Domain-Aware Scaling Laws Uncover Data Synergy
领域感知缩放定律揭示数据协同效应
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Microsoft Research（微软研究院） ； Harvard University（哈佛大学）
AI总结 研究语言模型预训练中的数据协同效应，利用开放权重语言模型的观测变化估计领域间协同效应，其框架提高预测精度，恢复稳定估计，经训练模型验证能正确预测性能排名。
高校专区
Harvard University（哈佛大学）
A Single Diffusion-Policy Controller for Multi-Task Block Pushing with Zero-Shot Sim-to-Real Transfer
用于多任务块推的单扩散策略控制器，具有零样本模拟到现实转移
机构 * Harvard University（哈佛大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 研究旨在用强化学习从零训练单扩散策略用于多任务块推，提出含简单策略损失函数的框架，结合反向课程生成等应对探索挑战，评估其在不同条件下零样本从模拟到现实的转移能力，证明该流程有效。
Comments 8 pages, 7 figures
MAC-Splat: Multi-Attribute Consistency for High-Fidelity Sparse-View Reconstruction
MAC-Splat：用于高保真稀疏视图重建的多属性一致性
机构 * Xidian University（西安电子科技大学） ； Harvard University（哈佛大学） ； Nanyang Technological University（南洋理工大学） ； City University of Hong Kong（香港城市大学） ； Xi’an Jiaotong University（西安交通大学）
AI总结 针对稀疏视图重建中现有方法存在几何伪影的问题，提出MAC-Splat训练框架，利用MASt3R和DINOv3获取2D对应关系并定义MAC损失，联合正则化3D属性，实验证明该方法能有效解决不适定的稀疏视图重建问题，性能优于基线。
Comments Accepted to the European Conference on Computer Vision (ECCV 2026)
Detecting AI-Generated Video: A Vision-Language Dual-View Survey
检测人工智能生成的视频：视觉-语言双视角综述
机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学中关村人工智能学院） ； Harvard University（哈佛大学）
AI总结 综述人工智能生成视频检测，将任务重定义为事实保真度验证，提出视觉-语言双视角分类法，基于对221篇论文回顾，综合生成范式、审视检测方法、回顾评估指标，讨论挑战并指出未来方向。
Comments 51 pages, accepted by ACL 2026
Journal ref Association for Computational Linguistics 2026 pages 32221 to 32255
Stateful Worlds, Stateless Elasticity: Exact-State Serving for Interactive World Models
有状态世界，无状态弹性：交互式世界模型的精确状态服务
机构 * Harvard University（哈佛大学） ； Independent Researcher（独立研究者）
AI总结 研究交互式世界模型精确状态服务中的调度问题，提出 WorldMove 方法，能快速迁移缓存且保证位相同，通过可接受性条件等解决调度难题，实现跨传输和验证的联合调度，提升集群可调度性。
Comments 20 pages. Extended version
Are We Ready for AI-Driven Discovery? AI Verification Before the Next Fundamental Physics Breakthrough
我们准备好迎接人工智能驱动的发现了吗？在下一次基础物理学突破之前进行人工智能验证
机构 * NSF AI Institute for Artificial Intelligence and Fundamental Interactions（NSF人工智能与基本相互作用研究院） ； MIT Laboratory for Nuclear Science（MIT核科学实验室） ； School of Engineering and Applied Sciences, Harvard University（哈佛大学工程与应用科学学院） ； Nagoya University（名古屋大学） ； Technical University Munich（慕尼黑技术大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）
AI总结 探讨在基础物理学中，随着机器学习日益自主，确保其可靠性至关重要。通过VERaiPHY计划框架，结合统计发现工作流程确定验证时机，强调归纳偏差等局限，思考物理学家角色，以实现机器学习在物理学中负责任的整合。
MemoBench: Benchmarking World Modeling in Dynamically Changing Environments
MemoBench: 动态变化环境中的世界建模基准测试
机构 * Harvard University（哈佛大学） ； MIT（麻省理工学院） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室） ； Boston University（波士顿大学） ； Google（谷歌） ； JHU（约翰霍普金斯大学） ； CMU（卡内基梅隆大学） ； Kempner Institute（肯普纳研究所）
AI总结 提出MemoBench基准，通过目标消失-重现范式评估视频生成模型在动态环境中的记忆一致性，涵盖合成与真实场景，揭示现有模型的关键挑战。
MetaState: Persistent Working Memory Enhances Reasoning in Discrete Diffusion Language Models
MetaState: 持久工作记忆增强离散扩散语言模型的推理能力
机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Harvard University（哈佛大学）
AI总结 MetaState通过引入轻量级循环增强模块，为冻结的离散扩散语言模型提供持久固定大小的工作记忆，提升推理性能，平均提升4.5%。
Reinforcement Learning in the Real World: A Survey of Statistical Challenges and Future Directions
现实世界中的强化学习：统计挑战与未来方向综述
机构 * Department of Computer Science, Harvard University（哈佛大学计算机科学系） ； Department of Statistics, University of Wisconsin–Madison（威斯康星大学麦迪逊分校统计学系） ； Department of Statistics, Harvard University（哈佛大学统计学系） ； School of Data Science and Society, University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校数据科学与社会学院） ； Department of Mathematics, Imperial College London（伦敦帝国理工学院数学系）
AI总结 本文综述现实世界强化学习应用，指出其研究与部署存在差距及两大挑战。将应用框架化为三部分过程，回顾应对统计挑战的进展，涵盖在线、离线方法及持续改进设计，还概述受应用启发的未来研究方向。
Generalized and Unified Equivalences between Hardness and Pseudoentropy
硬度与伪熵之间的广义统一等价关系
机构 * Northeastern University（东北大学） ； Harvard University（哈佛大学）
AI总结 研究计算硬度与计算随机性的关系，证明统一伪熵刻画，适用于一般熵概念族，由单个通用函数见证。通过权重受限校准等技术，证明增强引理，相比前人刻画在字母表大小依赖上有指数级改进且此依赖不可避免。
Comments Accepted to TCC 2025
