Carnegie Mellon University（卡内基梅隆大学）

EuroLLM-22B: Technical Report

EuroLLM-22B：技术报告

Miguel Moura Ramos, Duarte M. Alves, Hippolyte Gisserot-Boukhlef, João Alves, Pedro Henrique Martins, Patrick Fernandes, José Pombal, Nuno M. Guerreiro, Ricardo Rei, Nicolas Boizard, Amin Farajian, Mateusz Klimaszewski, José G. C. de Souza, Barry Haddow, François Yvon, Pierre Colombo, Alexandra Birch, André F. T. Martins

机构 * Instituto Superior Técnico & Universidade de Lisboa (Lisbon ELLIS Unit)（里斯本ELLIS单位（理工学院与里斯本大学）） ； Instituto de Telecomunicações（电信研究院） ； MICS, CentraleSupélec, Université Paris-Saclay（MICS、中央圣艾尔布兰理工大学、巴黎萨克雷大学） ； Acolad ； Carnegie Mellon University（卡内基梅隆大学） ； University of Edinburgh（爱丁堡大学） ； Diabolocom ； Aveni ； OutSystems ； Sword Health ； Sorbonne Université, CNRS, ISIR（索邦大学、国家科学研究中心、ISIR） ； Artefact Research Center（Artefact研究机构） ； TransPerfect 纠错

AI总结 EuroLLM-22B是一款覆盖24种欧盟语言及11种额外语言的大型语言模型，通过多语言基准测试展现强推理、指令遵循和翻译能力，提供基础模型、指令微调模型及预训练代码库以支持未来研究。

Constraint-Aware Discrete-Time PID Gain Optimization for Robotic Joint Control Under Actuator Saturation

考虑约束的离散时间PID增益优化用于受执行器饱和影响的机器人关节控制

Ojasva Mishra, Xiaolong Wu, Min Xu

机构 * Downingtown STEM Academy（Downingtown STEM学院） ； Carnegie Mellon University（卡内基梅隆大学） ； School of Computer Science（计算机科学学院） 纠错

AI总结 本文提出了一种考虑约束的离散时间PID增益优化方法，通过混合认证的贝叶斯优化工作流程提升机器人关节控制的鲁棒性。

Comments Pending IEEE Transactions on Robotics Publication

Should Bias be Eliminated? A General Framework to Use Bias for OOD Generalization

应该消除偏见吗？一种利用偏见进行OOD泛化的通用框架

Yan Li, Yunlong Deng, Zijian Li, Anpeng Wu, Zeyu Tang, Kun Zhang, Guangyi Chen

机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎德·本·扎耶德人工智能大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Zhejiang University（浙江大学） 纠错

AI总结 本文提出了一种通用框架，通过利用偏见来提升OOD泛化的性能，通过生成模型识别偏见因素并构建偏见感知预测器，结合不同环境的预测器以提高鲁棒性和适应性。

CoPE: Clipped RoPE as A Scalable Free Lunch for Long Context LLMs

CoPE：剪裁RoPE作为长上下文LLM的可扩展免费午餐

Haoran Li, Sucheng Ren, Alan Yuille, Feng Wang

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 CoPE通过软剪裁RoPE的低频成分，有效提升长上下文LLM的性能，实现可扩展的免费午餐。

Quality Model for Machine Learning Components

机器学习组件的质量模型

Grace A. Lewis, Rachel Brower-Sinning, Robert Edman, Ipek Ozkaya, Sebastián Echeverría, Alex Derr, Collin Beaudoin, Katherine R. Maffey

机构 * Carnegie Mellon Software Engineering Institute（卡内基梅隆软件工程研究所） ； Fairfield University（费尔菲尔德大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出了一种针对机器学习组件的质量模型，旨在指导需求获取与协商，并为开发者和利益相关者提供共同术语以定义系统衍生需求。

Comments A short version of this paper has been accepted to CAIN 2026, the 5th IEEE/ACM Conference on AI Engineering - Software Engineering for AI Systems

Feedback Control for Multi-Objective Graph Self-Supervision

多目标图自监督学习的反馈控制

Karish Grover, Theodore Vasiloudis, Han Xie, Sixing Lu, Xiang Song, Christos Faloutsos

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Amazon（亚马逊） 纠错

AI总结 ControlG通过反馈控制框架解决多目标图自监督学习中的目标协调问题，通过时间分配优化提升性能并揭示学习驱动因素。