Massachusetts Institute of Technology（麻省理工学院）

Pitfalls in Evaluating Interpretability Agents

评估可解释性代理中的陷阱

Tal Haklay, Nikhil Prakash, Sana Pandey, Antonio Torralba, Aaron Mueller, Jacob Andreas, Tamar Rott Shaham, Yonatan Belinkov

机构 * Kempner Institute at Harvard University（哈佛大学 Kempner 机构） ； Northeastern University（东北大学） ； Boston University（波士顿大学） ； MIT（麻省理工学院） 纠错

AI总结 本文研究了自动化电路分析中可解释性代理的评估挑战，提出基于模型组件功能互换性的无监督内在评估方法，揭示了复制评估的局限性。

Structural Controllability of Large-Scale Hypergraphs

大规模超图的结构可控性

Joshua Pickard, Xin Mao, Can Chen

机构 * Eric and Wendy Schmidt Center at the Broad Institute of MIT and Harvard（MIT和哈佛大学布罗德研究所的埃里克和wendy Schmidt中心） ； School of Data Science and Society, University of North Carolina at Chapel Hill（夏洛特希尔大学数据科学与社会学院） ； Department of Biostatistics, University of North Carolina at Chapel Hill（夏洛特希尔大学生物统计学系） 纠错

AI总结 本文提出超图结构可控性框架，通过多项式动力系统建模，建立拓扑判定准则并设计可扩展的驱动节点选择算法，验证了方法在大规模超图中的有效性。

Comments 14 pages, 4 figures, 1 table

Physion-Eval: Evaluating Physical Realism in Generated Video via Human Reasoning

Physion-Eval：通过人类推理评估生成视频的物理真实性

Qin Zhang, Peiyu Jing, Hong-Xing Yu, Fangqiang Ding, Fan Nie, Weimin Wang, Yilun Du, James Zou, Jiajun Wu, Bing Shuai

机构 * Physion Labs（Physion实验室） ； Stanford University（斯坦福大学） ； MIT（麻省理工学院） ； Harvard University（哈佛大学） ； Character AI 纠错

AI总结 本文提出Physion-Eval基准，通过专家人类推理评估生成视频的物理真实性，揭示当前视频生成模型在物理关键场景中存在显著缺陷，83.3%的外向视角和93.5%的内向视角视频存在可识别的物理错误。

Taming the Long-Tail: Efficient Reasoning RL Training with Adaptive Drafter

驯服长尾：通过自适应草案器实现高效的推理强化学习训练

Qinghao Hu, Shang Yang, Junxian Guo, Xiaozhe Yao, Yujun Lin, Yuxian Gu, Han Cai, Chuang Gan, Ana Klimovic, Song Han

机构 * MIT（麻省理工学院） ； ETH Zurich（苏黎世联邦理工学院） ； NVIDIA（英伟达） ； MIT-IBM AI Lab（麻省理工-IBM人工智能实验室） ； MIT, NVIDIA（麻省理工学院、英伟达） 纠错

AI总结 本文提出TLT系统，通过自适应草案器和自适应回放引擎，解决强化学习训练中响应生成的长尾分布问题，实现1.7倍的训练加速并保持模型精度。

Any-Subgroup Equivariant Networks via Symmetry Breaking

通过破译对称性构建任意子群等变网络

Abhinav Goel, Derek Lim, Hannah Lawrence, Stefanie Jegelka, Ningyuan Huang

机构 * MIT（麻省理工学院） ； TUM（技术大学慕尼黑） ； Flatiron Institute（Flatiron研究院） 纠错

AI总结 本文提出Any-Subgroup Equivariant Network，通过调节辅助输入特征实现多组等变，理论证明其能模拟等变MLP，实验验证其在图、图像及序列任务中优于单独等变模型。

Comments Accepted at ICLR 2026

Real-Time Optical Communication Using Event-Based Vision with Moving Transmitters

基于事件视觉的实时光学通信

Harmeet Dhillon, Pranay Katyal, Brendan Long, Rohan Walia, Matthew Cleaveland, Kevin Leahy

机构 * Robotics Engineering Department, Worcester Polytechnic Institute（沃斯特理工学院机器人工程系） ； MIT Lincoln Laboratory（麻省理工学院林肯实验室） 纠错

AI总结 本文提出基于事件相机的实时光学通信系统，利用GA-UKF实现移动发射机跟踪与实时解码，精度达95%且处理速度提升7倍。

Comments 8 pages, 7 Figures, Submitted to IROS 2026 - Under Review

A Closed-Form CLF-CBF Controller for Whole-Body Continuum Soft Robot Collision Avoidance

为整体连续软机器人碰撞避免设计的闭式CLF-CBF控制器

Kiwan Wong, Maximillian Stölzle, Wei Xiao, Daniela Rus

机构 * Computer Science and Artificial Intelligence Laboratory, Massachusetts Institute of Technology（计算机科学与人工智能实验室，麻省理工学院） ； Robotics Engineering Department, Worcester Polytechnic Institute（机器人工程系，沃斯堡理工学院） 纠错

AI总结 本文提出闭式CLF-CBF控制器，用于软连续机器人的实时3D障碍物避障，通过分析嵌入安全约束确保稳定性和安全性，比传统方法快10至100倍。

Can AI Truly Represent Your Voice in Deliberations? A Comprehensive Study of Large-Scale Opinion Aggregation with LLMs

AI能否真正代表您的声音进行辩论？基于大规模意见聚合的全面研究

Shenzhe Zhu, Shu Yang, Michiel A. Bakker, Alex Pentland, Jiaxin Pei

机构 * Stanford University（斯坦福大学） ； University of Toronto（多伦多大学） ； KAUST（卡塔尔大学） ； MIT（麻省理工学院） 纠错

AI总结 本文通过DeliberationBank数据集评估LLM在大规模辩论总结中的表现，发现其存在代表性不足和偏见问题，提出DeliberationJudge模型提升评估准确性。