Carnegie Mellon University（卡内基梅隆大学）

Can Vision Replace Text in Working Memory? Evidence from Spatial n-Back in Vision-Language Models

视觉能否取代文本在工作记忆中的作用？来自视觉-语言模型中空间n-Back任务的证据

Sichu Liang, Hongyu Zhu, Wenwen Wang, Deyu Zhou

机构 * Southeast University（东南大学） ； Shanghai Jiao Tong University（上海交通大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 研究通过空间n-Back任务评估视觉-语言模型中视觉与文本对工作记忆的影响，发现文本条件下的表现优于视觉条件，揭示了视觉信息处理中的计算差异。

Mugi: Value Level Parallelism For Efficient LLMs

Mugi：用于高效大语言模型的价值级并行

Daniel Price, Prabhu Vellaisamy, John Shen, Di Wu

机构 * University of Central Florida（佛罗里达中央大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 Mugi通过价值级并行提升大语言模型的效率与可持续性，实现更高的吞吐量和能效，同时降低碳排放。

Comments 2026 International Conference on Architectural Support for Programming Languages and Operating Systems

STAND: Self-Aware Precondition Induction for Interactive Task Learning

STAND：面向交互式任务学习的自感知预条件诱导

Daniel Weitekamp, Glen Smith, Kenneth Koedinger, Christopher MacLellan

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 STAND通过自感知学习机制，在交互式任务学习中实现高效且准确的预条件诱导，提升训练一致性和主动学习支持。

InterPReT: Interactive Policy Restructuring and Training Enable Effective Imitation Learning from Laypersons

InterPReT：交互式策略重构与训练实现有效的模仿学习

Feiyu Gavin Zhu, Jean Oh, Reid Simmons

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

AI总结 InterPReT通过交互式策略重构与训练，使非专业人士能够更高效地训练可靠的模仿学习策略。

Comments Proceedings of the 21st ACM/IEEE International Conference on Human-Robot Interaction

Learning to Reason in 13 Parameters

在13个参数中学习推理

John X. Morris, Niloofar Mireshghallah, Mark Ibrahim, Saeed Mahloujifar

机构 * FAIR at Meta（Meta 的 FAIR） ； Cornell University（康奈尔大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 TinyLoRA通过仅训练13个参数实现高效推理学习，显著提升模型性能并降低训练成本。

Rate-Optimal Noise Annealing in Semi-Dual Neural Optimal Transport: Tangential Identifiability, Off-Manifold Ambiguity, and Guaranteed Recovery

半双极神经最优传输中的速率最优噪声退火：切向可识别性、非流形模糊性及保证恢复

Raymond Chu, Jaewoong Choi, Dohyun Kwon

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Sungkyunkwan University（成均馆大学） ； University of Seoul（首尔大学） ； Korea Institute for Advanced Study（韩国高级研究院） 纠错

AI总结 本文提出通过噪声退火实现半双极神经最优传输的速率最优解，通过理论分析和实验验证，确定了终端噪声水平与内在维度的关系，解决了非流形模糊性和病态问题。

RF-DETR: Neural Architecture Search for Real-Time Detection Transformers

RF-DETR：实时检测Transformer的神经架构搜索

Isaac Robinson, Peter Robicheaux, Matvei Popov, Deva Ramanan, Neehar Peri

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

AI总结 RF-DETR通过轻量级检测Transformer和神经架构搜索，在实时检测中实现更高的精度和速度，超越现有方法。

Comments This work has been accepted to the International Conference on Learning Representations (ICLR) 2026. Project Page: https://rfdetr.roboflow.com/

On the Difficulty of Selecting Few-Shot Examples for Effective LLM-based Vulnerability Detection

在有效基于LLM的漏洞检测中选择少样本示例的难度

Md Abdul Hannan, Ronghao Ni, Chi Zhang, Limin Jia, Ravi Mangal, Corina S. Pasareanu

机构 * Colorado State University（科罗拉多州立大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文研究了在基于LLM的漏洞检测中选择少样本示例的两种标准，并发现不同编程语言对示例选择的响应不同。

Comments Workshop on LLM Assisted Security and Trust Exploration (LAST-X) 2026

Time-To-Inconsistency: A Survival Analysis of Large Language Model Robustness to Adversarial Attacks

时间到不一致：大型语言模型对对抗攻击鲁棒性的生存分析

Yubo Li, Ramayya Krishnan, Rema Padman

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

AI总结 本研究通过生存分析方法评估大型语言模型在多轮对话中的鲁棒性，发现语义漂移对不一致风险的影响，并提出轻量级模型用于提前检测失败对话。

Can LLMs Reconcile Knowledge Conflicts in Counterfactual Reasoning

大语言模型能否在反事实推理中调和知识冲突

Khurram Yamin, Gaurav Ghosal, Bryan Wilder

机构 * Department of Machine Learning（机器学习系） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本研究探讨了大语言模型在反事实推理中整合参数知识的能力，发现其普遍挣扎并存在知识退化问题。

Comments ICML 2025 Workshop on Scaling up Intervention Models

Sample-Efficient Behavior Cloning Using General Domain Knowledge

基于通用领域知识的高效行为克隆

Feiyu Zhu, Jean Oh, Reid Simmons

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

AI总结 本文提出KIM方法，通过整合大语言模型的编码能力与专家领域知识，提升行为克隆的样本效率和泛化能力。

Journal ref In Proceedings of the Thirty-Fourth International Joint Conference on Artificial Intelligence. Article 807, 7254-7262 (2025)