Harvard University（哈佛大学）

PTL-Diffusion: Manifold-Aware Diffusion with Periodic Terminal Laws

PTL-Diffusion: 具有周期终端定律的流形感知扩散

Danqi Zhuang, Jisui Huang, Xiaoyue Xi, Andrew Kiggins, Xiaojie Wang, Ke Chen, Yue Wu

机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） ； Harvard University（哈佛大学） ； MIT（麻省理工学院） ； University of Washington（华盛顿大学） 纠错

AI总结 提出PTL-Diffusion，通过将前向噪声过程收敛到周期高斯终端族而非单一分布，显式嵌入相位结构，改善低维流形上的分布匹配，在点云和人脸数据集上降低误差。

End-to-End Context Compression at Scale

端到端上下文压缩的规模化

Ang Li, Sean McLeish, Haozhe Chen, Nimit Kalra, Zaiqian Chen, Artem Gazizov, Venkata Anoop Suhas Kumar Morisetty, Bhavya Kailkhura, Harshitha Menon, Zhuang Liu, Brian R. Bartoldson, Tom Goldstein, Sanae Lotfi, Micah Goldblum, Pavel Izmailov

机构 * New York University（纽约大学） ； Modal Labs（Modal实验室） ； University of Maryland（马里兰大学） ； Princeton University（普林斯顿大学） ； Columbia University（哥伦比亚大学） ； Harvard University（哈佛大学） ； Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室） ； FAIR at Meta（Meta FAIR实验室） 纠错

AI总结 本研究通过架构搜索和持续预训练，提出潜在上下文语言模型（LCLMs），一种端到端编码器-解码器压缩器，在通用任务性能、压缩速度和峰值内存上改进帕累托前沿，并可作为长时智能体的高效骨干。

ReCoVLA: VLM-Guided Reward Compilation for Failure Recovery in Vision-Language-Action Policies

ReCoVLA: VLM引导的奖励编译用于视觉-语言-动作策略的故障恢复

Haodi Hu, Chung-Ta Huang, Jing Liu, Ye Wang, Kei Suzuki, Matthew Brand, Toshiaki Koike-Akino

机构 * University of Southern California（南加州大学） ； Mitsubishi Electric Research Laboratories (MERL)（三菱电机研究实验室） ； Harvard University（哈佛大学） 纠错

AI总结 提出ReCoVLA框架，通过冻结预训练VLA策略，利用外部VLM推断故障模式并编译结构化奖励，训练残差恢复策略，实现零样本仿真到真实部署，在多种操作任务中提升成功率。

Comments 19 pages, 7 figures

Co-Evolving Skill Generation and Policy Optimization

共同进化技能生成与策略优化

Zhiwei Zhang, Yudi Lin, Nikki Lijing Kuang, Linlin Wu, Xiaomin Li, Songtao Liu, Fenglong Ma

机构 * The Pennsylvania State University（宾夕法尼亚州立大学） ； Nanyang Technological University（南洋理工大学） ； University of California, San Diego（加州大学圣迭戈分校） ； University of Utah（犹他大学） ； Harvard University（哈佛大学） 纠错

AI总结 提出在线强化学习框架，通过对比基线和技能增强轨迹的奖励差距估计技能边际效用，实现存储前验证，并利用该信号训练策略作为技能生成器，减少对专有模型的依赖。

Generative Frontier Planning for Adaptive Peer-Referral Recruitment under Covariate-Dependent Arrivals

协变量依赖到达下的自适应同伴推荐招募的生成前沿规划

Lingkai Kong, Hezi Jiang, Andrew Ma, Keyu Wang, Akseli Kangaslahti, Milind Tambe

机构 * Harvard University（哈佛大学） 纠错

AI总结 针对同伴推荐招募中协变量依赖到达的现实问题，提出生成前沿规划（GFP），通过确定性备份和边际贪心分配实现高效规划，在模拟实验中优于基线方法。

Where the Score Lives: A Wavelet View of Diffusion

分数函数所在之处：扩散的小波视角

Emma Finn, Binxu Wang, T. Anderson Keller, Demba E. Ba

机构 * The Kempner Institute for the Study of Natural and Artificial Intelligence（肯普纳自然与人工智能研究所） ； Harvard University（哈佛大学） 纠错

AI总结 提出基于二维正交小波基的分数函数参数化，通过数据分布矩分析揭示不同架构的归纳偏差，解释扩散模型中分数网络与数据分布的相互作用。

Comments 20 pages, 12 figures, AISTATS 2026

Journal ref Proceedings of the 29th International Conference on Artificial Intelligence and Statistics (AISTATS) 2026, Tangier, Morocco. PMLR: Volume 300

A Unifying View of Attention Sinks: Two Algorithms, Two Solutions

注意力汇聚的统一视角：两种算法，两种解决方案

Lukas Fesser, Mozes Jacobs, Thomas Fel, Andy Keller, Sham Kakade

机构 * Kempner Institute（肯普纳研究所） ； Harvard University（哈佛大学） 纠错

AI总结 本文揭示注意力汇聚（attention sink）可对应两种不同机制：自适应空操作（adaptive nop）和广播（broadcast），并据此提出诊断方法，证明门控（gating）和寄存器（register）等干预分别针对不同机制，组合使用效果更佳。

SWE-Marathon: Can Agents Autonomously Complete Ultra-Long-Horizon Software Work?

SWE-Marathon: 智能体能否自主完成超长时程软件工作？

Rishi Desai, Jesse Hu, Joan Cabezas, Neel Harsola, Pratyush Shukla, Roey Ben Chaim, Adnan El Assadi, Omkaar Mukund Kamath, Fenil Faldu, Prannay Hebbar, Jiankai Sun, Yiyuan Li, Pramod Srinivasan, Ishan Gupta, Christopher Settles, Daniel Wang, Derek Chen, Pranav Raja, Albert Liu, Marek Šuppa, Nevasini Sasikumar, Luyang Kong, Erik Quintanilla, Xiangyi Li, Ivan Bercovich, Steven Dillmann

机构 * Abundant ； Zenity ； Harvard University（哈佛大学） ； University of Waterloo（滑铁卢大学） ； Gujarat Technological University（古吉拉特技术大学） ； Warping ； Stanford University（斯坦福大学） ； UNC-Chapel Hill（北卡罗来纳大学教堂山分校） ； Independent（独立） ； Refresh ； Soleda AI ； Near AI ； Georgia Tech（佐治亚理工学院） ； Comenius University in Bratislava（布拉迪斯拉发Comenius大学） ； UC San Diego（圣地亚哥大学） ； BenchFlow ； UC Santa Barbara（圣巴巴拉大学） 纠错

AI总结 提出SWE-Marathon基准，包含20个超长时程任务，平均消耗2720万token，评估智能体在规划、长上下文理解和记忆方面的能力，当前前沿编码智能体解决率低于30%。

Can LLMs extract scientific consensus? A case study in high-temperature superconductivity

LLMs能否提取科学共识？以高温超导为例

Mouyang Cheng, Wenhao He, Zhuotao Jin, Bowen Yu, Ju Li, Boris Kozinsky, Yao Wang, Pavel Volkov, Liangzi Deng, Ching-Wu Chu, Xiao-Gang Wen, Mingda Li

机构 * Center for Computational Science and Engineering, MIT（MIT计算科学与工程中心） ； Department of Materials Science and Engineering, MIT（MIT材料科学与工程系） ； Department of Physics, MIT（MIT物理系） ； Department of Nuclear Science and Engineering, MIT（MIT核科学与工程系） ； 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 Chemistry, Emory University（埃默里大学化学系） ； Department of Physics, University of Connecticut（康涅狄格大学物理系） ； Department of Physics and Texas Center for Superconductivity, University of Houston（休斯顿大学物理系和德克萨斯超导中心） 纠错

AI总结 本研究以高温超导领域为测试平台，利用近18,000篇高被引文献构建知识图谱，发现LLM提取的表征能恢复出连贯且物理可解释的结构，表明LLM可作为解码竞争性科学知识的可扩展工具。

Comments 23 pages, 4 figures