高校专区
通过人机交互实现高效的测试时自适应
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Washington（华盛顿大学） ； Handshake AI（汉德shake人工智能公司） ； Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学） ； University of California San Diego（加利福尼亚大学圣迭戈分校）
AI总结 本研究提出TAHI方法，通过人机交互将跨会话信号整合到智能体中，针对30位用户的600项任务自适应后，单独任务成功率提升4.5-20.9%，还可跨用户提升最高8.8%成功率。
DRACO：面向长视界智能体训练的基于动态规则的细粒度信用分配
机构 * Carnegie Mellon University（卡内基梅隆大学） ； IBM Research（IBM研究院）
AI总结 针对长视界智能体训练中缺乏可验证奖励的问题，提出DRACO方法，通过动态生成规则并重新分配判断结果，在AppWorld和Tau-Bench上均取得显著性能提升。
迈向统一机器人学习：联结表征、视觉-语言-动作（VLA）与世界模型
机构 * Fujitsu Research of America（美国富士通研究院） ； Carnegie Mellon University（卡内基梅隆大学） ； Fujitsu Limited（富士通株式会社）
AI总结 本综述提出统一机器人学习视角，梳理表征、VLA模型与世界模型三类方法，分析其交互与局限，展望未来集成化、物理接地的概率化机器人学习方向。
Journal ref Transactions on Machine Learning Research (2026)
BRIDGE：面向物理AI的、通过形态-控制协同设计实现的开源人形机器人平台
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Huazhong University of Science and Technology（华中科技大学） ； JoyIn AI（追觅科技）
AI总结 针对人形机器人开发中硬件与控制分离的问题，提出数据驱动的形态-控制协同设计框架，实现开源人形机器人平台Bridge，其性能优于Bumi等基准机器人，可高保真捕捉人类运动并完成多种动态动作
让每一次工具调用都发挥作用：面向智能体视觉语言模型的必要工具-证据路径奖励
机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； Department of Machine Learning, Carnegie Mellon University（卡内基梅隆大学机器学习系） ； MiLM Plus, Xiaomi Inc.（小米公司MiLM Plus）
AI总结 针对智能体视觉语言模型工具调用监督不足的问题，提出NTEP标注方案与NTEP-R监督机制，在7个基准上验证了NTEP-8B可提升搜索准确率与工具使用效率。
VeriPhy：用于世界模型评估与优化的智能体物理推理系统
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Northeastern University（东北大学） ； Adobe Research（奥多比研究院）
AI总结 本文提出可审计的物理验证系统VeriPhy，通过纯文本规划器编译物理义务，结合冻结低级专家与三值状态裁决，在1500片段语料库评估中缺陷识别效果优于对比方法，可用于世界模型评估优化。
WireSeg-32K：用于导线实例分割的基于物理的合成数据集
机构 * Harvard University（哈佛大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 针对导线等可变形线性物体分割难、真实场景标注成本高的问题，提出含32000张图像的WireSeg-32K合成数据集，开发DeformX协同仿真流水线生成数据，经LoRA微调SAM3后真实场景mAP@75提升10.2%，验证了该合成数据的迁移价值。
Comments Synthetic Data for Computer Vision @ CVPR 2026 Workshop
尾似然强化学习
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of California, Berkeley（加州大学伯克利分校） ； Impossible, Inc.（Impossible公司） ； Together AI ； Aurora Innovation
AI总结 针对强化学习优化平均奖励的局限，提出TailRL方法，通过最大化超过随机奖励阈值的对数概率，利用稀有高奖励样本提升模型性能。
聆听隐态：基于隐态交互的大型音频语言模型自校正语音识别
机构 * NVIDIA（英伟达） ； Carnegie Mellon University（卡内基梅隆大学） ； National Taiwan University（台湾大学）
AI总结 本研究针对现有 ASR 系统整合 LLM 的两种策略结合不足的问题，提出 Hybrid Search 针对性校正策略，利用 LoRA 适配场景下的基础 LLM 隐态交互特征优化目标 token，显著提升了 ASR 推理性能。
Comments 24 pages, 8 figures, 2 tables. Accepted to Findings of EMNLP 2026
DeltaMomentum：基于键值结构的Delta规则各向异性动量更新
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 DeltaMomentum将方向感知融入动量更新，可作为优化器动量缓冲器的即插即用替代，在预训练中减少AdamW步数，在多模型和数据集上验证了其有效性。
Comments This version (v2) changes the algorithm name from DeltaMomentum to Activation-Keyed Momentum (AK-Momentum) to avoid confusion with an existing algorithm named Delta Momentum
问两次，看两次：提示回声解决视觉语言模型中的问题优先悖论
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 研究视觉语言模型中问题优先提示的悖论，发现问题前置虽能引导感知但后续答案生成阶段难关注到问题。提出问题回声方法，即在图像两侧重复问题，解决了悖论，在多基准测试中表现出色且无需训练等。
Comments Accepted at the eXCV Workshop, ECCV 2026. Project page: https://rakshanda-cmu.github.io/ask-twice-look-twice/
SpecAlign: 通过合成数据实现高效的大语言模型规范对齐
机构 * University of Notre Dame（圣母大学） ； Carnegie Mellon University（卡内基梅隆大学） ； LMU Munich（慕尼黑大学） ； University of Southern California（南加州大学）
AI总结 提出规范对齐新范式，通过从规范文档合成数据（SpecAlign框架），结合结构化规则标注、可控规范实例化和多智能体对抗数据合成，生成细粒度偏好对，提升规则遵守度且不损害通用能力。
Comments EMNLP 2026 Main
通过信标令牌识别人工智能网络爬虫
机构 * Duke University（杜克大学） ； University of Pittsburgh（匹兹堡大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出一种自动识别与大型语言模型相关的网络爬虫的方法，通过动态网站和信标令牌验证爬虫身份，实验表明能可靠识别多个未公开的爬虫。
ASIP-Planner: 面向部分已知室内结构的自适应规划
机构 * Department of Mechanical Engineering, Carnegie Mellon University（卡内基梅隆大学机械工程系）
AI总结 本文提出ASIP-Planner框架，通过全局覆盖规划与局部视角调整模块，提升无人机在部分已知室内环境中的表面检测效率与适应性。
Comments Accepted to IROS 2026
电路能告诉我们多少？测量语言模型电路的一致性和特异性
机构 * Language Technologies Institute, Carnegie Mellon University, Pittsburgh, Pennsylvania, USA（语言技术研究所，卡内基梅隆大学，匹兹堡，宾夕法尼亚州，美国）
AI总结 研究通过分析六个任务和七个模型的电路重用情况，发现任务内电路重用高且共享组件对性能至关重要，但电路不具任务特异性，这引发了对电路支持针对性理解和干预的质疑。
用户感知与代理LLM评判：隐私与帮助性在隐私敏感场景中的LLM响应
机构 * Fujitsu Research of America Inc.（富士通美国研究所） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 研究发现用户对LLM响应的隐私和帮助性感知与代理LLM评判存在显著差异，需加强用户为中心的评估以提升隐私保护与实用性平衡。
Comments Published as a main conference paper at ACL 2026
WildFab：面向野外模型的多轴3D打印
机构 * The Chinese University of Hong Kong（香港中文大学） ； Centre for Perceptual and Interactive Intelligence（感知与交互智能中心） ； Carnegie Mellon University（卡内基梅隆大学） ； Technical University of Denmark（丹麦技术大学）
AI总结 本研究提出WildFab框架，结合UDF与reg-GWN的混合查询表示，实现多轴3D打印的无支撑制造，可直接处理含非流形结构的各类“野外”模型，提升设计到3DP工作流的效率与鲁棒性。
基于可停止性值学习的人形机器人安全停止
机构 * UC Berkeley（加州大学伯克利分校） ； Carnegie Mellon University（卡内基梅隆大学） ； Stanford University（斯坦福大学）
AI总结 该研究针对人形机器人紧急停止问题，提出Safe-Stop框架，结合学习的停止策略与互补的可停止性估计器，实现无需重训练的跨任务迁移，在鲁棒性与反应性间取得平衡。
面向多结构超低场（ULF）儿科脑部MRI分割的非对称配对标注学习
机构 * VinUniversity ； College of Engineering & Computer Science, VinUniversity（VinUniversity工程与计算机科学学院） ； Hanoi University of Science and Technology（河内科技大学） ； University of Information Technology, VNU-HCM（胡志明市国家大学信息技术大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Northwestern University（西北大学） ； Center for Innovations in Health Sciences, VinUniversity（VinUniversity健康科学创新中心）
AI总结 针对0.064 T ULF儿科脑部MRI分割难题，提出基于nnU-Net的非对称监督策略AURA，利用两类非等效标注训练，在16例数据上取得优于基线的分割性能。
Comments Accepted at LISA Challenge, MICCAI 2026
TC-Next：零样本多模态热带气旋预测模型
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Seoul National University（首尔大学） ； Durham University（杜伦大学）
AI总结 TC-Next是一种多模态深度学习模型，仅在西太平洋GraphCast预报数据上训练，零样本应用于多种气象模型预报数据时，均优于传统规则追踪器，可提升热带气旋路径与强度预测性能。
Comments 11 pages
SPECMINE：一个大规模的规范驱动开发制品语料库
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 SPECMINE是一个大规模语料库，通过两次普查收集公共GitHub仓库中的规范驱动开发制品，含大量文件、PR及引用数据，助力研究AI智能体时代软件的规范过程。
TransfHAR：用于按需活动识别的自监督手腕表征
机构 * Northwestern University（西北大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Google（谷歌）
AI总结 TransfHAR是一种自监督手腕IMU框架，可通过学习粗粒度运动先验实现按需细粒度活动识别，在跨数据集评估及用户研究中均优于或匹配全监督基线，为该领域提供了有效基础。
Comments Accepted to the ACM Symposium on User Interface Software and Technology (UIST '26)
通过大语言模型解决吉尔伯特-波拉克猜想
机构 * School of EECS, Peking University（北京大学电子工程学院） ； School of Mathematical Sciences, Peking University（北京大学数学科学学院） ； Center for Machine Learning Research, Peking University（北京大学机器学习研究中心） ； State Key Laboratory of General Artificial Intelligence, Peking University, Beijing, China（北京大学通用人工智能国家重点实验室） ； Carnegie Mellon University, Machine Learning Department（卡内基梅隆大学机器学习系）
AI总结 本文提出一种新的AI系统，通过生成受规则约束的几何引理并构建专用函数，以获得更紧的Steiner比下界，展示了大语言模型在高级数学研究中的强大潜力。
Comments Published in ICML 2026
GroupDPO：内存高效的组级直接偏好优化
机构 * CMU（卡内基梅隆大学） ； Google Deepmind（谷歌DeepMind） ； Google（谷歌）
AI总结 本文提出GroupDPO，通过解耦样本和保留梯度实现高效的组级偏好优化，减少内存使用，提升大规模训练效果，且在离线和在线对齐中均优于单对训练。
机构 * Tepper School of Business, Carnegie Mellon University（卡内基梅隆大学泰珀商学院） ； Maternal-Fetal Medicine University of Wisconsin – Madison（威斯康星大学麦迪逊分校母胎医学系） ； Industrial and Systems Engineering, University of Wisconsin – Madison（威斯康星大学麦迪逊分校工业与系统工程系）
衡量长时程人类活动模拟的行为保真度
机构 * Human-Computer Interaction Institute, School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机科学学院人机交互研究所） ； Fujitsu Ltd.（富士通有限公司） ； Fujitsu Research of America（富士通美国研究院）
AI总结 本研究提出评估长时程人类活动模拟行为保真度的框架，通过43小时办公活动数据集对比不同条件机制，发现统计先验最贴近真实行为但存在缺陷，推动了更全面的评估方式。
听见却未留意：音频-语言模型中的副语言信息编码与丢失
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本研究分析四种开源音频-语言模型的副语言信息编码与丢失，发现模型虽在音频编码器顶层强编码说话风格，但信息在输出前退化，模型分内容、声学驱动两类，揭示了模型编码与使用信息的差距。
教视觉-语言模型使用给定的尺度：用于度量物理推理的无标签等变训练
机构 * New York University（纽约大学） ； Columbia University（哥伦比亚大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 该研究针对视觉-语言模型在度量物理推理中利用尺度信息不足的问题，提出无标签等变训练方法EquiSD，通过利用物理对称性实现无监督微调，提升了模型的度量接地能力与跨尺度泛化性能。
AM-Bench：面向空中操作策略学习的模块化仿真套件与基准
机构 * The Robotics Institute, School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机学院机器人研究所） ； Department of Aerospace Engineering, Pennsylvania State University（宾夕法尼亚州立大学航空航天工程系） ； School of Mechanical Engineering, Kyung Hee University（庆熙大学机械工程学院）
AI总结 该研究提出AM-Bench模块化仿真套件与基准，用于多旋翼空中操作策略学习，可系统评估实体、控制等因素的相互作用，经仿真与硬件测试验证其诊断价值。
Comments 28 pages, 7 figures, 15 tables
StreamScout：学习何时深入探究以实现流视频理解
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Rochester（罗切斯特大学） ； Northwestern University（西北大学） ； University of California, San Diego（加利福尼亚大学圣迭戈分校） ； TikTok（字节跳动旗下TikTok）
AI总结 StreamScout是自适应流视频理解框架，通过分级视觉视图与优化的停止策略提升性能，在多基准测试中优于现有方法，降低推理成本与令牌消耗。
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