Carnegie Mellon University（卡内基梅隆大学）

Beyond Abstract Compliance: Operationalising trust in AI as a moral relationship

超越抽象合规：将人工智能中的信任视为一种道德关系

Lameck Mbangula Amugongo, Tutaleni Asino, Nicola J Bidwell

机构 * Boehringer Ingelheim Pharma GmbH \& Co. KG Birkendorfer Str. 65 Biberach an der Riss Germany 88400 ； Carnegie Mellon University Pittsburgh, PA USA ； Rhodes University Makhanda South Africa ； International University of Management Namibia ； Charles Darwin University Australia ； Boehringer Ingelheim Pharma GmbH \& Co. KG ； Carnegie Mellon University ； Rhodes University ； International University of Management ； Charles Darwin University 纠错

AI总结 本文提出基于非洲关系伦理的信任原则，通过医疗和教育案例，探讨如何将AI信任视为动态关系，促进公平和情境敏感的AI系统。

Unsupervised Synthetic Image Attribution: Alignment and Disentanglement

无监督合成图像属性识别：对齐与解耦

Zongfang Liu, Guangyi Chen, Boyang Sun, Tongliang Liu, Kun Zhang

机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Carnegie Mellon University（卡内基梅隆大学） ； The University of Sydney（悉尼大学） 纠错

AI总结 本文提出无监督合成图像属性识别方法，通过对比自监督学习和信息最大化损失实现概念对齐与解耦，优于监督方法。

Continual Policy Distillation from Distributed Reinforcement Learning Teachers

从分布式强化学习教师中持续政策蒸馏

Yuxuan Li, Qijun He, Mingqi Yuan, Wen-Tse Chen, Jeff Schneider, Jiayu Chen

机构 * Department of XXX, University of YYY, Location, Country ； School of ZZZ, Institute of WWW, Location, Country ； Zhejiang University, Zhejiang, China ； South University of Science ； Hong Kong University, Hong Kong, China ； INFIFORCE Intelligent Technology Co., Ltd., Hangzhou, China ； The Hong Kong Polytechnic University, Hong Kong, China ； School of Computer Science, Carnegie Mellon University 纠错

AI总结 本文提出一种教师-学生框架，通过分布式强化学习训练单任务模型并持续蒸馏到通用模型，实现高效的持续强化学习。

Comments 19 pages (8 pages main text)

Federate the Router: Learning Language Model Routers with Sparse and Decentralized Evaluations

联邦路由器：利用稀疏和去中心化的评估学习语言模型路由器

Baris Askin, Shivam Patel, Anupam Nayak, Andrea Vigano, Jiin Woo, Gauri Joshi, Carlee Joe-Wong

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

AI总结 本文提出首个联邦框架，通过稀疏和去中心化评估学习语言模型路由器，提升查询路由的准确性和成本效率。

Sylber 2.0: A Universal Syllable Embedding

Sylber 2.0：一种通用的音节嵌入

Cheol Jun Cho, Nicholas Lee, Alan W Black, Gopala K. Anumanchipalli

机构 * University of California, Berkeley, CA, USA（加州大学伯克利分校） ； Carnegie Mellon University, PA, USA（卡内基梅隆大学） 纠错

AI总结 Sylber 2.0通过自监督框架实现低频音节嵌入，支持多语言和风格，提升语音建模效率与质量。

Joint Learning of Depth, Pose, and Local Radiance Field for Large Scale Monocular 3D Reconstruction

联合学习深度、姿态和局部辐射场以实现大规模单目3D重建

Shahram Najam Syed, Yitian Hu, Yuchao Yao

机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） 纠错

AI总结 本文提出联合学习深度、姿态和局部辐射场的方法，实现大规模单目3D重建，有效降低轨迹误差，提升重建精度和视角合成质量。

Comments 8 pages, 2 figures, 2 tables

TALES: A Taxonomy and Analysis of Cultural Representations in LLM-generated Stories

TALES: 关于LLM生成故事中文化表征的分类与分析

Kirti Bhagat, Shaily Bhatt, Athul Velagapudi, Aditya Vashistha, Shachi Dave, Danish Pruthi

机构 * Indian Institute of Science（印度科学研究院） ； Carnegie Mellon University（卡内基梅隆大学） ； Cornell University（康奈尔大学） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 TALES通过分类和分析LLM生成故事中的文化误表征，揭示了印度不同文化身份的表征问题，并构建了评估模型文化知识的问题库。

Comments Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems (CHI '26), April 13--17, 2026, Barcelona, Spain

Reviving Stale Updates: Data-Free Knowledge Distillation for Asynchronous Federated Learning

重燃过期更新：面向异步联邦学习的数据无关知识蒸馏

Baris Askin, Holger R. Roth, Zhenyu Sun, Carlee Joe-Wong, Gauri Joshi, Ziyue Xu

机构 * Carnegie Mellon University（卡内基梅隆大学） ； NVIDIA（NVIDIA公司） ； Northwestern University（西北大学） 纠错

AI总结 FedRevive通过数据无关知识蒸馏缓解异步联邦学习中的过期更新问题，提升训练效率和模型准确率。

TOM-SWE: User Mental Modeling For Software Engineering Agents

TOM-SWE：软件工程代理的用户心理建模

Xuhui Zhou, Valerie Chen, Zora Zhiruo Wang, Graham Neubig, Maarten Sap, Xingyao Wang

机构 * Language Technology Institute, Carnegie Mellon University（卡内基梅隆大学语言技术研究所） 纠错

AI总结 TOM-SWE通过双代理架构实现用户心理建模，提升软件工程代理的任务成功率和用户满意度。

Synthetic Socratic Debates: Examining Persona Effects on Moral Decision and Persuasion Dynamics

合成苏格拉底辩论：考察人格对道德决策与说服动态的影响

Jiarui Liu, Yueqi Song, Yunze Xiao, Mingqian Zheng, Lindia Tjuatja, Jana Schaich Borg, Mona Diab, Maarten Sap

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Duke University（杜克大学） 纠错

AI总结 本文通过模拟AI-AI辩论研究人格对道德决策和说服效果的影响，发现政治意识形态和性格特质对辩论结果影响最大，且随着辩论进行，论证趋于温和。

VScan: Rethinking Visual Token Reduction for Efficient Large Vision-Language Models

VScan：重新思考视觉标记减少以提高高效的大视觉-语言模型

Ce Zhang, Kaixin Ma, Tianqing Fang, Wenhao Yu, Hongming Zhang, Zhisong Zhang, Haitao Mi, Dong Yu

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Tencent AI Lab（腾讯AI实验室） 纠错

AI总结 VScan通过两阶段视觉标记减少框架提升大视觉-语言模型的推理效率，实现2.91倍预填充加速和10倍FLOPs减少，性能损失仅0.6%

Comments Accepted at TMLR 2026. Project page: https://zhangce01.github.io/VScan/

Policy-Driven World Model Adaptation for Robust Offline Model-based Reinforcement Learning

基于策略驱动的世界模型适应的鲁棒性离线模型驱动强化学习

Jiayu Chen, Le Xu, Aravind Venugopal, Jeff Schneider

机构 * The University of Hong Kong, Hong Kong SAR（香港大学） ； INFIFORCE Intelligent Technology Co., Ltd., Hangzhou, China（INFIFORCE智能技术有限公司） ； Tsinghua University, Beijing, China（清华大学） ； Carnegie Mellon University, Pittsburgh, PA 15213, USA（卡内基梅隆大学） 纠错

AI总结 本文提出了一种基于策略驱动的世界模型适应框架，通过最大化最小优化问题和Stackelberg学习动态提升离线模型驱动强化学习的鲁棒性。