Carnegie Mellon University（卡内基梅隆大学）

Affordance RAG: Hierarchical Multimodal Retrieval with Affordance-Aware Embodied Memory for Mobile Manipulation

语义可感知的多模态检索：基于具身记忆的层次化移动操作

Ryosuke Korekata, Quanting Xie, Yonatan Bisk, Komei Sugiura

机构 * Keio University（keio大学） ； Keio AI Research Center（keio人工智能研究中心） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本研究提出Affordance RAG框架，通过构建具有可操作性的具身记忆，提升机器人在开放词汇移动操作中的检索性能和任务成功率。

Comments Accepted to IEEE RA-L, with presentation at ICRA 2026

Is Your Conditional Diffusion Model Actually Denoising?

你的条件扩散模型真的在去噪吗？

Daniel Pfrommer, Zehao Dou, Christopher Scarvelis, Max Simchowitz, Ali Jadbabaie

机构 * MIT Cambridge, MA 02139（麻省理工学院） ； Yale University New Haven, CT 06520（耶鲁大学） ； CMU Pittsburgh, PA 15213（卡内基梅隆大学） 纠错

AI总结 本文研究了条件扩散模型的去噪过程偏差，提出Schedule Deviation度量方法，揭示了模型在不同条件下的去噪流程差异问题。

Comments 41 pages, 14 figures, published in Neural Information Processing Systems 2025

A Comprehensive Survey on Generative AI for Video-to-Music Generation

生成式AI在视频到音乐生成中的全面综述

Shulei Ji, Songruoyao Wu, Zihao Wang, Shuyu Li, Kejun Zhang

机构 * Zhejiang University（浙江大学） ； Innovation Center of Yangtze River Delta, Zhejiang University（长江三角洲创新中心） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文综述了生成式AI在视频到音乐生成中的关键技术和方法，分析了输入构造、条件机制和音乐生成框架，并总结了现有数据集和评估指标及面临的挑战。

OW-Rep: Open World Object Detection with Instance Representation Learning

OW-Rep: 开放世界目标检测中的实例表示学习

Sunoh Lee, Minsik Jeon, Jihong Min, Junwon Seo

机构 * KAIST（韩国科学技术院） ； Carnegie Mellon University（卡内基梅隆大学） ； Agency for Defense Development（国防发展局） 纠错

AI总结 OW-Rep通过引入实例表示学习，提升开放世界目标检测中未知目标的检测精度和语义嵌入质量，增强下游任务表现。

Comments Accepted to WACV 2026. Our project website can be found at https://sunohlee.github.io/OW-Rep/

Measuring Fine-Grained Negotiation Tactics of Humans and LLMs in Diplomacy

测量人类与LLM在外交中的细粒度谈判策略

Wenkai Li, Lynnette Hui Xian Ng, Andy Liu, Daniel Fried

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本研究通过分析Diplomacy游戏中的谈判策略，探讨人类与LLM在谈判风格上的差异，并展示通过微调使LLM更接近人类谈判行为的可能性。

Propose, Solve, Verify: Self-Play Through Formal Verification

提出、解决、验证：通过形式验证进行自我对战

Alex Wilf, Pranjal Aggarwal, Bryan Parno, Daniel Fried, Louis-Philippe Morency, Paul Pu Liang, Sean Welleck

机构 * Carnegie Mellon University, School of Computer Science（卡内基梅隆大学计算机科学学院） ； MIT（麻省理工学院） 纠错

AI总结 通过形式验证的自我对战框架PSV，在代码生成中显著提升了模型性能，展示了形式验证和难度感知生成对自我对战的重要性。

Unifying Deep Predicate Invention with Pre-trained Foundation Models

统一深度谓词发明与预训练基础模型

Qianwei Wang, Bowen Li, Zhanpeng Luo, Yifan Xu, Alexander Gray, Tom Silver, Sebastian Scherer, Katia Sycara, Yaqi Xie

机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； Computer Science and Engineering Division, University of Michigan（密歇根大学计算机科学与工程系） ； Department of Computer Science, University of Pittsburgh（匹兹堡大学计算机科学系） ； Centaur AI Institute（Centaur人工智能研究所） ； Department of Electrical and Computer Engineering, Princeton University（普林斯顿大学电气与计算机工程系） 纠错

AI总结 UniPred通过双层学习框架统一深度谓词发明与预训练基础模型，提升机器人任务的可扩展性和灵活性。

Comments 18 pages, 11 figures

FocalComm: Hard Instance-Aware Multi-Agent Perception

FocalComm: 重视困难实例的多智能体感知

Dereje Shenkut, Vijayakumar Bhagavatula

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 FocalComm通过聚焦困难实例特征交换，提升多智能体协作感知中对行人等安全关键物体的检测性能。

Comments WACV 2026

The More You Automate, the Less You See: Hidden Pitfalls of AI Scientist Systems

自动化越多，看到的越少：人工智能科学家系统的隐藏陷阱

Ziming Luo, Atoosa Kasirzadeh, Nihar B. Shah

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文探讨了人工智能科学家系统中潜在的故障模式，指出其内部工作流程未被深入研究，通过实验揭示了四种风险，并建议要求提交跟踪日志和代码以提高透明度和可重复性。

Comments NeurIPS 2025 AI4Science (Spotlight)