Massachusetts Institute of Technology（麻省理工学院）

Sequential-Parallel Duality in Prefix Scannable Models

前缀可扫描模型中的序列-并行二元性

Morris Yau, Sharut Gupta, Valerie Engelmayer, Kazuki Irie, Stefanie Jegelka, Jacob Andreas

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； TU Munich（慕尼黑技术大学） ； Harvard University（哈佛大学） 纠错

AI总结 本文提出前缀可扫描模型（PSMs），通过放宽状态聚合运算符，统一了多种序列模型，并在效率和表达力上表现出色。

Dynamics-Informed Deep Learning for Predicting Extreme Events

基于动力学的深度学习用于预测极端事件

Eirini Katsidoniotaki, Themistoklis P. Sapsis

机构 * Department of Mechanical Engineering, Massachusetts Institute of Technology（机械工程系，麻省理工学院） 纠错

AI总结 本文提出一种基于动力学的深度学习方法，通过显式跟踪瞬态不稳定性机制，提升高维混沌系统中极端事件的长期预测能力。

Locality-aware Parallel Decoding for Efficient Autoregressive Image Generation

具有局部性的并行解码以提高自回归图像生成的效率

Zhuoyang Zhang, Luke J. Huang, Chengyue Wu, Shang Yang, Kelly Peng, Yao Lu, Song Han

机构 * MIT（麻省理工学院） ； NVIDIA（英伟达） ； First Intelligence（第一智能） 纠错

AI总结 本文提出LPD方法，通过灵活的并行自回归建模和局部意识生成顺序，显著提升自回归图像生成的效率和质量。

Comments ICLR 2026 Oral. The first two authors contributed equally to this work

Open-World Task and Motion Planning via Vision-Language Model Generated Constraints

开放世界任务与运动规划 via 视觉-语言模型生成的约束

Nishanth Kumar, William Shen, Fabio Ramos, Dieter Fox, Tomás Lozano-Pérez, Leslie Pack Kaelbling, Caelan Reed Garrett

机构 * NVIDIA Research（NVIDIA研究） ； MIT CSAIL 纠错

AI总结 本文提出OWL-TAMP方法，通过整合视觉-语言模型生成的约束，提升开放世界任务与运动规划的性能，实现对自然语言目标的处理能力。

Comments A version of this paper appears in IEEE Robotics and Automation Letters (RA-L) Volume 11, Issue 3

Large Language Models for Travel Behavior Prediction

基于大语言模型的出行行为预测

Baichuan Mo, Hanyong Xu, Ruoyun Ma, Jung-Hoon Cho, Dingyi Zhuang, Xiaotong Guo, Jinhua Zhao

机构 * Department of Civil Engineering, Tsinghua University, Beijing, China（清华大学土木工程系） ； Department of Civil and Environmental Engineering, Massachusetts Institute of Technology, Cambridge, MA 02139（麻省理工学院土木与环境工程系） ； Department of Urban Studies and Planning, Massachusetts Institute of Technology, Cambridge, MA 20139（麻省理工学院城市研究与规划系） ； Department of Management Science and Engineering, Stanford University, Stanford, CA 94305（斯坦福大学管理科学与工程系） 纠错

AI总结 本文提出利用大语言模型进行出行行为预测，通过零样本提示和文本嵌入两种方法，实现了与传统模型相当的预测性能。

Near optimal sample complexity for matrix and tensor normal models via geodesic convexity

通过测地凸性实现矩阵和张量正态模型的近最优样本复杂度

Cole Franks, Rafael Oliveira, Akshay Ramachandran, Michael Walter

机构 * Department of Mathematics, Massachusetts Institute of Technology（麻省理工学院数学系） ； Cheriton School of Computer Science, University of Waterloo（滑铁卢大学丘成桐计算机科学学院） ； Computer Science Department, University of British Columbia（不列颠哥伦比亚大学计算机科学系） ； Ludwig-Maximilians-Universität München（慕尼黑路德维希-马克西米利安大学） 纠错

AI总结 本文通过测地凸性方法，在矩阵和张量正态模型中实现了近最优样本复杂度和误差率，展示了翻转-翻转算法的线性收敛性。

Comments 76 pages, accepted in Annals of Statistics

Journal ref Annals of Statistics 54 (1), 93-119 (2026)