高校专区
FixAnything：基于视频生成先验的3D一致性渲染优化
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 FixAnything是一款复用预训练视频生成模型、仅需轻量微调的单一模型，可修复3DGS、NeRF等四种3D表示的渲染伪影，实现3D一致性渲染，替代多个专用优化管线。
Comments Appearing in ECCV 2026. Project page: this https URL (https://fix-anything.github.io)
SuperMap：用于视觉-语言导航的时空SLAM系统
机构 * The Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
AI总结 本文提出SuperMap，一种结合几何SLAM与开放词汇感知的4D时空建图框架，用于视觉-语言导航，可稳定维护目标身份，经基准与真实机器人验证后开源。
TailSieve：面向大语言模型（LLM）rollout的部分rollout引导式长尾路由
机构 * Qwen Business Unit of Alibaba（阿里巴巴通义千问业务部） ； Carnegie Mellon University（卡内基梅隆大学） ； Zhejiang University（浙江大学） ； University of Science and Technology of China（中国科学技术大学） ； National University of Singapore（新加坡国立大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
AI总结 TailSieve是面向LLM rollout的部分rollout引导式框架，通过联合控制长尾路由与副本分配，仅路由即可实现最高1.67倍加速，结合专用推测解码可达2.59倍加速，同时保留策略内生成并避免长度偏差。
学习终端智能体的可泛化行为
机构 * Salesforce AI Research（Salesforce人工智能研究院） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本研究针对终端智能体泛化问题，提出智能体组合泛化假设，开发训练方案River，其用不足30%的TMax环境使多规模模型在两个基准上RL增益平均提升超100%，且性能优于开源8B模型、可跨多维度泛化。
解决可解释人工智能中的选择问题
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 针对可解释人工智能（XAI）中用户难以选择合适技术的问题，研究提出多智能体大语言模型（LLM）编排工具，将用户查询转化为对应XAI解释技术，以解决选择问题。
Comments Accepted to the Workshop on Explainable Artificial Intelligence at the International Joint Conference on Artificial Intelligence 2026 (XAI@IJCAI26)
针对未见问题的大语言模型评估：上下文多维项目反应理论模型
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Madison（麦迪逊大学）
AI总结 本研究提出结合多维项目反应理论模型与问题上下文的LLM评估框架，可预测模型在未见问题上的表现，场景内评估效果优于无模型基线，但跨场景泛化仍为核心挑战。
基于良性事实的强化学习会放大模型对已记忆私人数据的泄露
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 该研究发现，基于良性事实的强化学习可放大指令模型对已记忆个人身份信息的泄露，且推理能力与拒绝率得以保留，为攻击者提供了无需接触私人数据即可提取的途径。
计划而非解码器：诊断与修复推理增强型文本到图像生成中的组合式失败
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 该研究针对推理增强型文本到图像生成的组合式失败，发现问题源于规划器而非解码器，通过编辑计划（如重写几何结构）可显著提升生成质量，还发布了相关评估协议及数据。
Comments 15 pages, 7 figures. Accepted at ECCV 2026 (oral)
SPADE：自适应合成可执行环境中的自博弈
机构 * University of Washington（华盛顿大学） ； Stanford University（斯坦福大学） ； Northeastern University（东北大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Massachusetts Institute of Technology（麻省理工学院） ； National University of Singapore（新加坡国立大学） ； Seoul National University（首尔大学） ； Stevens Institute of Technology（史蒂文斯理工学院） ； University of Chicago（芝加哥大学）
AI总结 SPADE是一种双角色自博弈强化学习框架，让单个LLM同时担任环境设计者与推理智能体，在多类基准上显著提升了语言智能体的性能，推动了开放式自我改进。
Comments Work in progress. Project page: this https URL (https://spade-rl.github.io); Code: this https URL (https://github.com/spade-rl/spade)
推理捷径与价值对称性：对称性允许什么、架构实现什么以及优化选择什么
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 该研究分析神经符号系统的推理捷径，发现现有框架的关键定义不适用于其评估的基准，重新测量揭示无法解释的对比例与可证明结构相关，还明确了对称性惰性、自同构存在性等问题的计算复杂度，区分了对称性允许与优化选择的内容。
Comments 62 pages, 2 figures, 8 tables. Under review
机器人何时应该思考？基于强化学习的资源感知推理在具身机器人决策中的应用
机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； Northeastern University（东北大学） ； Harvard University（哈佛大学） ； Cornell University（康奈尔大学） ； MIT（麻省理工学院） ； Fujitsu Research of America（美国富士通研究） ； Tsinghua University（清华大学） ； Peking University（北京大学） ； University of Georgia（佐治亚大学） ； Florida International University（佛罗里达国际大学） ； EmbodyX Inc（EmbodyX公司） ； Cisco Systems（思科系统）
AI总结 提出RARRL框架，通过强化学习学习高层编排策略，使具身代理能自适应决定是否调用LLM推理、选择推理角色及分配计算预算，以平衡推理开销与任务成功率。
学习评估者所重视的内容：一种可靠建模评估者偏好的方法
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文研究了如何学习评估者偏好，提出了一种鲁棒算法，能够在模型不匹配的情况下有效学习偏好，通过合成数据和实际数据验证了其有效性。
训练主动且个性化的大语言模型智能体
机构 * Carnegie Mellon University（卡内基梅隆大学） ； OpenHands
AI总结 该研究提出训练协作型LLM智能体的新范式，形式化PPP三维度，构建UserVille环境与多目标强化学习框架，在SWE-Bench等任务上使智能体性能优于GPT-5等基线，验证了以用户为中心反馈的重要性。
Comments COLM 2026
面向人群健康管理的电子健康记录基础模型规模化研究
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Georgetown University（乔治城大学）
AI总结 该研究提出面向人群健康管理的电子健康记录基础模型，跨500万患者数据预训练，在11项慢性病预测任务及EHRShot基准中表现优于同类模型，将开源代码。
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