Spatial Calibration of Diffuse LiDARs
扩散式时间飞行激光雷达的空间校准
机构 * MIT（麻省理工学院）
AI总结 本文提出了一种扩散式时间飞行激光雷达的空间校准方法，通过恢复每像素响应图实现激光雷达与 RGB 的跨模态对齐与融合。
高校专区
Massachusetts Institute of Technology（麻省理工学院）
Self-Supervised Flow Matching for Scalable Multi-Modal Synthesis
自监督流匹配用于可扩展的多模态合成
机构 * Black Forest Labs（黑森林实验室） ； MIT（麻省理工学院）
AI总结 Self-Flow通过自监督流匹配方法，在无需外部监督的情况下提升多模态生成的性能和扩展性。
Comments project webpage: https://bfl.ai/research/self-flow
COLD-Steer: Steering Large Language Models via In-Context One-step Learning Dynamics
COLD-Steer: 通过上下文一步学习动态引导大型语言模型
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 COLD-Steer通过近似学习动态实现无需训练的LLM引导，有效提升引导效果并减少样本需求。
Comments ICLR 2026. Code available at https://github.com/Ksartik/cold-steer
Shoot First, Ask Questions Later? Building Rational Agents that Explore and Act Like People
先行动，后提问？构建能探索和行动像人的理性代理
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； MIT Brain and Cognitive Sciences（麻省理工学院脑科学与认知科学） ； Harvard SEAS（哈佛大学工程学院）
AI总结 本文提出了一种基于贝叶斯实验设计的蒙特卡洛推理策略，用于构建能像人类一样探索和行动的理性代理，在战舰和Guess Who?任务中提升了代理性能。
Comments ICLR 2026
Whole-Body Model-Predictive Control of Legged Robots with MuJoCo
四足与人形机器人整体模型预测控制的MuJoCo实现
机构 * Department Aeronautics and Astronautics, Massachusetts Institute of Technology（航空宇航与工程力学系，麻省理工学院） ； Google DeepMind（谷歌DeepMind） ； Department of Electrical and Computer Engineering, Carnegie Mellon University（电气与计算机工程系，卡内基梅隆大学） ； Robotics Institute, Carnegie Mellon University（机器人研究所，卡内基梅隆大学）
AI总结 基于MuJoCo的iLQR算法实现了四足和人形机器人实时整体MPC，展示了仿真到现实的高效泛化能力。
Comments to appear at ICRA 2026
DEX-AR: A Dynamic Explainability Method for Autoregressive Vision-Language Models
DEX-AR: 一种用于自回归视觉-语言模型的动态可解释性方法
机构 * Tuebingen AI Center University of Tuebingen（图宾根人工智能中心图宾根大学） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室） ； IBM Research（IBM研究院）
AI总结 DEX-AR是一种针对自回归视觉-语言模型的动态可解释性方法，通过生成2D热图来解释模型决策过程，提升模型可解释性和性能评估。
Comments Project page: https://walidbousselham.com/DEX-AR
Mitigating Bias in Concept Bottleneck Models for Fair and Interpretable Image Classification
缓解概念瓶颈模型中的偏见以实现公平且可解释的图像分类
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出三种技术缓解概念瓶颈模型中的偏见，以提升图像分类的公平性和可解释性。
StreamWise: Serving Multi-Modal Generation in Real-Time at Scale
StreamWise: 实时大规模多模态生成服务
机构 * Microsoft Azure Research（微软Azure研究院） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
AI总结 StreamWise通过实时播客视频生成，整合LLM、文本转语音和视频音频生成，实现高效多模态实时服务，兼顾延迟、成本和质量。
Why Human Guidance Matters in Collaborative Vibe Coding
为何人类指导在协作式节奏编码中至关重要
机构 * Cornell University（康奈尔大学） ； Princeton University（普林斯顿大学） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Cambridge（剑桥大学） ； New York University（纽约大学）
AI总结 本研究通过实验表明，人类在协作式节奏编码中提供有效高层指令，而AI指令常导致性能下降，混合系统在人类主导指令时表现最佳，强调人类指导的重要性。
KramaBench: A Benchmark for AI Systems on Data-to-Insight Pipelines over Data Lakes
KramaBench：一个用于数据湖上数据到洞察流程的AI系统基准测试
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Independent（独立研究者） ； University of Arizona（亚利桑那大学）
AI总结 KramaBench是一个用于评估AI系统在数据湖到洞察流程中端到端能力的基准测试，包含104个挑战，测试AI在自动化编排数据任务方面的表现。
Scalable Multi-Task Learning for Particle Collision Event Reconstruction with Heterogeneous Graph Neural Networks
可扩展的多任务学习用于粒子碰撞事件重建的异构图神经网络
机构 * Laboratory for Nuclear Science. Massachusetts Institute of Technology (MIT)（麻省理工学院核科学实验室） ； Experimental Physics Department, European Organization for Nuclear Research (CERN)（欧洲核子研究中心（CERN）实验物理部门）
AI总结 本文提出了一种异构图神经网络架构，用于可扩展的多任务学习，以提高粒子碰撞事件重建的效率和准确性。
Comments 23 pages, 9 figures, 4 tables (revised for Machine Learning Science and Technology)
Journal ref Mach. Learn.: Sci. Technol. 6 045060 (2025)
Towards Resource Efficient and Interpretable Bias Mitigation in Large Language Models
迈向大型语言模型中资源高效且可解释的偏见缓解
机构 * Department of Electrical Engineering and Computer Science（电气工程与计算机科学系） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出了一种通过小型专家模型高效缓解大型语言模型偏见的方法，通过解码时添加去偏信号，减少性别、种族和宗教偏见，同时保持语言模型性能。
Comments 38th Conference on Neural Information Processing Systems (NeurIPS 2024) Safe Generative AI Workshop. Updated results in V2
