. Co., Ltd.（INFIFORCE智能科技有限公司）
AI总结 ME-IGM是一种结合最大熵探索与IGM条件的新型多智能体强化学习算法，通过解决局部策略与联合策略不一致问题，提升探索效率和性能。
Comments Published in the Proceedings of the 25th International Conference on Autonomous Agents and Multiagent Systems (AAMAS 2026)
Journal ref Proc. of the 25th International Conference on Autonomous Agents and Multiagent Systems (AAMAS 2026), Paphos, Cyprus, May 25 - 29, 2026, IFAAMAS, 19 pages
Privasis：从零开始合成最大的“公共”私有数据集
机构 * NVIDIA ； CMU（卡内基梅隆大学） ； USC（南加州大学）
AI总结 Privasis是首个从零开始构建的百万级合成数据集，用于提升隐私敏感领域研究的规模和效率，其模型在隐私净化任务中表现优异。
Comments For code and data, see https://privasis.github.io
重新思考基于音乐元数据的音乐描述生成
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Adobe Research（Adobe研究）
AI总结 本文提出基于元数据的音乐描述生成方法，通过训练元数据预测模型和预训练LLMs，实现更灵活的描述生成和元数据填补。
Comments Accepted to ICASSP 2026
Co2PO：多智能体强化学习中的协调约束策略优化
机构 * Rutgers University, New Brunswick, NJ（罗杰斯大学，新不伦瑞克，新泽西） ； Carnegie Mellon University, Pittsburgh, PA（卡内基梅隆大学，匹兹堡，宾夕法尼亚）
AI总结 Co2PO通过引入共享黑板架构和风险预测机制，实现多智能体强化学习中的协调安全优化，提升探索效率并减少保守性。
一步修订提升令牌高效大语言模型推理
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Georgia（佐治亚大学）
AI总结 PACER通过轨迹间互相审查提升令牌高效大语言模型推理准确性，显著优于传统投票方法。
利用边缘检测和块对角高斯过程回归下推土地表面温度数据
机构 * Jet Propulsion Laboratory, California Institute of Technology（喷气推进实验室，加州理工学院） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出利用边缘检测和块对角高斯过程回归方法，从ECOSTRESS数据中高分辨率估计土地表面温度，以提高农业应用中的蒸散发估算精度。
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