Harvard University（哈佛大学）

Two Speeds of Learning: A Representation-Readout Decomposition of Grokking and Double Descent

两种学习速度：Grokking 和双下降的表征-读出分解

Chi-Ning Chou, Oscar Uzdelewicz, Neng-Chun Chiu, Yao-Yuan Yang, SueYeon Chung

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

AI总结 通过将学习动态分解为编码器中的表征学习和最终分类器中的读出校准两个竞争过程，解释了 grokking 和 epoch-wise 双下降现象，并提供了诊断虚假泛化的框架。

Jailbreak Scaling Laws for Large Language Models: Polynomial-Exponential Crossover

大型语言模型的越狱缩放定律：多项式-指数交叉

Indranil Halder, Annesya Banerjee, Cengiz Pehlevan

机构 * John A. Paulson School of Engineering And Applied Sciences, Harvard University（哈佛大学约翰·A·保罗森工程与应用科学学院） ； Department of Brain and Cognitive Sciences, Massachusetts Institute of Technology（麻省理工学院脑科学与认知科学系） ； Speech and Hearing Bioscience and Technology, Harvard Medical School（哈佛医学院语音与听力生物科学与技术系） ； Kempner Institute for the Study of Natural and Artificial Intelligence, Harvard University（哈佛大学自然与人工智能研究学院） ； Center for Brain Science, Harvard University（哈佛大学脑科学中心） 纠错

AI总结 研究发现对抗性提示注入攻击可使攻击成功率从无注入时的缓慢多项式增长变为随推理样本数指数增长，并通过自旋玻璃模型从理论上解释了这一现象。

Reasoning Theater: Disentangling Model Beliefs from Chain-of-Thought

推理剧场：从思维链中分离模型信念

Siddharth Boppana, Annabel Ma, Max Loeffler, Raphael Sarfati, Eric Bigelow, Atticus Geiger, Owen Lewis, Jack Merullo

机构 * Harvard University, Cambridge, MA（哈佛大学，马萨诸塞州剑桥） 纠错

AI总结 通过激活探针、早期强制回答和思维链监控器分析，发现推理模型存在表演性思维链现象，并利用探针引导的早期退出实现高效计算。

A Matter of Interest: Understanding Interestingness of Math Problems in Humans and Language Models

兴趣问题：理解人类与语言模型对数学问题的兴趣度

Shubhra Mishra, Yuka Machino, Gabriel Poesia, Albert Jiang, Joy Hsu, Adrian Weller, Challenger Mishra, David Broman, Joshua B. Tenenbaum, Mateja Jamnik, Cedegao E. Zhang, Katherine M. Collins

机构 * KTH Royal Institute of Technology（皇家理工学院） ； Stanford University（斯坦福大学） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Cambridge（剑桥大学） ； Kempner Institute at Harvard University（哈佛大学肯普尼研究所） ； Mistral AI 纠错

AI总结 通过比较大型语言模型与不同数学背景人群对数学问题的兴趣度评分，研究LLM在兴趣判断上与人类的一致性，并评估其生成有趣问题的能力。

Comments Published at the Math-AI Workshop, NeurIPS 2025

Demystifying Scientific Problem-Solving in LLMs by Probing Knowledge and Reasoning

通过探针知识和推理揭示LLMs中的科学问题解决

Alan Li, Yixin Liu, Arpan Sarkar, Doug Downey, Arman Cohan

机构 * Department of Computer Science, Yale University ； Department of Molecular \& Cellular Biology, Harvard University ； Allen Institute for AI ； Department of Computer Science, Northwestern University 纠错

AI总结 本文提出SciReas基准和KRUX探针框架，系统评估LLMs在科学推理中的知识与推理角色，发现知识检索是主要瓶颈，外部上下文知识和推理增强均能提升性能。

Comments 33 pages, 18 figures

Journal ref ICML 2026 Main Conference

Approximate Proportionality in Online Fair Division

在线公平分配中的近似比例性

Davin Choo, Winston Fu, Derek Khu, Tzeh Yuan Neoh, Tze-Yang Poon, Nicholas Teh

机构 * Harvard University, USA（哈佛大学） ； University of Oxford, UK（牛津大学） ； Centre for Frontier AI Research (CFAR), Agency for Science, Technology and Research (A*STAR), Singapore（前沿人工智能研究中心（CFAR）） ； Institute of High Performance Computing (IHPC), Agency for Science, Technology and Research (A*STAR), Singapore（高性能计算研究所（IHPC）） ； Princeton University, New Jersey, USA（普林斯顿大学） ； Institute for Infocomm Research (I2R), Agency for Science, Technology and Research (A*STAR), Singapore（信息与通信研究所以（I2R）） 纠错

AI总结 研究在线公平分配问题中比例性（PROP1）的可近似性，通过非自适应对手和最大物品价值预测两种松弛方法，设计了具有鲁棒保证的在线算法。

Comments Appears in the 43rd International Conference on Machine Learning (ICML), 2026

ChildVox: A Speech, Audio, and Large Audio-Language Model Benchmark in Understanding and Characterizing Sound across Childhood

ChildVox：理解与表征儿童期声音的语音、音频及大型音频语言模型基准

Tiantian Feng, Anfeng Xu, Xuan Shi, Aditya Kommineni, Shakhrul Iman Siam, Megan Micheletti, Zhonghao Shi, Helen Tager-Flusberg, Mi Zhang, Lynn K. Perry, Catherine Lord, Daniel Messinger, Shrikanth Narayanan

机构 * University of Southern California（南加州大学） ； The Ohio State University（俄亥俄州立大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Harvard University（哈佛大学） ； Boston University（波士顿大学） ； University of Miami（迈阿密大学） 纠错

AI总结 提出ChildVox基准，整合17个儿童音频数据集和20多个子任务，评估多种基础模型在儿童生理声、非语言发声、规范音节和口语识别上的性能。

Comments preprint under review

Eulerian Gaussian Splatting using Hashed Probability Pyramids

使用哈希概率金字塔的欧拉高斯溅射

Mia Gaia Polansky, George Kopanas, Stephan Garbin, Todd Zickler, Dor Verbin

机构 * Harvard University（哈佛大学） ； Google DeepMind（谷歌DeepMind） ； Google（谷歌） 纠错

AI总结 提出一种基于概率溅射的辐射场框架，用梯度优化的体积概率密度替代启发式操作，通过多尺度哈希网格实现端到端优化，在mip-NeRF 360上达到SOTA重建质量并保持3DGS渲染速度。

Comments CVPR 2026. Project Page: https://euleriansplatting.github.io

Comment on "Spin-1/2 Kagome Heisenberg Antiferromagnet: Machine Learning Discovery of the Spinon Pair-Density-Wave Ground State"

评论：自旋-1/2 Kagome海森堡反铁磁体：通过机器学习发现自旋子对密度波基态

Helia Kamal, Dominik Kufel, DinhDuy Vu, Chris R. Laumann, Norman Y. Yao

机构 * Department of Physics, Harvard University, Cambridge, MA 02138, USA（哈佛大学物理系） ； Department of Physics, Boston University, Boston, MA 02215, USA（波士顿大学物理系） 纠错

AI总结 指出使用群等变卷积神经网络研究kagome海森堡反铁磁体基态时，由于Metropolis-Hastings采样中单自旋翻转更新导致遍历性破缺，使得报告的低能态是伪影，而采用自旋交换更新后网络收敛能量高于DMRG结果，质疑原文结论。

Comments 3 pages, 1 figure; Comment on arXiv:2401.02866

When Should a Robot Think? Resource-Aware Reasoning via Reinforcement Learning for Embodied Robotic Decision-Making

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

Jun Liu, Pu Zhao, Zhenglun Kong, Xuan Shen, Peiyan Dong, Fan Yang, Lin Cui, Hao Tang, Geng Yuan, Wei Niu, Wenbin Zhang, Xue Lin, Gaowen Liu, Yanzhi Wang, Dong Huang

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） 纠错

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。

Online Fair Division with Additional Information

在线公平分配与额外信息

Tzeh Yuan Neoh, Jannik Peters, Nicholas Teh

机构 * Harvard University, USA（哈佛大学） ； Shanghai University of Finance and Economics, China（上海财经大学） ； University of Oxford, UK（牛津大学） 纠错

AI总结 研究在线公平分配不可分割物品问题，通过引入归一化信息和频率预测，实现了比以往更强的公平性保证，并提供了学习增强的鲁棒变体。

Comments Appears in the 43rd International Conference on Machine Learning (ICML), 2026