高校专区
OmniRetarget：面向人形全身运动操控与场景交互的交互保持数据生成
机构 * Amazon FAR (Frontier AI & Robotics)（亚马逊前沿人工智能与机器人实验室） ； MIT（麻省理工学院） ； UC Berkeley（伯克利大学） ； Stanford University（斯坦福大学） ； CMU（卡内基梅隆大学）
AI总结 提出OmniRetarget引擎，通过交互网格显式建模并保持智能体、地形和物体间的空间与接触关系，将人类运动重定向为机器人运动，生成高质量轨迹以训练强化学习策略，实现长时间跑酷和操控技能。
Comments Project website: https://omniretarget.github.io
面向多样化类人团队协作与通信的算法化提示生成与大型语言模型
机构 * Thomas Lord Department of Computer Science, University of Southern California（美国南加州大学汤姆·劳德计算机科学系） ； School of Computing and Information, University of Pittsburgh（美国匹兹堡大学计算与信息学院） ； Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； Sibley School of Mechanical and Aerospace Engineering, Cornell University（康奈尔大学西伯利机械与航空航天工程学院）
AI总结 结合质量多样性优化与LLM代理，自动搜索生成多样化团队行为的提示，捕获人类协作与通信策略，并通过用户研究验证其类人性。
MacrOData：用于表格异常检测的数千个数据集的新基准
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Technical University of Dortmund（多特蒙德技术大学）
AI总结 提出大规模表格异常检测基准MacrOData，包含2446个数据集，覆盖真实与合成异常，支持全面鲁棒的评估。
Comments 29 pages, KDD 2026
SkillsBench: 基准测试智能体技能在不同任务中的有效性
机构 * BenchFlow ； OSU ； Amazon ； UC Berkeley ； UC Santa Cruz ； UC Davis ； Dartmouth ； RLWRLD ； Independent ； Princeton University ； Oxford University ； Stanford University ； USC ； CMU ； Foxconn ； Zenity ； UNSW ； UT Austin ； MSU ； Duke University ； ByteDance ； UT Dallas ； UC San Diego ； Columbia University ； University of Rochester ； Cornell Tech ； Georgia Tech ； Cornell University ； NEU ； UCLA ； Snap Inc. ； Fanshawe College ； University of Science and Technology of China ； HKUST(GZ) ； Anyscale
AI总结 提出SkillsBench基准，包含8领域87个任务，通过配对评估证明技能提升平均通过率16.6个百分点，小模型配备技能可匹敌大模型。
DemoDiffusion: 使用预训练扩散策略的一次性人类模仿
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出DemoDiffusion方法，通过单次人类演示和预训练扩散策略，无需任务特定训练即可使机器人执行操作任务，在8项任务中平均成功率达83.8%。
Comments 11 pages. Published at ICRA 2026
RASST：检索增强的同声传译
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 针对同声传译中罕见术语翻译不准的问题，提出检索增强方法RASST，通过轻量级语音-文本检索器提供分块术语提示，并合成训练数据教会模型何时应用检索术语，在ACL 60/60和ESO测试集上术语准确率提升近40%，BLEU提升最多3点。
Comments Under Review
FasterPy：基于大语言模型的代码执行效率优化框架
机构 * School of Computer Science, Wuhan University（武汉大学计算机学院） ； School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机学院） ； School of Mathematical and Computational Sciences, Massey University（梅西大学数学与计算科学学院） ； School of Computer Science, Central China Normal University（中央中国师范大学计算机学院） ； School of Computer Science, Nanjing University of Science and Technology（南京理工大学计算机学院） ； School of Computing Technologies, RMIT University（皇家墨尔本理工大学计算技术学院）
AI总结 提出FasterPy框架，结合检索增强生成（RAG）和低秩适应（LoRA）技术，利用大语言模型自动优化Python代码执行效率，在PIE基准上超越现有方法。
Comments 38 pages, 5 images, 14 tables, Manuscript revision submitted to a Journal (2026)
JE-IRT: 通过联合嵌入项目反应理论审视LLM能力的几何视角
机构 * Independent Researcher（独立研究者） ； University of Cincinnati（辛辛那提大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出JE-IRT几何框架，将LLM和问题嵌入共享空间，通过方向编码语义、范数编码难度，揭示主题专长和分布外行为，支持新模型高效扩展，并发现与人类分类部分对齐的内部结构。
Comments 35 pages, 17 figures, 9 tables, accepted to TMLR
我没有做出微决策：在协作中测量、诱导和暴露目标级AI贡献
机构 * KAIST（韩国科学技术院） ； Carnegie Mellon University（卡内基梅隆大学） ； Seoul National University（首尔国立大学）
AI总结 本文提出CoTrace框架，用于测量和暴露协作中目标级AI贡献，发现模型在目标塑造中贡献有限，但在引入具体要求和间接影响方面作用显著，且交互设计影响模型行为。
学习预测什么：下游引导的持续预训练任务设计
机构 * Department of ECE（电子工程系） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出V-pretraining方法，通过轻量级任务设计器为无标签批次构建目标或视图，利用下游损失的一阶减少作为反馈，指导自监督更新，提升目标能力而不损害泛化。
非洲数据中心用水效率数据集
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Carnegie Mellon University Africa Kigali Rwanda（卡内基梅隆大学非洲分校，基亚利，卢旺达） ； Rochester Institute of Technology（罗切斯特理工学院） ； Rochester New York USA（罗切斯特，纽约州，美国） ； Carnegie Mellon University Pittsburgh Pennsylvania USA（卡内基梅隆大学匹兹堡，宾夕法尼亚州，美国） ； University of California, Riverside（加州大学河滨分校）
AI总结 构建首个结合天气与发电数据的非洲41国数据中心用水效率数据集，评估Llama-3-70B和GPT-4推理用水量，发现多数非洲国家用水低于全球平均。
Comments Accepted by NeurIPS 2024 Workshop on Tackling Climate Change with Machine Learning
Goal2Pixel: 将目标锚定到像素以实现视觉语言导航
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Nanyang Technological University（南洋理工大学）
AI总结 提出Goal2Pixel范式，通过将连续环境中的视觉语言导航（VLN-CE）重新定义为可导航像素锚定，利用图像平面作为统一空间接口，预测可见导航像素并反投影为3D航点，结合可见性感知关键帧记忆和坐标感知辅助损失，在减少VLM调用次数的同时实现竞争性性能。
Comments 8 pages
VDE Bench: 评估图像编辑模型对视觉文档进行修改的能力
机构 * UCAS（中国科学院大学） ； CASIA（中国科学院自动化研究所） ； Tencent（腾讯） ； CMU（卡内基梅隆大学） ； WashU（华盛顿大学） ； SJTU（上海交通大学） ； XDU（北京理工大学）
AI总结 本文提出VDE Bench，一个专门评估图像编辑模型在双语中文-英文和复杂视觉文档编辑任务性能的基准，通过高质量数据集和新的评估框架，系统量化了文本修改的准确性。
自蒸馏零：自我修订将二元奖励转化为密集监督
机构 * Princeton University（普林斯顿大学） ； University of Toronto（多伦多大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出SD-Zero方法，通过让模型同时扮演生成器和修订者，利用二元奖励生成密集的token级自监督信号，显著提升训练样本效率，在数学和代码推理任务上超越RFT、GRPO等基线。
Prism: 通过GPU内存气球实现经济高效的多LLM服务
机构 * UCLA（加州大学洛杉矶分校） ； UC Berkeley（伯克利加州大学） ； Harvard University（哈佛大学） ； CMU（卡内基梅隆大学） ； University of Edinburgh（爱丁堡大学） ； Intel（英特尔） ； Stanford University（斯坦福大学） ； LMSYS（灵州市系统实验室） ； ByteDance（字节跳动） ； Alibaba Cloud（阿里云） ； Tsinghua University（清华大学） ； Novita AI ； Rice University（里士满大学）
AI总结 针对多LLM服务中资源效率低下的问题，提出基于内存气球的内存中心化LLM协同服务框架Prism，统一空间与时间共享，已在10K+ GPU生产环境部署。
Comments OSDI'26
MPK：一种用于将张量程序转化为巨型内核的编译器和运行时系统
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Tsinghua University（清华大学） ； NVIDIA ； University of Michigan（密歇根大学） ； Independent Researcher（独立研究者） ； Peking University（北京大学）
AI总结 提出MPK，首个自动将多GPU模型推理转化为单个高性能巨型内核的编译器和运行时系统，通过SM级图表示实现跨算子软件流水线和细粒度计算通信重叠，显著降低推理延迟。
Comments 14 pages
分布式能源采纳的分层概率保形预测
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 针对分布式能源采纳预测中的不确定性和分层电网结构，提出基于多元霍克斯过程与分裂保形预测的量化框架，确保聚合后统计有效性，在印第安纳波利斯数据上优于基线。
CU-Multi：多机器人协同感知数据集
机构 * Autonomous Robotics and Perception Group at the University of Colorado Boulder（科罗拉多大学波尔得分校自主机器人与感知组） ； Robot Perception Lab at Carnegie Mellon University（卡内基梅隆大学机器人感知实验室） ； Aerospace Controls Laboratory at Massachusetts Institute of Technology（麻省理工学院航空航天控制实验室） ； Computer Science and Artificial Intelligence Laboratory at Massachusetts Institute of Technology（麻省理工学院计算机科学与人工智能实验室） ； Human-Aware Robotic Exploration Lab at University of California Santa Cruz（加州大学圣克ruz分校人感知机器人探索实验室）
AI总结 针对多机器人协同感知基准测试缺乏专用数据集的问题，提出CU-Multi数据集，包含多天采集的同步多机器人轨迹、RGB-D、RTK GPS、语义LiDAR及精确里程计，支持可重复评估。
Comments 8 pages, 11 figures. arXiv admin note: text overlap with arXiv:2505.17576
托卡马克旋转剖面控制的离线强化学习
机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； Princeton University（普林斯顿大学） ； Princeton Plasma Physics Lab（普林斯顿等离子物理实验室） ； The University of Hong Kong（香港大学） ； Lila Sciences
AI总结 针对托卡马克等离子体旋转剖面控制难题，提出基于历史数据的离线强化学习方法，利用概率模型生成轨迹训练策略，并在DIII-D托卡马克上验证了有效性。
基于UCB探索的可复现Bandits
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Amazon（亚马逊） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 研究随机多臂老虎机和线性老虎机中基于UCB探索的可复现算法，提出RepUCB和RepLinUCB，分别实现最优遗憾界，显著降低可复现性代价。
模型说走：表面启发式如何覆盖LLM推理中的隐式约束
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Independent Researcher（独立研究者）
AI总结 研究LLM在表面线索与隐式约束冲突时的失败，提出启发式覆盖基准（HOB），通过因果行为分析揭示距离线索影响远大于目标，并验证目标分解提示可部分恢复性能。
面向增材制造的领域自适应大语言模型
机构 * Department of Mechanical Engineering, Carnegie Mellon University（机械工程系，卡内基梅隆大学）
AI总结 本文通过约5000万token的小型数据集对开源大语言模型进行领域自适应预训练和指令微调，构建多模态领域自适应模型，在增材制造基准测试中达到90%以上准确率。
扩展自监督语音模型揭示深层语言关系：来自太平洋集群的证据
机构 * School of Electrical Engineering, KAIST, Republic of Korea（韩国成均馆大学电气工程学院） ； Thomas Lord Department of Computer Science, University of Southern California, USA（美国南加州大学计算机科学系） ； Language Technologies Institute, Carnegie Mellon University, USA（美国卡内基梅隆大学语言技术研究所）
AI总结 通过将自监督语音模型的语言识别系统从126种扩展到4017种语言，发现系统在4K规模下发生质变，揭示出太平洋地区基因无关语言的宏观集群，表明大规模模型能内化多层语言历史。
Comments Accepted to Interspeech 2026
人类的ALMANAC：用于智能体协作的动作级心智模型标注的人类协作数据集
机构 * Northeastern University（东北大学） ； University of Notre Dame（Notre Dame 大学） ； University of Waterloo（滑铁卢大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Adobe（Adobe公司） ； Microsoft Research Asia（微软亚洲研究院）
AI总结 为解决当前LLM智能体缺乏协作中心智模型能力的问题，构建了基于Map Task的ALMANAC数据集，包含2987个协作动作及其心智模型标注，并评估了六种LLM在预测人类行为和心智模型上的表现。
从批量基因表达数据中恢复因果关系的可能性
机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎德·本·泽伊德人工智能大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文通过形式化聚合下的一致性和推导充要条件，研究了从批量基因表达数据中恢复因果关系的可能性，并发现仅在线性聚合与仿射结构方程下可恢复，而实证数据偏离线性假设。
可扩展的推理时退火与代理似然估计器
机构 * CMU-Pitt PhD Program in Computational Biology Dept. of Computational & Systems Biology, University of Pittsburgh, Pittsburgh, PA 15260, USA（卡内基梅隆大学-匹兹堡联合博士项目 计算生物学部门 计算与系统生物学系，匹兹堡大学，匹兹堡，PA 15260，USA）
AI总结 提出可扩展推理时退火（SITA）方法，通过基于能量的模型实现快速代理似然，避免昂贵的散度计算，在丙氨酸二肽和三肽上取得最先进性能。
Comments 26 pages, 5 figures, submitted to JMLR 2026
FieldWorkArena：面向真实作业任务的代理AI基准测试
机构 * Fujitsu Limited（富士通株式会社） ； Fujitsu Research of America（富士通美国研究部） ； Carnegie Mellon University（卡内基梅隆大学） ； Master’s Student, The University of Tokyo（东京大学硕士研究生） ； Agent Research Collective（代理研究集体）
AI总结 本文提出FieldWorkArena，用于评估代理AI在真实制造业和零售环境中的性能，通过现场采集的数据和实地访谈设计任务，验证多模态大语言模型的评估可行性。
Comments 27 pages, 10 figures, 7 tables [ICPR 2026 Accepted] Changes from previous version: added supplemental material
模型知晓其捷径：部署时的捷径缓解
机构 * Ray and Stephanie Lane Computational Biology Department, School of Computer Science, Carnegie Mellon University（雷和斯蒂芬妮·兰德计算生物学系，计算机科学学院，卡内基梅隆大学）
AI总结 研究提出在部署时通过无监督梯度归因缓解预训练文本编码器的捷径学习，证明部署时的缓解在信息理论上受训练时缓解的限制，并在情感分类、毒性检测和自然语言推理中取得显著性能提升。
基于思维图的奖励进化：一种用于强化学习的双层语言模型框架
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Tokyo（东京大学）
AI总结 本文提出RE-GoT框架，结合LLM与VLM的图思维推理，通过任务分解和视觉反馈迭代优化奖励函数，实验表明在RoboGen和ManiSkill2任务中均优于现有方法。
Journal ref IEEE International Conference on Robotics and Automation (ICRA 2026)
CAD-Prompted SAM3: 用于工业物体的几何条件实例分割
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CAD模型的SAM3分割框架，通过几何条件进行实例分割，解决工业环境中难以用语言或外观描述的对象问题。
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