Harvard University（哈佛大学）

The Memory Curse: How Expanded Recall Erodes Cooperative Intent in LLM Agents

记忆诅咒：扩展回忆如何在LLM代理中侵蚀合作意图

Jiayuan Liu, Tianqin Li, Shiyi Du, Xin Luo, Haoxuan Zeng, Emanuel Tewolde, Tai Sing Lee, Tonghan Wang, Carl Kingsford, Vincent Conitzer

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Foundations of Cooperative AI Lab (FOCAL)（合作人工智能基础实验室） ； University of Michigan（密歇根大学） ； Harvard University（哈佛大学） 纠错

AI总结 研究发现扩展回忆会系统性地削弱多代理社会困境中的合作意图，通过三种分析揭示记忆内容对合作的影响，证明记忆是影响多代理行为的主动因素。

Reason to Play: Behavioral and Brain Alignment Between Frontier LRMs and Human Game Learners

玩乐的动机：前沿LRMs与人类游戏学习者的行为与大脑对齐

Botos Csaba, Sreejan Kumar, Austin Tudor David Andrews, Laurence Hunt, Chris Summerfield, Joshua B. Tenenbaum, Rui Ponte Costa, Marcelo G. Mattar, Momchil Tomov

机构 * University of Oxford（牛津大学） ； Columbia University（哥伦比亚大学） ； New York University（纽约大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Harvard University（哈佛大学） 纠错

AI总结 本文研究了前沿LRMs在游戏学习中的行为与大脑活动对齐情况，发现其在游戏发现阶段更接近人类行为，并能更准确预测大脑活动。

Valence-Arousal Subspace in LLMs: Circular Emotion Geometry and Multi-Behavioral Control

情感价值-唤醒子空间在大语言模型中：圆形情感几何与多行为控制

Lihao Sun, Lewen Yan, Xiaoya Lu, Andrew Lee, Jie Zhang, Jing Shao

机构 * University of Chicago（芝加哥大学） ； Shanghai AI Lab（上海人工智能实验室） ； Harvard University（哈佛大学） 纠错

AI总结 研究揭示大语言模型中的情感向量由二维情感价值-唤醒子空间组织，通过主成分分解和岭回归恢复情感操控向量，实现对生成文本情感属性的单向控制及多下游行为的双向控制。

Theory of Optimal Learning Rate Schedules and Scaling Laws for a Random Feature Model

优化学习率调度与随机特征模型的缩放定律理论

Blake Bordelon, Francesco Mori

机构 * Center for Mathematical Sciences and Applications, Harvard University（哈佛大学数学科学中心） 纠错

AI总结 本文研究了随机特征模型中最优学习率调度与缩放定律，通过分析易相和难相，提出优化调度方法并验证其在ResNet和GPT-2任务中的有效性。

Task Relevance Is Not Local Replaceability: A Two-Axis View of Channel Information

任务相关性并非局部可替换性：通道信息的双轴视角

Houman Safaai, Andrew T. Landau, Celia C. Beron, Yasin Mazloumi, Bernardo L. Sabatini

机构 * Kempner Institute for the Study of Natural and Artificial Intelligence（自然与人工智能研究学院） ； Harvard University（哈佛大学） ； Department of Neurobiology, Howard Hughes Medical Institute（神经生物学系，霍华德·休斯医学研究所） ； Harvard Medical School（哈佛医学院） 纠错

AI总结 本文提出双轴视角分析通道重要性，区分任务相关性和局部可替换性，发现不同轴在不同网络中表现各异，局部轴更可靠预测可删除性。

Online Allocation with Unknown Shared Supply

在线分配与未知共享供应

Tzeh Yuan Neoh, Davin Choo, Mengchu Yue, Milind Tambe

机构 * Harvard University（哈佛大学） 纠错

AI总结 本文提出OSSA问题，研究在未知供应下在线分配资源的方法，提出GPA策略并证明其在4/3倍近似最优，同时展示学习增强扩展在稀缺供应下的优越性。

Self-Programmed Execution for Language-Model Agents

语言模型代理的自编程执行

Luke J. O'Connor

机构 * Harvard Medical School（哈佛医学院） 纠错

AI总结 本文提出自编程执行(SPE)架构，使语言模型自身成为调度器，无需固定策略。通过agentic machines概念，实现无固定轮次策略的状态转移，并引入Spell语言处理程序自我编辑与重评估，实验表明前沿模型可完成复杂代理任务。

A Statistical Framework for Algorithmic Collective Action with Multiple Collectives

算法集体行动的统计框架：多集体情况

Claudio Battiloro, Pietro Greiner, Dario Rancati, Bret Nestor, Oumaima Amezgar, Francesca Dominici

机构 * Harvard University（哈佛大学） ； Mila and LawZero（Mila和LawZero） ； Institute of Science and Technology Austria（奥地利科学与技术研究所） ； University of British Columbia（不列颠哥伦比亚大学） ； University of Padova（帕多瓦大学） 纠错

AI总结 本文提出首个多集体算法集体行动的统计框架，研究多个集体如何影响分类器行为，并提供可计算的统计界限。

Comments 27 pages, 16 figures

Emergent Manifold Separability during Reasoning in Large Language Models

大语言模型推理中的涌现流形分离

Chanwoo Chun, Alexandre Polo, SueYeon Chung

机构 * Department of Physics, Harvard University（哈佛大学物理系） ； Center for Data Science, New York University（纽约大学数据科学中心） ； Kempner Institute, Harvard University（哈佛大学 Kempner 研究所） ； Center for Computational Neuroscience, Flatiron Institute（Flatiron 机构计算神经科学中心） 纠错

AI总结 研究大语言模型推理过程中的流形分离现象，通过曼福容量理论分析两种组合推理任务，发现概念流形在计算前解耦为线性可分子空间，揭示动态流形管理机制。

Comments Alexandre Polo and Chanwoo Chun contributed equally to this work

DiffeoMorph: Learning to Morph 3D Shapes Using Differentiable Agent-Based Simulations

DiffeoMorph: 通过可微分基于代理的模拟学习3D形状变形

Seong Ho Pahng, Guoye Guan, Benjamin Fefferman, Sahand Hormoz

机构 * Department of Systems Biology, Harvard Medical School（哈佛医学院系统生物学系） ； Department of Data Science, Dana-Farber Cancer Institute（达纳-法伯癌症研究所数据科学部） ； Departments of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学部） ； Broad Institute of MIT and Harvard（MIT与哈佛大学Broad研究所） 纠错

AI总结 本文提出DiffeoMorph框架，通过可微分代理模拟学习形态发生协议，使代理群体变形为目标3D形状，采用SE(3)等价图神经网络和基于3DZernike多项式的形状匹配损失实现旋转不变性和反射敏感性。

Benchmarking World-Model Learning with Environment-Level Queries

用环境级查询评估世界模型学习

Archana Warrier, Dat Nguyen, Michelangelo Naim, Moksh Jain, Yichao Liang, Karen Schroeder, Cambridge Yang, Joshua B. Tenenbaum, Sebastian Vollmer, Kevin Ellis, Zenna Tavares

机构 * Basis Research Institute ； DFKI GmbH ； Harvard University ； Universit\'e de Montr\'eal \& Mila - Quebec AI Institute ； University of Cambridge ； Massachusetts Institute of Technology ； Cornell University 纠错

AI总结 本文提出WorldTest协议，通过环境级查询评估智能体是否学习到支持多种环境属性的模型，通过AutumnBench验证人类在网格世界环境中的表现优于前沿模型。

Comments 34 pages, 10 figures

Into the Rabbit Hull: From Task-Relevant Concepts in DINO to Minkowski Geometry

进入兔皮：从DINO中的任务相关概念到闵可夫斯基几何

Thomas Fel, Binxu Wang, Michael A. Lepori, Matthew Kowal, Andrew Lee, Randall Balestriero, Sonia Joseph, Ekdeep S. Lubana, Talia Konkle, Demba Ba, Martin Wattenberg

机构 * Kempner Institute, Harvard University（哈佛大学凯姆纳研究所） ； Harvard University（哈佛大学） ； Dept. of Psychology, Harvard University（哈佛大学心理学系） ； Brown University（布朗大学） ； Google DeepMind（谷歌DeepMind） ； Meta ； Goodfire 纠错

AI总结 本文通过分析DINOv2的任务相关概念，揭示了其在分类、分割和深度估计中的功能专业化，并提出闵可夫斯基表示假设以解释视觉Transformer的表示结构。

Comments Accepted at ICLR 2026

Journal ref ICLR 2024