Massachusetts Institute of Technology（麻省理工学院）

Mediocrity is the key for LLM as a Judge Anchor Selection

中庸是LLM作为判断锚点选择的关键

Shachar Don-Yehiya, Asaf Yehudai, Leshem Choshen, Omri Abend

机构 * The Hebrew University of Jerusalem（海法大学） ； IBM Research（IBM研究院） ； MIT（麻省理工学院） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室） 纠错

AI总结 本文研究了LLM作为判断锚点选择对结果可靠性的影响，发现选择不当的锚点会显著降低与人类排名的相关性，并提出可操作的推荐方案。

Real-Time Decoding of Movement Onset and Offset for Brain-Controlled Rehabilitation Exoskeleton

脑控康复外骨骼运动起始与终止的实时解码

Kanishka Mitra, Satyam Kumar, Frigyes Samuel Racz, Deland Liu, Ashish D. Deshpande, José del R. Millán

机构 * Department of Electrical Engineering and Computer Science, Massachusetts Institute of Technology（麻省理工学院电气工程与计算机科学系） ； Chandra Department of Electrical and Computer Engineering, The University of Texas at Austin（德克萨斯大学奥斯汀分校查兰电气与计算机工程系） ； Department of Neurology, The University of Texas at Austin（德克萨斯大学奥斯汀分校神经病学系） ； Walker Department of Mechanical Engineering, The University of Texas at Austin（德克萨斯大学奥斯汀分校沃克机械工程系） ； Meta Reality Labs Research, Redmond, WA, USA（微软现实实验室，华盛顿州雷德蒙德） 纠错

AI总结 本文提出基于EEG的实时双状态运动想象控制方法，实现上肢外骨骼的起止控制，提升解码可靠性并减少偏差，为神经可塑性导向的康复提供技术支持。

Comments Accepted to ICRA 2026. 8 pages, 5 figures. Project page available at https://mitrakanishka.github.io/projects/startstop-bci/

OrigamiBench: An Interactive Environment to Synthesize Flat-Foldable Origamis

OrigamiBench: 一个用于合成可折叠折纸的交互环境

Naaisha Agarwal, Yihan Wu, Yichang Jian, Yikuan Hu, Nishad Mansoor, Mohan Li, Yifei Peng, Wang-Zhou Dai, Yao-Xiang Ding, Emanuele Sansone

机构 * Independent Researcher（独立研究者） ； State Key Lab of CAD&CG, Zhejiang University（浙江大学CAD与计算机图形学国家重点实验室） ； Computer Science Northeastern University（东北大学计算机科学系） ； National Key Laboratory for Novel Software Technology, Nanjing University（南京大学新型软件技术国家实验室） ； CSAIL / ESAT MIT / KU Leuven（MIT / KU Leuven） 纠错

AI总结 OrigamiBench通过交互式环境测试模型在折叠策略中的因果推理能力，发现单纯扩大模型规模无法有效生成多步骤折叠策略，表明视觉与语言表征仍需加强整合。

Readers Prefer Outputs of AI Trained on Copyrighted Books over Expert Human Writers

读者更倾向于AI在受版权保护的书籍上训练输出的文本而非专家人类作家

Tuhin Chakrabarty, Jane C. Ginsburg, Paramveer Dhillon

机构 * Department of Computer Science, Stony Brook University（石溪大学计算机科学系） ； Columbia Law School（哥伦比亚法学院） ； School of Information Science, University of Michigan（密歇根大学信息科学学院） ； MIT Initiative on the Digital Economy（麻省理工学院数字经济倡议） 纠错

AI总结 研究比较了AI与专家作家在模仿50位获奖作者风格的文本表现，发现微调AI在风格和质量上更受读者青睐，且效果稳健。

Comments Preprint Under Review

Volumetrically Consistent Implicit Atlas Learning via Neural Diffeomorphic Flow for Placenta MRI

通过神经微分流实现体积一致的隐式图谱学习用于胎盘MRI

Athena Taymourtash, S. Mazdak Abulnaga, Esra Abaci Turk, P. Ellen Grant, Polina Golland

机构 * MIT Computer Science and Artificial Intelligence Laboratory（麻省理工学院计算机科学与人工智能实验室） ； Massachusetts General Hospital, Harvard Medical School（哈佛医学院麻省总医院） ； Boston Children’s Hospital, Harvard Medical School（哈佛医学院波士顿儿童医院） 纠错

AI总结 本文提出一种体积一致的隐式模型，结合SDF重建与神经微分流，学习胎盘的共享模板，通过体积正则化提升变形一致性，实现胎盘MRI的统一空间映射。

UMO: Unified In-Context Learning Unlocks Motion Foundation Model Priors

UMO：统一上下文学习解锁运动基础模型先验

Xiaoyan Cong, Zekun Li, Zhiyang Dou, Hongyu Li, Omid Taheri, Chuan Guo, Abhay Mittal, Sizhe An, Taku Komura, Wojciech Matusik, Michael J. Black, Srinath Sridhar

机构 * Brown University（布朗大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Meta Reality Lab（Meta现实实验室） ； Max-Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） ； University of Hong Kong（香港大学） 纠错

AI总结 UMO通过统一框架解锁运动基础模型先验，支持多种跨模态和上下文生成任务，提升文本到运动合成性能。

Comments Project Page: https://oliver-cong02.github.io/UMO.github.io/

Match4Annotate: Propagating Sparse Video Annotations via Implicit Neural Feature Matching

Match4Annotate：通过隐式神经特征匹配传播稀疏视频标注

Zhuorui Zhang, Roger Pallarès-López, Praneeth Namburi, Brian W. Anthony

机构 * Department of Mechanical Engineering, Massachusetts Institute of Technology, Cambridge, USA（麻省理工学院机械工程系） ； Institute for Medical Engineering and Science, Massachusetts Institute of Technology, Cambridge, USA（麻省理工学院医学工程与科学研究所） ； MIT.nano Immersion Lab, Massachusetts Institute of Technology, Cambridge, USA（麻省理工学院MIT.nano沉浸实验室） 纠错

AI总结 本文提出Match4Annotate框架，实现点和掩码标注的跨视频和内视频传播。通过SIREN隐式神经表示和连续时空特征场，提升跨视频标注效果，优于现有方法。

Content-Aware Mamba for Learned Image Compression

内容感知Mamba用于学习图像压缩

Yunuo Chen, Zezheng Lyu, Bing He, Hongwei Hu, Qi Wang, Yuan Tian, Li Song, Wenjun Zhang, Guo Lu

机构 * Shanghai Jiao Tong University（上海交通大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Alibaba Group（阿里巴巴集团） ； Shanghai AI Laboratory（上海人工智能实验室） 纠错

AI总结 本文提出Content-Aware Mamba，通过动态适应图像内容的处理策略，提升学习图像压缩中全局冗余消除效率，实现优于现有方法的率失真性能。

Comments ICLR2026 poster

Contraction Theory for Nonlinear Stability Analysis and Learning-based Control: A Tutorial Overview

非线性稳定性分析与基于学习的控制的收缩理论：教程概述

Hiroyasu Tsukamoto, Soon-Jo Chung, Jean-Jacques E. Slotine

机构 * Division of Engineering and Applied Science, California Institute of Technology, Pasadena, CA, USA（加州理工学院工程与应用科学系） ； Jet Propulsion Laboratory, California Institute of Technology, Pasadena, CA, USA（加州理工学院喷气推进实验室） ； Nonlinear Systems Laboratory, Massachusetts Institute of Technology, Cambridge MA, USA（麻省理工学院非线性系统实验室） 纠错

AI总结 本文综述了收缩理论在非线性确定性和随机系统稳定性分析中的应用，重点在于通过凸优化系统构建收缩度量以获得鲁棒性和稳定性保证。

Comments Annual Reviews in Control, Preprint Version, Accepted, Oct. 1st

Journal ref Annual Reviews in Control; Volume 52; 2021; Pages 135-169; ISSN 1367-5788

Robust Dynamic Object Detection in Cluttered Indoor Scenes via Learned Spatiotemporal Cues

通过学习的时空线索在拥挤室内场景中实现鲁棒的动态物体检测

Juan Rached, Yixuan Jia, Kota Kondo, Jonathan P. How

机构 * Faculty of Electrical Engineering, Mathematics and Computer Science, University of Twente（代尔夫特理工大学电子工程、数学与计算机科学学院） ； Department of Electrical Engineering, Wright State University（怀特塞德大学电子工程系） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本文提出一种仅依赖LiDAR的框架，结合时间占用网格运动分割与学习的鸟瞰图动态先验，提升动态物体检测的鲁棒性，在拥挤环境中实现更高的召回率和F1分数。

Sharing State Between Prompts and Programs

在提示和程序之间共享状态

Ellie Y. Cheng, Logan Weber, Tian Jin, Michael Carbin

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） 纠错

AI总结 本文提出共享程序状态抽象，使提示可直接访问程序变量并实现控制流，通过Nightjar系统验证了其在任务准确性和代码效率上的优势。

Comments ICLR 2026

CardioComposer: Leveraging Differentiable Geometry for Compositional Control of Anatomical Diffusion Models

CardioComposer：利用可微几何实现解剖扩散模型的组合控制

Karim Kadry, Shoaib Goraya, Ajay Manicka, Abdalla Abdelwahed, Naravich Chutisilp, Farhad Nezami, Elazer Edelman

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Brigham and Women’s Hospital（布里奇沃特医院） ； American University in Cairo（开罗美国大学） ； École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院） 纠错

AI总结 CardioComposer通过可微几何实现对解剖扩散模型的组合控制，利用可解释的椭球体原语生成多类解剖标签图，通过可微测量函数实现几何属性的约束与控制。

Comments 10 pages, 16 figures