高校专区
在空域中学习：小奇异值用于持续学习
机构 * Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学） ； Massachusetts Institute of Technology (MIT)（麻省理工学院）
AI总结 NESS通过利用小奇异值构建空域，实现持续学习中的正交性约束，从而减少遗忘并提升任务适应性。
Comments 17 pages, accepted as Oral presentation at the Third Conference on Parsimony and Learning (CPAL 2026)
AGI的某些简单经济学
机构 * MIT（麻省理工学院） ； WashU（华盛顿大学） ； UCLA（加州大学洛杉矶分校）
AI总结 本文探讨了AGI过渡中自动化与验证成本的不对称性，提出通过扩展验证能力来构建增强型经济，以应对智能发展带来的监管挑战。
Comments JEL Classification: D82, D83, J23, J24, L23, O33. 112 pages, 3 figures
ABM-UDE：通过科学机器学习开发用于流行病代理模型的替代方案
机构 * Monta Vista High School（蒙塔维斯塔高中） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Sandia National Laboratories（桑塔纳国家实验室）
AI总结 ABM-UDE通过科学机器学习开发流行病代理模型的替代方案，利用UDEs学习接触率参数化，提升预测精度与可靠性，实现快速、可解释的流行病模拟。
Comments 25 pages, 4 figures
三模态掩码扩散模型的设计空间
机构 * Apple（苹果公司） ； Google Deepmind（谷歌DeepMind） ； University of Cambridge（剑桥大学） ； MIT（麻省理工学院）
AI总结 本文提出了一种从头开始预训练的三模态掩码扩散模型，通过分析多模态扩展定律和批大小效应，实现了优化的推理采样，并在文本生成、图像生成和语音生成任务中取得了显著成果。
Comments 41 pages, 29 figures, 10 tables
渐近快速的克莱布施-戈萨恩张量积与向量球谐函数
机构 * Department of EECS, Massachusetts Institute of Technology, Cambridge, MA 02139, USA（电子工程与计算机科学系，麻省理工学院） ； Department of CSE, Massachusetts Institute of Technology, Cambridge, MA 02139, USA（计算机科学与工程系，麻省理工学院）
AI总结 本文提出一种完整的算法，通过改进张量积方法，将克莱布施-戈萨恩张量积的计算复杂度从$O(L^6)$降低至$O(L^4\log^2 L)$，实现渐近加速。
Comments 28 pages, 2 figures. arXiv admin note: text overlap with arXiv:2506.13523
学习之痛：固定极点RNN用于实时在线训练
机构 * dept. of EECS, MIT（麻省理工学院电子工程与计算机科学系）
AI总结 本文分析了固定极点RNN在数据受限的实时学习场景中优于学习极点的原因，展示了其在低训练复杂度下的优越性能。
防御性生成
机构 * MIT（麻省理工学院） ； NYU（纽约大学）
AI总结 防御性生成方法首次高效生成不可区分的非伯努利结果生成模型，能够抵抗无限类别的测试，且具有近线性时间复杂度和最优生成误差率。
交错头部注意力
机构 * Meta ； UT Austin（德克萨斯大学） ； UC Berkeley（伯克利大学） ； Harvard University（哈佛大学） ； MIT（麻省理工学院）
AI总结 交错头部注意力通过构造伪头实现跨头混合，提升多步推理效率，在多项式任务和顺序敏感任务中参数效率提高，实测在RULER和OpenThoughts上取得显著提升。
视图合成变换器的扩展
机构 * MIT（麻省理工学院） ； Adobe（Adobe公司）
AI总结 本文提出了一种可扩展的视图合成模型，通过系统研究扩展规律，实现了计算最优的NVS模型，并在减少训练计算的情况下超越了现有最先进方法。
Comments Project page: https://www.evn.kim/research/svsm
Journal ref Conference on Computer Vision and Pattern Recognition (CVPR), 2026
OptiRepair：基于LLM代理的闭环供应链优化模型诊断与修复
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Alibaba Group（阿里巴巴集团）
AI总结 OptiRepair通过训练LLM代理实现供应链优化模型的闭环诊断与修复，显著提升修复效率和合理性，解决求解器交互和运营合理性两大难题。
MIRA: 多模态迭代推理代理用于图像编辑
机构 * University of Rochester（罗切斯特大学） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室）
AI总结 MIRA通过多模态迭代推理代理提升图像编辑的语义一致性和感知质量，结合自研数据集和训练流程，实现与专有系统相当的性能。
EARL: 用于可靠RTL代码生成的熵感知强化学习对齐大语言模型
机构 * MIT（麻省理工学院） ； IBM（国际商业机器公司）
AI总结 EARL通过熵感知强化学习提升Verilog代码生成的可靠性与准确性
Comments Accepted to DAC 2026
ATLAS：适应性迁移缩放定律用于多语言预训练、微调和解码的多语言诅咒
机构 * MIT（麻省理工学院） ； University of Washington（华盛顿大学） ； Stanford University（斯坦福大学） ； Google Cloud AI（谷歌云人工智能） ； Google DeepMind（谷歌DeepMind）
AI总结 ATLAS提出了一种适应性迁移缩放定律，用于多语言预训练、微调和解码，解决了多语言学习中的性能瓶颈和计算优化问题。
Comments Published as a conference paper at ICLR 2026
状态空间模型训练过程中压缩的奇特案例
机构 * CSAIL, MIT（MIT 资深研究所） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） ； ETH Zürich（苏黎世联邦理工学院） ； ELLIS Institute（ELLIS研究所） ； Tübingen AI Center（图宾根人工智能中心） ； Liquid AI
AI总结 CompreSSM通过在训练过程中压缩状态空间模型，提升计算效率同时保持性能。
KANO：柯尔莫戈罗夫-阿诺尔德神经算子
机构 * University of California, Santa Barbara（加州大学圣巴巴拉分校） ； Massachusetts Institute of Technology（麻省理工学院） ； California Institute of Technology（加州理工学院）
AI总结 KANO通过双域参数化克服FNO的纯谱瓶颈，在位置依赖动力学和量子哈密顿量学习中展现更优性能。
当风格破坏安全性：防御大语言模型对抗浅层风格对齐
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 本研究探讨了风格对齐对大语言模型安全性的影响，提出 SafeStyle 防御策略有效缓解了浅层风格对齐带来的风险。
Comments Accepted by ICLR 2026
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈