When RLVR Shrinks the Reasoning Boundary: Diagnosing Pass@k Inversion
当可验证奖励的强化学习缩小推理边界时：诊断Pass@k反转
机构 * Harvard University（哈佛大学）
AI总结 研究RLVR中的Pass@k反转问题，提出双模式解释和PBA方法，通过实验表明PBA能提升\PassK{1}和覆盖率，诊断出普通GRPO丢失基础可解决提示，而PBA保留罕见阳性轨迹，强调训练后推理要兼顾优化强度与提示安全性。
高校专区
Harvard University（哈佛大学）
JAXBench: Benchmarking Autonomous TPU Kernel Optimization
JAXBench：自主TPU内核优化基准测试
机构 * Harvard University（哈佛大学） ； Google（谷歌公司） ； UC Berkeley（加州大学伯克利分校） ； Google DeepMind（谷歌DeepMind）
AI总结 该研究针对TPU缺乏内核优化基准测试的问题，提出JAXBench套件，包含多个工作负载和算子。通过评估四种反馈驱动方法，发现特定上下文对优化更关键，条件设定和搜索结构能提升性能，最后发布相关基准测试等支持开源。
SIINR: Structurally Informed Implicit Neural Representations for super-resolution with uncertainty quantification of clinical quality diffusion MRI datasets
SIINR：用于临床质量扩散MRI数据集超分辨率及不确定性量化的结构信息隐式神经表示
机构 * Eindhoven University of Technology（埃因霍温理工大学） ； University of South Carolina（南卡罗来纳大学） ； Brigham and Women’s Hospital, Harvard Medical School（布莱根妇女医院，哈佛医学院）
AI总结 针对临床dMRI数据集平面外分辨率低的问题，提出SIINR框架，利用监督3D U-net和自监督INR结合，实现超分辨率及不确定性量化，在多数据集和临床病例实验中表现优异，为临床dMRI增强及指标解释提供方法。
Comments 27 pages, 8 figures, 2 tables
Masked Visual Actions for Unified World Modeling
用于统一世界建模的掩码视觉动作
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）
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
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）
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
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）
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
CORAL: Learning Amyloid Fibril Ligand Docking with Cooperative Binding Rewards
CORAL：通过协同结合奖励学习淀粉样纤维配体对接
机构 * Center of Excellence for Generative AI, KAUST（沙特阿卜杜拉国王科技大学生成式人工智能卓越中心） ； MoE Key Lab of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能教育部重点实验室） ； Stern Laboratory, Brigham and Women’s Hospital, Harvard University（哈佛大学布莱根妇女医院斯特恩实验室）
AI总结 研究针对淀粉样纤维配体对接面临的挑战，提出CORAL强化学习框架，通过纳入协同配体 - 配体堆叠能量及蛋白质 - 配体对接亲和力训练模型，引入评估集，实验证明其在姿态质量和结合亲和力相关性上优于现有基线。
Comments 25 pages
International Agreements to Limit Frontier AI: Objectives and Exit
限制前沿人工智能的国际协议：目标与退出
机构 * ETH Zürich, Zurich, Switzerland（苏黎世联邦理工学院） ； Harvard University, Cambridge, United States（哈佛大学） ； MATS Research, Berkeley, United States（MATS研究）
AI总结 研究限制人工智能发展的国际协议，通过调查现有协议，明确适当条件属性并列出可能条件，建议设定固定时间段，由新组织规定发展条件，特殊情况可退出，以此说明相关协议的考虑因素。
Capacity and Redundancy Trade-offs in Multi-Task Learning
多任务学习中的容量与冗余权衡
机构 * Harvard Medical School（哈佛医学院）
AI总结 研究多任务学习中负迁移与容量、冗余的关系，通过容量 - 冗余恒等式及相关结果，如聚类差距分解和梯度 - TC 桥梁，证明聚类 LoRA 可降低残余耦合，优于随机划分，有显著收益。
Comments Accepted in 42nd Conference on Uncertainty in Artificial Intelligence (UAI) 2026
Unveiling Invariant and Transferable Latent Factors Across Heterogeneous Environments via ATLAS
通过ATLAS揭示异构环境中的不变和可转移潜在因素
机构 * Harvard University（哈佛大学）
AI总结 研究异构环境下多环境因素模型，提出ATLAS方法，利用不变性原理和辅助标签监督，分离不变与异构因素，用于潜在因素回归，在新环境中实现可转移预测，还建立了相关非渐近误差界。
Comments 47 pages, 3 figures
DINE: Distance Is Not Enough -- Learning Global Deformation Priors for Robust Soft-Tissue Point Cloud Registration
DINE：距离并不够——学习用于鲁棒软组织点云配准的全局变形先验
机构 * Mannheim Institute for Intelligent Systems in Medicine (MIISM), Medical Faculty Mannheim, Heidelberg University（曼海姆医学智能系统研究所（MIISM），海德堡大学曼海姆医学院） ； Department of Radiation Oncology, Brigham and Women’s Hospital, Dana-Farber Cancer Institute, Harvard Medical School（布莱根妇女医院放射肿瘤学系，达纳-法伯癌症研究所，哈佛医学院） ； Department of Otorhinolaryngology, Head and Neck Surgery, University Medical Center Mannheim, Medical Faculty Mannheim, Heidelberg University（海德堡大学曼海姆医学院曼海姆大学医学中心耳鼻咽喉头颈外科） ； Department of Otolaryngology, Head and Neck Surgery, Campus Klinikum Bielefeld Mitte, University Hospital OWL of Bielefeld University（比勒费尔德大学OWL大学医院比勒费尔德市中心校区耳鼻咽喉头颈外科） ； Interdisciplinary Center for Scientific Computing (IWR), Heidelberg University（海德堡大学跨学科科学计算中心（IWR）） ； Central Institute for Computer Engineering (ZITI), Heidelberg University（海德堡大学中央计算机工程研究所（ZITI）） ； CZS Heidelberg Center for Model-Based AI, Heidelberg University（海德堡大学CZS基于模型的人工智能中心）
AI总结 研究针对软组织点云配准中对应估计难题，提出DINE框架，通过学习统计先验增强基于距离的配准，应用于两个主干并采用两阶段策略，实验表明其能降低平均倒角距离，提高对变形和噪声的鲁棒性，凸显全局变形合理性的重要性。
Can Induced Emotion Bias LLM Behaviors in Sequential Decision Making?
诱导情绪会影响大语言模型在序列决策中的行为吗？
机构 * MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； Texas A&M University（德州农工大学） ； National University of Singapore（新加坡国立大学） ； UCLA（加州大学洛杉矶分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Mass General Hospital（麻省总医院） ； Harvard Medical School（哈佛医学院）
AI总结 研究探讨诱导情绪对大语言模型在序列决策中行为的影响，采用爱荷华赌博任务结合情绪诱导程序，发现诱导情绪平均不显著影响其决策动态，但愤怒有条件地影响决策，揭示了与人类行为的差异，为相关研究提供工具。
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。
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。
DETRAM: End-to-end DEtection, Tracking and Recovery of HumAn Meshes
DETRAM：人类网格的端到端检测、跟踪与恢复
机构 * Harvard University（哈佛大学） ； NVIDIA（英伟达） ； Nanyang Technological University（南洋理工大学）
AI总结 研究针对多人场景下人类网格恢复难题，提出DETRAM统一框架，利用单个变压器解码器及可学习查询嵌入，能自动和依用户提示检测、重建与跟踪人类，在多数据集上取得领先跟踪结果及有竞争力的重建精度，实现端到端可训练的用户导向人体分析。
Attribute Retrieving for Open-Vocabulary Endoscopic Compositional Referring Segmentation
用于开放词汇量内镜组合式指称分割的属性检索
机构 * Virginia Commonwealth University（弗吉尼亚联邦大学） ； King’s College London（伦敦国王学院） ； University at Buffalo（纽约州立大学布法罗分校） ； Harvard Medical School（哈佛医学院）
AI总结 该研究针对内镜图像指称分割面临的挑战，引入ReferEndoscopy基准，提出AR-ERIS框架，利用属性检索进行开放词汇量内镜组合式指称分割，在模拟和真实内镜数据上实现最优性能且泛化能力强。
Understanding Layer Patching in Model Size Interpolation
理解模型大小插值中的层修补
机构 * Harvard University（哈佛大学） ； Kempner Institute（肯普纳研究所） ； IST Austria（奥地利科学技术研究所）
AI总结 研究零样本模型大小插值中如何选择学生层，将其转化为优化问题并证明可看作无环图最短路径问题。通过实验揭示修补对插值行为的影响，介绍KLPatch算法，为模型大小插值提供理解与实用指导。
Comments 10 pages, 5 figures
Asymmetric Focal Loss Improves Graph Neural Network Prediction of Drug-Drug Interactions
非对称焦点损失改进药物-药物相互作用的图神经网络预测
机构 * University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； Harvard Medical School（哈佛医学院）
AI总结 研究针对图神经网络预测药物-药物相互作用时标准训练方法的不足，提出将临床焦点损失集成到关系感知图卷积网络中，显著提升了预测的准确率、F1分数等指标，证明损失函数设计对改进基于图的DDI预测有重要作用。
Sequential Correlations Change In-Context Learning: Effective Context Length and Architectural Mismatch
序列相关性改变上下文学习：有效上下文长度与架构失配
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） ； 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所） ； Society of Fellows and Center for Brain Science, Harvard University（哈佛大学 fellows 会与脑科学中心）
AI总结 针对现有ICL理论多聚焦独立样本提示的局限，研究序列关联数据下的ICL特性，基于线性注意力构建可解模型，发现关联提示会改变ICL有效样本量及最优适配注意力架构。
TREK: Distill to Explore, Reinforce to Refine
TREK：蒸馏以探索，强化以优化
机构 * LinkedIn Corporation（领英公司） ； Harvard University（哈佛大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 针对GRPO在学生策略覆盖外的难提示样本上失效问题，提出TREK方法，通过蒸馏扩展探索空间再结合GRPO优化，在多推理与智能体任务上大幅提升模型性能。
Comments 18 pages, 3 figures, 6 tables
Formal Disco: Scalable Open-Ended Generation of Formally Verified Programs
形式化迪斯科：可扩展的形式化验证程序的开放式生成
机构 * Kempner Institute, Harvard University（坎普纳研究所，哈佛大学） ； School of Engineering and Applied Sciences, Harvard University（工程与应用科学学院，哈佛大学）
AI总结 针对生成程序质量保证落后及形式验证数据稀缺问题，提出Formal Disco分布式系统，协调三类工人，记录痕迹用于改进，提出最大熵原则，发布数据集并微调模型，为形式推理领域大规模创建合成数据。
Comments Code: https://github.com/metareflection/formal-disco Datasets: https://huggingface.co/collections/metareflection/formal-disco
DynaVieW: Schema-Guided World Modeling for Understanding Hierarchical Visual Dynamics
DynaVieW：用于理解分层视觉动态的模式引导世界建模
机构 * EPFL, Switzerland（瑞士联邦理工学院） ； Harvard University（哈佛大学） ； Sony Group Corporation（索尼集团） ； ETH Zurich, Switzerland（瑞士苏黎世联邦理工学院）
AI总结 针对多模态语言模型难以系统建模视频视觉场景时间演变的问题，提出DynaVieW模型，通过学习交错状态转换序列理解视觉动态，在多架构下联合建模，提升下游视觉叙事创作等任务表现。
Comments ICML 2026
Reading Between the Dots: Decoding Hidden Computation across Filler Tokens
解读点之间的信息：解码跨填充令牌的隐藏计算
机构 * Harvard University（哈佛大学） ； Cambridge Boston Alignment Initiative（剑桥波士顿对齐计划） ； Massachusetts Institute of Technology（麻省理工学院） ； Anthropic
AI总结 研究前沿语言模型对无内容填充令牌的隐藏计算，通过分析两个前沿模型在四个任务家族中的表现，介绍无监督解码管道，能从隐藏状态恢复中间值，证明隐藏计算可从残差流读取。
Comments Accepted to ICML 2026 Mech Interp Workshop, 10 main paper pages, 20 appendix pages
MLSYSIM: First-Principles Infrastructure Modeling for Machine Learning Systems
MLSYSIM：用于机器学习系统的第一性原理基础设施建模
机构 * Harvard University（哈佛大学）
AI总结 研究机器学习系统基础设施建模问题，提出MLSYSIM框架，基于供需抽象，通过可组合模型和求解器，实现亚秒级设计空间探索，确定约束并合成硬件规格。
The Hidden Water Geography of U.S. Hyperscale Data Centers in the AI Era
人工智能时代美国超大规模数据中心隐藏的水地理情况
机构 * Harvard University（哈佛大学）
AI总结 研究美国超大规模数据中心用水路径，通过关联设施位置与电力区域等数据绘制472个设施的两种用水路径图，明确不同路径热点地理分布及占比，指出决策重点。
Interpreting Brain Responses to Language with Sparse Features from Language Models
用语言模型稀疏特征解释大脑对语言的响应
机构 * Brown University（布朗大学） ； University of Minnesota（明尼苏达大学） ； Harvard University（哈佛大学）
AI总结 提出增强稀疏编码模型，用分层稀疏自编码器特征替代密集LM隐状态，并加入惊奇度预测器，解释大脑语言皮层响应，发现前颞叶语言网络由共同特征预测，且大脑响应与LM中最通用的特征对应。
