Dex4D: Task-Agnostic Point Track Policy for Sim-to-Real Dexterous Manipulation
Dex4D：一种任务无关的点轨迹策略用于仿真到现实的灵巧操作
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 Dex4D通过仿真学习任务无关的点轨迹策略，实现零样本部署的灵巧操作任务。
Comments Project page: https://dex4d.github.io/
高校专区
Carnegie Mellon University（卡内基梅隆大学）
FAST-EQA: Efficient Embodied Question Answering with Global and Local Region Relevancy
FAST-EQA: 有效体感问答与全局和局部区域相关性
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Honda Research Institute USA（本田研究院美国）
AI总结 FAST-EQA通过结合全局和局部区域相关性，实现高效体感问答，提升回答可靠性并加快推理速度。
Comments WACV 2026
Collaborative Multi-Robot Non-Prehensile Manipulation via Flow-Matching Co-Generation
通过流匹配共生成实现协作多机器人非抓取操作
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Amazon Robotics（亚马逊机器人）
AI总结 本文提出一种统一框架，通过流匹配共生成与匿名多机器人运动规划，实现协作多机器人非抓取操作，提升复杂多物体环境下的操作效率。
Scale-Invariant Regret Matching and Online Learning with Optimal Convergence: Bridging Theory and Practice in Zero-Sum Games
尺度不变的遗憾匹配与最优收敛的在线学习：在零和博弈中弥合理论与实践的鸿沟
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出了一种新的尺度不变且参数无关的PRM+变体IREG-PRM+，实现了最优收敛并优于现有方法，同时扩展了零和博弈到更广泛的变分不等式问题。
Comments Compared to the previous version, this version includes new results on harmonic games and extensive-form games. Abstract abridged due to arXiv length constraints
From Prompts to Protection: Large Language Model-Enabled In-Context Learning for Smart Public Safety UAV
从提示到保护：基于大语言模型的上下文学习用于智能公共安全无人机
机构 * Real-Time and Embedded Computing Systems Research Centre (CISTER)（实时嵌入式计算系统研究中心） ； Carnegie Mellon University（卡内基梅隆大学） ； Pontificia Universidad Católica de Chile（天主教大学） ； School of Computer Science, McGill University（麦吉尔大学计算机科学学院） ； Instituto de Telecomunicações, Faculdade de Engenharia, Universidade do Porto（电信研究所，工程学院，葡萄牙里斯本大学） ； University of Houston（休斯顿大学）
AI总结 本文提出利用大语言模型的上下文学习提升公共安全无人机的自主决策能力，通过自然语言提示和示例指导实现路径规划和速度控制，减少数据丢失并缓解安全漏洞。
GMAIL: Generative Modality Alignment for generated Image Learning
GMAIL: 生成模态对齐用于生成图像学习
机构 * Department of Machine Learning, CMU, USA（卡内基梅隆大学机器学习系） ； Department of Machine Learning, MBZUAI, UAE（马斯克大学人工智能研究所） ； Department of Artificial Intelligence, Hanyang University ERICA, South Korea（翰阳大学ERICA人工智能系）
AI总结 GMAIL通过多模态学习方法对齐生成图像与真实图像，提升视觉-语言任务中的生成图像学习效果。
Decision Making under Imperfect Recall: Algorithms and Benchmarks
不完美回忆下的决策：算法与基准测试
机构 * Computer Science Dept., Carnegie Mellon University, Pittsburgh, USA（卡内基梅隆大学计算机科学系） ； Foundations of Cooperative AI Lab (FOCAL)（协作人工智能基础实验室（FOCAL）） ； Strategy Robot, Inc.（策略机器人公司） ； Strategic Machine, Inc.（战略机器公司） ； Optimized Markets, Inc.（优化市场公司）
AI总结 本文提出首个不完美回忆决策问题的基准测试集，并引入后悔匹配算法家族，在大规模约束优化中表现优异。
Comments 39 pages, 71 figures, 4 table
Is Vibe Coding Safe? Benchmarking Vulnerability of Agent-Generated Code in Real-World Tasks
Vibe 编程是否安全？在现实任务中对代理生成代码的漏洞基准测试
机构 * Carnegie Mellon University Language Technologies Institute（卡内基梅隆大学语言技术研究所） ； Columbia University（哥伦比亚大学） ； Johns Hopkins University（约翰霍普金斯大学） ； HydroX AI
AI总结 本文通过基准测试发现，Vibe 编程在现实任务中生成的代码安全性不足，尽管功能正确但存在安全漏洞，警示其在安全敏感领域应用的风险。
Generalized Parallel Scaling with Interdependent Generations
基于相互依赖世代的通用并行扩展
机构 * Meta ； Carnegie Mellon University（卡内基梅隆大学） ； Yale University（耶鲁大学）
AI总结 Bridge通过将批量LLM隐藏状态视为整体张量，实现相互依赖的并行生成，提升响应准确率和一致性，适用于任意生成宽度和聚合技术。
OpenAgentSafety: A Comprehensive Framework for Evaluating Real-World AI Agent Safety
OpenAgentSafety: 一个全面评估现实世界AI代理安全性的框架
机构 * Language Technologies Institute, Carnegie Mellon University（语言技术研究所，卡内基梅隆大学） ； Allen Institute for Artificial Intelligence（人工智能研究院）
AI总结 OpenAgentSafety提出一个全面评估AI代理安全性的框架，通过真实工具和多任务测试揭示代理在现实世界中的安全漏洞，强调需要加强安全防护。
Comments 26 pages, 10 figures, Accepted at ICLR 2026 and IASEAI 2026
