Carnegie Mellon University（卡内基梅隆大学）

ThetaEvolve: Test-time Learning on Open Problems

ThetaEvolve：开放问题的测试时间学习

Yiping Wang, Shao-Rong Su, Zhiyuan Zeng, Eva Xu, Liliang Ren, Xinyu Yang, Zeyi Huang, Xuehai He, Luyao Ma, Baolin Peng, Hao Cheng, Pengcheng He, Weizhu Chen, Shuohang Wang, Simon Shaolei Du, Yelong Shen

机构 * Microsoft（微软公司） ； University of Washington（华盛顿大学） ； 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, San Diego（加州大学圣地亚哥分校） 纠错

AI总结 ThetaEvolve通过测试时间强化学习提升开放问题求解能力，实现开源模型在数学优化问题上的新突破。

Comments 30 pages, link: https://github.com/ypwang61/ThetaEvolve

Are LLMs Good Safety Agents or a Propaganda Engine?

LLMs是安全代理还是宣传引擎？

Neemesh Yadav, Francesco Ortu, Jiarui Liu, Joeun Yook, Bernhard Schölkopf, Rada Mihalcea, Alberto Cazzaniga, Zhijing Jin

机构 * SMU ； University of Trieste（特里este大学） ； AREA Science Park（AREA科学园） ； CMU（卡内基梅隆大学） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； MPI for Intelligent Systems（智能系统研究所） ； University of Michigan（密歇根大学） 纠错

AI总结 本文通过PSP数据集研究LLMs在政治敏感内容上的拒绝行为，发现大多数模型存在审查倾向，并分析了影响拒绝分布的关键因素。

Comments 15 pages, 7 tables, 4 figures

VIRAL: Visual Sim-to-Real at Scale for Humanoid Loco-Manipulation

VIRAL：大规模视觉仿真到现实用于双足机器人类地交互

Tairan He, Zi Wang, Haoru Xue, Qingwei Ben, Zhengyi Luo, Wenli Xiao, Ye Yuan, Xingye Da, Fernando Castañeda, Shankar Sastry, Changliu Liu, Guanya Shi, Linxi Fan, Yuke Zhu

机构 * NVIDIA ； CMU（卡内基梅隆大学） ； UC Berkeley（加州大学伯克利分校） ； CUHK（香港中文大学） 纠错

AI总结 VIRAL通过大规模仿真训练并零样本部署，实现双足机器人在现实中的自主移动- manipulation能力，无需现实微调。

Comments Project website: https://viral-humanoid.github.io/

Toward Honest Language Models for Deductive Reasoning

迈向演绎推理中的诚实语言模型

Jiarui Liu, Kaustubh Dhole, Yingheng Wang, Haoyang Wen, Sarah Zhang, Haitao Mao, Gaotang Li, Neeraj Varshney, Jingguo Liu, Xiaoman Pan

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Amazon（亚马逊） ； Emory University（埃默里大学） ； Cornell University（康奈尔大学） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 本文提出ACNCHOR方法，通过注入真实轨迹防止训练崩溃，提升语言模型在演绎推理中的诚实推理能力。

SlotVLA: Towards Modeling of Object-Relation Representations in Robotic Manipulation

SlotVLA：迈向机器人操作中物体-关系表示的建模

Taisei Hanyu, Nhat Chung, Huy Le, Toan Nguyen, Yuki Ikebe, Anthony Gunderman, Duy Nguyen Ho Minh, Khoa Vo, Tung Kieu, Kashu Yamazaki, Chase Rainwater, Anh Nguyen, Ngan Le

机构 * University of Arkansas（亚拉巴马大学） ； FPT Software AI Center（FPT软件人工智能中心） ； University of Stuttgart（斯图加特大学） ； Aalborg University（奥尔堡大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Liverpool（利物浦大学） ； German Research Center for Artificial Intelligence（德国人工智能研究中心） ； Max Planck Research School for Intelligent Systems（马克斯·普朗克智能系统研究学校） 纠错

AI总结 SlotVLA通过引入LIBERO+数据集和基于槽注意力的框架，实现高效且可解释的机器人操作中物体-关系表示建模。

Comments under review

Test-time scaling of diffusions with flow maps

扩散模型测试时间缩放与流映射

Amirmojtaba Sabour, Michael S. Albergo, Carles Domingo-Enrich, Nicholas M. Boffi, Sanja Fidler, Karsten Kreis, Eric Vanden-Eijnden

机构 * NVIDIA（NVIDIA公司） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； Harvard University（哈佛大学） ； Kempner Institute（凯姆纳研究所） ； IAIFI（IAIFI机构） ； Microsoft Research（微软研究院） ； Carnegie Mellon University（卡内基梅隆大学） ； Courant Institute, New York University（纽约大学应用数学学院） ； ML Lab at Capital Fund Management (CFM)（Capital Fund Management (CFM)机器学习实验室） 纠错

AI总结 本文提出通过流映射改进扩散模型测试时间性能，通过流映射与速度场关系构建FMTT算法，实现更优奖励上升并支持复杂图像编辑。

PURE Codec: Progressive Unfolding of Residual Entropy for Speech Codec Learning

PURE 编码器：残差熵的渐进展开用于语音编码器学习

Jiatong Shi, Haoran Wang, William Chen, Chenda Li, Wangyou Zhang, Jinchuan Tian, Shinji Watanabe

机构 * CMU（卡内基梅隆大学） ； SJTU（上海交通大学） 纠错

AI总结 PURE编码器通过预训练语音增强模型指导多阶段量化，提升低比特率语音编码的训练稳定性与重建质量，尤其在嘈杂环境下表现优异。

Comments Accepted by ASRU2025

RefineBench: Evaluating Refinement Capability of Language Models via Checklists

RefineBench: 通过检查表评估语言模型的细化能力

Young-Jun Lee, Seungone Kim, Byung-Kwan Lee, Minkyeong Moon, Yechan Hwang, Jong Myoung Kim, Graham Neubig, Sean Welleck, Ho-Jin Choi

机构 * KAIST（韩国科学技术院） ； Carnegie Mellon University（卡内基梅隆大学） ； NVIDIA（英伟达） ； Independent Researcher（独立研究者） 纠错

AI总结 RefineBench通过检查表评估语言模型的细化能力，发现指导细化能显著提升响应质量，而自我细化则需进一步突破。

Comments Project website: https://passing2961.github.io/refinebench-page/

Adaptive Parameter Optimization for Robust Remote Photoplethysmography

自适应参数优化用于鲁棒远程光体积脉搏波形成像

Cecilia G. Morales, Fanurs Chi En Teh, Kai Li, Pushpak Agrawal, Artur Dubrawski

机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Toronto（多伦多大学） ； Vellore Institute of Technology（维洛雷理工学院） 纠错

AI总结 本文提出PRISM算法，通过自适应参数优化提升远程光体积脉搏波形成像的鲁棒性与性能。

Comments Accepted in Times Series for Health NeurIPs Workshop 2025

Quantifying and Mitigating Selection Bias in LLMs: A Transferable LoRA Fine-Tuning and Efficient Majority Voting Approach

对大语言模型中选择偏差进行量化与缓解：一种可转移的LoRA微调和高效的多数投票方法

Blessed Guda, Lawrence Francis, Gabrial Zencha Ashungafac, Carlee Joe-Wong, Moise Busogi

机构 * Carnegie Mellon University Africa（卡内基梅隆大学非洲分校） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出了一种可转移的LoRA微调和高效多数投票方法，用于量化并缓解大语言模型中的选择偏差问题。

Comments Accepted into IJCNLP-AACL 2026