高校专区
GaP：面向变分自动化任务的图即策略多智能体自学习框架
机构 * University of California, Berkeley（加利福尼亚大学伯克利分校） ； NVIDIA（英伟达） ； Carnegie Mellon University（卡内基梅隆大学） ； Bosch（博世）
AI总结 针对变分自动化任务无模型策略可靠性不足问题，提出图即策略多智能体编码框架GaP，通过生成计算图并行迭代优化，在虚实8项基准上表现远超基线。
评估用于反犹事件分类的大语言模型
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Maryland（马里兰大学） ； Microsoft Research（微软研究院） ； University of Washington（华盛顿大学） ； Allen Institute for Artificial Intelligence（人工智能研究院）
AI总结 研究利用大语言模型对反犹事件报告进行细粒度分类，评估了OpenAI的GPT-4o和Meta的Llama-3.2-3B-Instruct，发现其有潜力但需改进，提示中提供定义和示例可提升性能，还通过案例展示其能助力发现现实事件。
Comments Accepted to Digital Hate Review 2026 Issue 1
通过协同能动探索和结构化建模学习任务充分的世界模型
机构 * UCSD（加州大学圣地亚哥分校） ； MBZUAI（Mubarakzai Institute of Artificial Intelligence） ； CMU（卡内基梅隆大学） ； UBC（不列颠哥伦比亚大学）
AI总结 研究如何让智能体学习特定于任务、最小且足以决策的世界模型表示，通过智能体与世界模型闭环协同，智能体主动探索收集信息轨迹，世界模型学习结构化表示，提升样本效率和泛化能力。
因果游戏：在游戏中对大语言模型智能体的因果思维进行基准测试
机构 * MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Hong Kong Baptist University（香港浸会大学） ； University of Oxford（牛津大学） ； New York University, Abu Dhabi（纽约大学阿布扎比分校）
AI总结 研究旨在通过因果游戏基准测试大语言模型智能体的因果思维能力，让智能体设计实验、收集数据并给出解决方案。设计含多种挑战的场景，发现当前智能体因果思维能力欠佳，为评估提供了测试平台。
Comments Zhenhao, Yongqiang, and Chenxi contributed equally to the project. A short version is accepted at the Forty-Third International Conference on Machine Learning (ICML) 2026 as an Oral presentation. Project website https://causalgame.github.io/
TabQueryBench：用于合成表格数据的以查询为中心的基准测试
机构 * University of Hong Kong（香港大学） ； Tongji University（同济大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Maryland, College Park（马里兰大学学院公园分校）
AI总结 提出TabQueryBench以查询为中心的基准测试，用SQL查询评估合成数据保真度，将查询分类为模板并生成可执行SQL查询，实验展示了当前表格生成模型在查询保真度等方面的五种模式。
超越自身能力：用于可验证多项选择题任务的微小语言模型的分类头微调
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 研究如何使参数约3B以下的微小语言模型适应可验证多项选择题任务，比较三种基于LoRA的微调范式，分类头微调在特定规模下表现更优，微调后的模型与大模型有竞争力。
用基础图像生成模型诊断鸟瞰目标检测器
机构 * Carnegie Mellon University（卡内基梅隆大学） ； DEVCOM Army Research Laboratory（陆军研究实验室（DEVCOM）） ； Florida State University（佛罗里达州立大学）
AI总结 研究用文本引导生成、属性控制编辑和自动属性验证构建可控合成测试平台，对预训练检测器进行细粒度评估，以预测实际性能差距并指导高效数据收集。
通过协作分区优化构建鲁棒可行路线
机构 * Department of Electrical and Computer Engineering, Carnegie Mellon University（卡内基梅隆大学电气与计算机工程系）
AI总结 研究大规模车辆路径问题，提出协作路由构造框架CoRC，通过子问题间客户与车辆交换优化，实验表明其能构建可行解，比其他方法更具鲁棒性和扩展性。
Comments 24 pages, 3 figures, 3 tables
用于学习3D晶粒生长动力学的物理调节神经框架
机构 * Department of Electrical and Computer Engineering, University of Florida（美国佛罗里达大学电气与计算机工程系） ； Department of Materials Science Engineering, University of Florida（美国佛罗里达大学材料科学与工程系） ； Department of Materials Science Engineering, University of Florida, Carnegie Mellon University（美国佛罗里达大学、卡内基梅隆大学材料科学与工程系）
AI总结 提出3D-PRIMME模型学习三维晶粒生长动力学，仅用两个连续时间步训练，能准确再现线性粗化定律并保留拓扑统计，可应用于大幅增加的系统规模，学习到与尺度无关且时间稳定的局部演化规则。
采用周边门控单光子雪崩二极管提高直接飞行时间测量精度
机构 * Department of Electrical and Computer Engineering, Carnegie Mellon University（电气与计算机工程系，卡内基梅隆大学）
AI总结 研究直接飞行时间测量受系统和电路抖动及单光子雪崩二极管（SPAD）暗噪声影响产生误差的问题，通过周边门控降低暗噪声概率，开发框架估计抖动并分析电路，实验表明周边门控SPAD可提高测量精度。
Comments 4 pages, 7 figures, Accepted in MWSCAS 2026 conference
PACE：智能体能力评估的代理框架
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Salesforce AI Research（Salesforce人工智能研究）
AI总结 提出PACE框架，通过从非智能体评测中选取原子实例构建代理基准，以低成本高精度预测智能体基准性能，在14个模型上实现MAE<4%、Spearman>0.80。
Kara: 通过滑动窗口KV缓存压缩实现高效推理LLM服务
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 针对推理语言模型长思维链导致KV缓存过大、解码延迟高的问题，提出Kara滑动窗口KV缓存压缩方法，利用双向注意力评分选择信息性KV对并通过Token2Chunk模块扩展为块，结合PagedAttention构建KvLLM推理框架，降低内存占用并提升输出吞吐量。
Comments 9 pages, 6 figures
从推理轨迹到可复用模块：理解语言模型推理中的组合泛化
机构 * 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） ； Institute of Foundation Models（基础模型研究院） ； University of Michigan（密歇根大学）
AI总结 本文通过层次化潜在选择模型形式化组合泛化，理论证明SFT提供原子模块，RL分解轨迹实现组合泛化，实验验证RL能从复合轨迹中提取原子模块并重组解决新配置。
Comments ICML2026
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