Harvard University（哈佛大学）

Masked Visual Actions for Unified World Modeling

用于统一世界建模的掩码视觉动作

Hadi Alzayer, Wenlong Huang, Haonan Chen, Christopher Luey, Lvmin Zhang, Maneesh Agrawala, Gordon Wetzstein, Li Fei-Fei, Yilun Du, Jiajun Wu, Jia-Bin Huang

机构 * Stanford University（斯坦福大学） ； University of Maryland, College Park（马里兰大学帕克分校） ； Harvard University（哈佛大学） 纠错

AI总结 研究如何将动作传达给视频模型用于机器人世界建模，提出掩码视觉动作这一像素空间控制接口，经微调后单个检查点在多场景和实施例中表现出色，在下游操作中能辅助策略评估、改进决策和支持逆建模。

Comments Project webpage: https://masked-visual-actions.github.io

Conditioned Direct Feedback Alignment via Activity and Error Geometry

通过活动和误差几何实现条件直接反馈对齐

Houman Safaai, Varun Reddy, Bernardo L. Sabatini

机构 * Kempner Institute for the Study of Natural and Artificial Intelligence at Harvard University（哈佛大学坎普纳自然与人工智能研究所） ； Howard Hughes Medical Institute, Harvard Medical School（哈佛医学院霍华德·休斯医学研究所） 纠错

AI总结 研究直接反馈对齐（DFA）训练失败模式，通过分析各向异性进入局部权重更新的方式，提出条件DFA，经实验验证其在不同模型上有效，还介绍了归一化DFA家族及相关计算动机，强调是对局部外积规则失败的因子级研究。

Intelligence from Learnable Novelty

可学习新奇性中的智能

Yanbo Zhang, Michael Levin

机构 * Allen Discovery Center at Tufts University（塔夫茨大学艾伦发现中心） ； Wyss Institute for Biologically Inspired Engineering at Harvard University（哈佛大学威斯生物启发工程研究所） 纠错

AI总结 研究表明可学习新奇性产生智能不同投影，基于廉价可微储层计算机给出闭式估计器。此估计器无监督可恢复复杂度分类，作目标能推动神经细胞自动机发展，作奖励可提升强化学习智能体表现，让智能相关研究有了共同定量基础。

Comments 24 pages, 10 figures, 4 tables

Active Electrosensing and Communication in MARL-trained Weakly Electric Fish Collectives

在多智能体强化学习训练的弱电鱼群体中的主动电感应与通信

Satpreet H. Singh, Sonja Johnson-Yu, Zhouyang Lu, Aaron Walsman, Federico Pedraja, Denis Turcu, Pratyusha Sharma, Naomi Saphra, Nathaniel B. Sawtell, Kanaka Rajan

机构 * Harvard University（哈佛大学） ； Brown University（布朗大学） ； Columbia University（哥伦比亚大学） ； MIT（麻省理工学院） 纠错

AI总结 研究个体互动如何产生复杂集体行为，通过多智能体强化学习训练弱电鱼样智能体集体觅食，再现真实鱼类特征，经模拟干预和神经动力学分析确定因果驱动因素，为弱电鱼等社会动物神经行为学研究提供新思路。

Scaling Cross-Embodiment World Models for Dexterous Manipulation

为灵巧操作扩展跨实体世界模型

Zihao He, Bo Ai, Tongzhou Mu, Yulin Liu, Weikang Wan, Jiawei Fu, Yilun Du, Henrik I. Christensen, Hao Su

机构 * UC San Diego（UC圣迭戈大学） ； Harvard University（哈佛大学） ； Shanghai Jiao Tong University（上海交通大学） ； Hillbot 纠错

AI总结 研究跨实体学习中不同形态机器人数据共享和控制转移问题，提出将人类和机器人手表示为3D粒子集，在随机交互数据上训练基于图的世界模型并与模型预测控制集成，实验表明该方法能提高泛化能力、有效结合数据并实现不同机器人手的控制。

Comments Accepted to IROS 2026, Project Page: https://alan-heoooh.github.io/dexwm.html

Data Reliability Scoring

数据可靠性评分

Yiling Chen, Shi Feng, Paul Kattuman, Fang-Yi Yu

机构 * Harvard University（哈佛大学） ； University of Cambridge（剑桥大学） ； George Mason University（乔治·梅森大学） 纠错

AI总结 研究在无法获取真实情况时评估数据集可靠性的问题，提出Gram行列式分数，通过衡量描述观测数据和实验结果的向量所跨体积来评估，实验表明该分数能有效捕捉不同观测过程中的数据质量，具有实验不可知论特性。

Comments 43 pages, 17 figures

Can Interpretation Predict Behavior on Unseen Data?

解释能否预测未见过的数据上的行为？

Victoria R. Li, Jenny Kaufmann, Tian Qin, Martin Wattenberg, David Alvarez-Melis, Naomi Saphra

机构 * Harvard University（哈佛大学） ； Boston University（波士顿大学） 纠错

AI总结 研究探讨能否用模型内部预测对未见数据的响应，通过在合成任务上训练Transformer，利用注意力模式预测OOD行为，实验解耦解释的忠实性与预测价值，证明可通过理解模型内部评估分布转移下的行为和可靠性。