Carnegie Mellon University（卡内基梅隆大学）

KinyaEmbed: Contrastive Sentence Embeddings for Kinyarwanda via Multi-Stage Curriculum Training

KinyaEmbed：基于多阶段课程训练的卢旺达语（Kinyarwanda）对比句嵌入模型

Ireddi Rakshitha, Devavarapu Yashwanth, Ntakirutimana Pierre

机构 * Barclays（巴克莱银行） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 针对卢旺达语预训练嵌入不足的问题，提出基于KinyaBERT-large的KinyaEmbed模型，经四阶段课程训练后，在SemRel2024-rw等基准上超越现有多语言模型，效果显著且相关资源公开。

Comments 14 pages, 3 figures, 5 tables

TabuLM: Morphology-Aware Tabular Pre-training for Low-Resource Languages

TabuLM：面向低资源语言的形态感知表格预训练模型

Ireddi Rakshitha, Devavarapu Yashwanth, Ntakirutimana Pierre

机构 * Barclays（巴克莱银行） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 研究针对低资源语言卢旺达语，提出形态感知表格预训练模型TabuLM，在自研的卢旺达语表格问答基准TabQA-kin上，其精确匹配率显著优于基线模型。

Comments 18 pages, 4 figures, 7 tables

Rapid On-Robot Learning for Dynamic Manipulation Skills: Robot Juggling

面向动态操作技能的机器人快速在线学习：机器人杂耍

Taeyoon Lee, Chunpeng Wang, Christopher G. Atkeson, Alfred A. Rizzi, Nicolas Rojas

机构 * Robotics and AI Institute (RAI)（机器人与人工智能研究所（RAI）） ； Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） 纠错

AI总结 本研究提出基于正则化记忆的在线学习框架，使双臂机器人在不到5分钟内安全掌握五种三球杂耍模式，核心是利用不完美先验知识实现高效稳定的真实世界动态操作技能学习。

Generative Semantic Scene Completion

生成式语义场景补全

Shi Chen, Weifeng Ge

机构 * College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与人工智能学院） ； Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） 纠错

AI总结 该研究针对户外激光雷达语义场景补全的类别不平衡问题，提出生成式语义场景补全框架，通过PS³、SGSC、S²D²方法提升性能，在SemanticKITTI测试集取得当前最佳单扫描单样本结果。

Comments 18 pages, 12 figures, 4 tables. Supplementary material (29 pages) is included as an ancillary file. Project page: this https URL (https://shichen.world/GSSC-project-page/) - Code, models and the PS$^3$ dataset: this https URL (https://github.com/BillyChern/GSSC-S2D2)

Standalone LLM and a Pre-specified Agentic Pipeline for Explaining ICU Mortality Predictions: a Feasibility Study on the eICU Demo Dataset

独立大型语言模型（LLM）与预定义智能体管道用于解释ICU死亡率预测：基于eICU演示数据集的可行性研究

Di Zhu, Chen Xie, Haoyun Zhang, Zihan Wei, Ziwei Wang, Jiazhao Shi, Ziyu Wang, Qiyang Xie

机构 * Santa Clara University（圣克拉拉大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； University of Pennsylvania（宾夕法尼亚大学） ； Carnegie Mellon University（卡内基梅隆大学） ； New York University（纽约大学） ； Wake Forest University（维克森林大学） ； Northeastern University（东北大学） 纠错

AI总结 本研究基于eICU演示数据集对比独立LLM与四步智能体管道解释ICU死亡率预测，发现智能体管道在指南依据性等方面更优，但需搭配归因核查。

Learning Generalizable Behaviors for Terminal Agents

学习终端智能体的可泛化行为

Yihang Yao, Bo Pang, Xuan Phi Nguyen, Ding Zhao, Shafiq Joty, Semih Yavuz

机构 * Salesforce AI Research（Salesforce人工智能研究院） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

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。

A Very Big Video Reasoning Suite

一个非常大的视频推理套件

Maijunxian Wang, Ruisi Wang, Juyi Lin, Ran Ji, Thaddäus Wiedemer, Qingying Gao, Dezhi Luo, Yaoyao Qian, Lianyu Huang, Zelong Hong, Jiahui Ge, Qianli Ma, Hang He, Yifan Zhou, Lingzi Guo, Lantao Mei, Jiachen Li, Hanwen Xing, Tianqi Zhao, Fengyuan Yu, Weihang Xiao, Yizheng Jiao, Jianheng Hou, Danyang Zhang, Pengcheng Xu, Boyang Zhong, Zehong Zhao, Gaoyun Fang, John Kitaoka, Yile Xu, Hua Xu, Kenton Blacutt, Tin Nguyen, Siyuan Song, Haoran Sun, Shaoyue Wen, Linyang He, Runming Wang, Yanzhi Wang, Mengyue Yang, Ziqiao Ma, Raphaël Millière, Freda Shi, Nuno Vasconcelos, Daniel Khashabi, Alan Yuille, Yilun Du, Ziming Liu, Bo Li, Dahua Lin, Ziwei Liu, Vikash Kumar, Yijiang Li, Lei Yang, Zhongang Cai, Hokin Deng

机构 * University of California, Berkeley（加州大学伯克利分校） ； Nanyang Technological University（南洋理工大学） ； Northeastern University（东北大学） ； University of Tübingen（图宾根大学） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Michigan（密歇根大学） ； University of Southern California（南加州大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； Shanghai Jiao Tong University（上海交通大学） ； East China Normal University（华东师范大学） ； Stanford University（斯坦福大学） ； University of Texas at Austin（得克萨斯大学奥斯汀分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Cornell University（康奈尔大学） ； San Jose State University（圣何塞州立大学） ； University of California, Irvine（加州大学尔湾分校） ； Technical University of Munich（慕尼黑技术大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； Imperial College London（伦敦帝国学院） ； University of Wisconsin--Madison（威斯康星大学麦迪逊分校） ； University of Edinburgh（爱丁堡大学） ； Hong Kong University of Science（香港科学大学） ； New York University（纽约大学） ； Auburn University（阿伯丁大学） ； Columbia University（哥伦比亚大学） ； University of Bristol（布里斯托大学） ； University of Waterloo（滑铁卢大学） ； The Chinese University of Hong Kong（香港中文大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Oxford（牛津大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） 纠错

AI总结 VBVR数据集和评估框架旨在解决视频推理能力研究中的大规模数据缺乏问题，通过大规模实验观察到对未见任务的泛化能力。

Comments Homepage: this https URL (https://video-reason.com/?v=vbvr)