Carnegie Mellon University（卡内基梅隆大学）

Generate-Then-Validate: A Novel Question Generation Approach Using Small Language Models

生成后再验证：一种利用小语言模型的新型问题生成方法

Yumou Wei, John Stamper, Paulo F. Carvalho

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

AI总结 本文提出了一种利用小语言模型的新型问题生成方法，通过生成后再验证策略生成高质量问题，验证了其在学习分析中的有效性。

Comments Accepted as a full research paper for the 16th International Conference on Learning Analytics and Knowledge (LAK'26)

POWSM: A Phonetic Open Whisper-Style Speech Foundation Model

POWSM：一种基于语音的开放式耳语风格语音基础模型

Chin-Jou Li, Kalvin Chang, Shikhar Bharadwaj, Eunjung Yeo, Kwanghee Choi, Jian Zhu, David Mortensen, Shinji Watanabe

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） ； University of Texas, Austin（德克萨斯大学奥斯汀分校） ； University of British Columbia（不列颠哥伦比亚大学） 纠错

AI总结 POWSM是一种能够联合执行多种语音任务的统一框架，实现了音频、文本和音素之间的无缝转换，并在低资源条件下提升了语音处理性能。

Comments 18 pages, under review. Model available at https://huggingface.co/espnet/powsm

Policy alone is probably not the solution: A large-scale experiment on how developers struggle to design meaningful end-user explanations

仅靠政策可能不是解决办法：一项大规模实验，探讨开发者在设计有意义的终端用户解释时的困难

Nadia Nahar, Zahra Abba Omar, Jacob Tjaden, Inès M. Gilles, Fikir Mekonnen, Erica Okeh, Jane Hsieh, Christian Kästner, Alka Menon

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Yale University（耶鲁大学） ； Colby College（科尔比学院） ； Howard University（霍华德大学） ； Department of Sociology, Yale University（社会学系，耶鲁大学） 纠错

AI总结 研究发现，仅靠政策无法有效提升开发者设计面向终端用户的解释能力，需结合培训、工具和支持。

Reasoning in Trees: Improving Retrieval-Augmented Generation for Multi-Hop Question Answering

树状推理：改进多跳问题回答的检索增强生成

Yuling Shi, Maolin Sun, Zijun Liu, Mo Yang, Yixiong Fang, Tianran Sun, Xiaodong Gu

机构 * Shanghai Jiao Tong University（上海交通大学） ； Shandong University（山东大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 RT-RAG通过构建推理树来提升多跳问题回答的准确性和一致性，实验结果显示其在F1和EM指标上均优于现有方法。

Comments Accepted to GLOW@WWW2026. Code available at https://github.com/sakura20221/RT-RAG

Approximately Optimal Global Planning for Contact-Rich SE(2) Manipulation on a Graph of Reachable Sets

近似最优的接触丰富SE(2)操作在可达集图上的全局规划

Simin Liu, Tong Zhao, Bernhard Paus Graesdal, Peter Werner, Jiuguang Wang, John Dolan, Changliu Liu, Tao Pang

机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人学院） ； Robotics and AI Institute（机器人与人工智能研究所） ； CSAIL, Massachusetts Institute of Technology（麻省理工学院计算机科学与人工智能实验室） 纠错

AI总结 本文提出了一种近似最优的接触丰富SE(2)操作全局规划方法，通过构建可达集图实现高效运动规划，显著提升了任务效率和成功率。

Comments 17 pages, 14 figures; under submission to IEEE Transactions on Robotics

Bidirectional Human-Robot Communication for Physical Human-Robot Interaction

双向人机通信用于物理人机交互

Junxiang Wang, Cindy Wang, Rana Soltani Zarrin, Zackory Erickson

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Honda Research Institute USA（本田研究院美国） 纠错

AI总结 本文提出BRIDGE系统，通过自然语言实现双向人机通信，提升物理交互中的互动性和透明性。

Comments 12 pages, 8 figures. To be published in 2026 ACM/IEEE International Conference on Human-Robot Interaction