Carnegie Mellon University（卡内基梅隆大学）

Speech-to-SOAP: End-to-End Summarization of Medical Dialogues: KIT@BeTraC 2026

Speech-to-SOAP：医学对话的端到端摘要生成——KIT@BeTraC 2026

Enes Yavuz Ugan, Fabian Retkowski, Yuka Ko, Thai-Binh Nguyen, Maike Züfle, Jan Niehues, Alexander Waibel

机构 * Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本研究针对医学对话摘要任务，提出KIT团队参加BeTraC挑战赛轻量级赛道的方案，构建可扩展数据增强流水线，适配语音基础模型实现端到端语音转SOAP生成，减轻医护记录负担。

Comments 3 pages, BeTraC 2026

Hierarchical Skill Retrieval for Data-Efficient Adaptation of Vision-Language-Action Models

用于视觉-语言-动作模型数据高效适配的分层技能检索

Haoran Hao, Shahram Najam Syed, Jeff Schneider, Jeffrey Ichnowski

机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） 纠错

AI总结 针对视觉-语言-动作模型在有限演示下适配性能下降的问题，提出分层技能检索框架，结合子任务语言检索与行为特征重排序，在LIBERO基准及真实机器人任务上提升平均成功率10.3%和21.3%。

Comments Project Page: this https URL (https://hoar012.github.io/HSR-Project)

Beyond Confidence: Test-Time Scaling for Multi-Turn Search Agents via Retrieval Grounding

超越置信度：基于检索 grounding 的多轮搜索智能体测试时缩放

Hyunho Kook, Junhyuk So, Tianyu Fu, Haizhong Zheng, Beidi Chen

机构 * University of Southern California（南加州大学） ； Pohang University of Science and Technology (POSTECH)（浦项科技大学） ； Tsinghua University（清华大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 针对多轮搜索智能体中基于置信度投票因复制膨胀失效的问题，提出检索接地投票（RGV）方法，在四个基准和五个 LLM 上性能优于基线，准确率最高提升 5.4%

Comments Accepted to EMNLP 2026 Findings