高校专区
动态匹配中的学习潜力及其在心脏移植中的应用
机构 * Department of Computer Science, Carnegie Mellon University（计算机科学系，卡内基梅隆大学） ； Department of Surgery, Division of Cardiothoracic Surgery, Medical University of South Carolina（外科系，心胸外科 division，南卡罗来纳医学大学）
AI总结 本文提出了一种基于潜力的学习方法，用于动态匹配，应用于心脏移植分配，通过自监督模仿学习优化群体层面的成果。
lrnnx：线性递归神经网络的库
机构 * Carnegie Mellon University（卡内基梅隆大学） ； BITS Pilani（比特学院）
AI总结 lrnnx是一个统一的软件库，旨在提高线性递归神经网络的可访问性、可重复性和可扩展性，通过提供统一接口和多层次控制实现多种现代LRNN架构。
Comments EACL Student Research Workshop 2026
在同伴运行社区心理健康服务中使用大型语言模型：理解同伴专家和服务用户对机会、风险及缓解策略的看法
机构 * School of Computer Science（计算机科学系） ； Carnegie Mellon University（卡内基梅隆大学） ； Human-Computer Interaction Institute（人机交互研究所） ； University of Pittsburgh（匹兹堡大学） ； Graduate School of Applied and Professional Psychology（应用与专业心理学研究生院） ； Rutgers University（罗格斯大学） ； Software and Societal Systems Department（软件与社会系统部门）
AI总结 本文探讨了在同伴运行社区心理健康服务中引入大型语言模型的影响，分析了机会、风险及缓解策略，强调了LLM作为关系合作者而非临床工具的角色。
Comments 24 pages, 2 tables, 7 figures. Accepted and to appear in the Proceedings of CHI 2026
TritonRL: 训练 LLM 以无作弊方式思考和编写 Triton
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Amazon Web Services（亚马逊网络服务） ； Google DeepMind（谷歌DeepMind）
AI总结 TritonRL 通过强化学习框架训练出专门用于 Triton 编程的 8B 级 LLM，实现高正确性和运行时加速，优于现有模型。
可解释性地发现单参数子群：椭圆、双曲和抛物对称性的模块化框架
机构 * Indian Institute of Science（印度科学研究院） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出了一种模块化框架，用于从数据中发现单参数对称子群，通过学习生成器参数实现对称性的可解释性建模。
是什么使大语言模型代理模拟对政策实践有用？一项关于应急准备的迭代设计研究
机构 * School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机科学学院）
AI总结 本文通过迭代设计研究，探讨了LLM代理模拟在应急准备中的应用，发现通过可验证场景建立信任、获取隐性知识以及共同进化模拟与政策实施是提升其对政策实践有用性的关键。
虚拟社区：人类、机器人与社会的开放世界
机构 * UMass Amherst（马萨诸塞大学阿默斯特分校） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室） ； Johns Hopkins University（约翰霍普金斯大学） ； CMU（卡内基梅隆大学）
AI总结 虚拟社区是一个开放世界平台，旨在研究人类与机器人共存的社会智能，通过多智能体模拟和大规模社区生成，提出两个新挑战以探索开放世界中的协作与规划能力。
Comments website https://virtual-community-ai.github.io/
通过预评分实现高效的注意力机制：在Transformer中优先选择信息量大的键
机构 * Carnegie Mellon University, Pittsburgh, USA ； University of Southern California, Los Angeles, CA, USA ； University of California, San Diego, Department of Mathematics, La Jolla, CA, USA ； University of California, Davis, Applied Mathematics \& Statistics, Davis, CA, USA ； Carnegie Mellon University, Pittsburgh, PA, USA
AI总结 本文提出预评分方法，通过优先选择信息量大的键提升Transformer在长上下文语言建模和视觉任务中的效率与精度
TDGNet: 通过时间动态图检测扩散语言模型中的幻觉
机构 * Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Carnegie Mellon University（卡内基梅隆大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
AI总结 TDGNet通过时间动态图框架，利用演进的token级注意力图进行学习，实现对扩散语言模型中幻觉的高效检测。
广义流映射用于黎曼流形上的少步生成建模
机构 * University of Oxford（牛津大学） ； Harvard University（哈佛大学） ； Kempner Institute（凯普纳研究所） ； Institute for Artificial Intelligence and Fundamental Interactions, MIT（人工智能与基本相互作用研究所，MIT） ； Carnegie Mellon University（卡内基梅隆大学） ； AITHYRA（AITHYRA研究所） ； Mila（Mila研究所） ； Imperial College London（伦敦帝国学院）
AI总结 本文提出广义流映射（GFM）用于黎曼流形上的少步生成建模，通过自蒸馏方法提升现有生成模型性能。
Comments Under review
残差向量量化用于通信高效的多智能体感知
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 ReVQom通过残差向量量化实现高效多智能体感知，显著降低通信带宽需求，提升实际应用可行性。
Comments Accepted at ICASSP 2026. 5 pages
PBEBench: 一个受历史语言学启发的多步编程-by-例子推理基准
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Ohio State University（俄亥俄州立大学）
AI总结 PBEBench是一个受历史语言学启发的多步编程-by-例子推理基准，用于评估LLMs的归纳推理能力，发现模型在复杂任务中的表现存在显著差距。
非确定多项式时间问题挑战：为大语言模型构建的持续扩展推理基准
机构 * The Hong Kong Polytechnic University（香港理工大学） ； KTH Royal Institute of Technology（皇家理工学院） ； Carnegie Mellon University（卡内基梅隆大学） ； Nanyang Technological University（南洋理工大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Singapore Management University（新加坡管理学院）
AI总结 NPPC是一个持续扩展的推理基准，通过三个模块评估LLMs的推理能力，揭示其性能极限和改进方向。
Comments Accepted to TMLR
语言模型代理的树搜索
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出一种树搜索算法，用于提升语言模型代理在现实网页任务中的表现，实验显示其在成功率上显著优于基线方法。
Comments 13 pages. Models and code available at https://jykoh.com/search-agents
MLP的仿生初始化
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出通过给MLP第一层赋予非零均值来加速训练，首次将仿生初始化应用于通道混合层。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈