Adaptive Block-Scaled Data Types
自适应块缩放数据类型
机构 * Massachusetts Institute of Technology（麻省理工学院） ； NVIDIA（英伟达）
AI总结 本文提出自适应块缩放数据类型，通过动态选择整数和浮点表示以减少量化误差，在4位量化中实现更低的训练损失和更高的任务准确性。
Comments 19 pages, 9 figures
高校专区
Massachusetts Institute of Technology（麻省理工学院）
Pandora: Articulated 3D Scene Graphs from Egocentric Vision
Pandora: 从第一人称视觉获取拟合3D场景图
机构 * Laboratory for Information and Decision Systems, Massachusetts Institute of Technology（麻省理工学院信息与决策系统实验室） ； Meta Reality Labs（Meta现实实验室）
AI总结 本文提出Pandora方法，利用人类自然探索场景时的单目数据，恢复拟合物体部件模型，并整合到3D场景图中，提升机器人移动操作能力。
Comments 14 pages, 5 figures. Presented at the 2025 British Machine Vision Conference (BMVC) in Sheffield, UK
To Augment or Not to Augment? Diagnosing Distributional Symmetry Breaking
增强还是不增强？诊断分布对称性破坏
机构 * MIT（麻省理工学院） ； University College London（伦敦大学学院） ； Northeastern University（东北大学）
AI总结 本文提出了一种评估数据集对称性破坏的指标，揭示了点云数据集中的严重偏见问题，并展示了对称性破坏对模型性能的影响。
Comments Published as a conference paper at ICLR 2026. A short version of this paper appeared at the ICLR AI4Mat workshop in April 2025
The Rise of Generative AI for Metal-Organic Framework Design and Synthesis
生成式AI在金属有机框架设计与合成中的崛起
机构 * Deep Principle, Inc.（Deep Principle公司） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Washington University（华盛顿大学） ； Institute of Materials Science & Engineering, Washington University（华盛顿大学材料科学与工程研究所） ； Massachusetts Institute of Technology（麻省理工学院） ； Cornell University（康奈尔大学） ； University of Toronto（多伦多大学） ； Vector Institute for Artificial Intelligence（向量人工智能研究所） ； Acceleration Consortium, University of Toronto（多伦多大学加速联盟） ； University of Washington（华盛顿大学） ； University of North Texas（北德克萨斯大学） ； École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院） ； Canadian Institute for Advanced Research（加拿大高等研究院） ； NVIDIA（英伟达）
AI总结 生成式AI推动金属有机框架设计方法革新，通过自主提出并合成新型多孔结构，结合高通量计算筛选和自动化实验，形成加速发现闭环流程，提升清洁空气和能源应用材料性能。
Comments 10 pages, 5 figures
Journal ref Matter (2026)
Meta-Harness: End-to-End Optimization of Model Harnesses
Meta-Harness：端到端优化模型Harness
机构 * Stanford（斯坦福大学） ； KRAFTON ； MIT（麻省理工学院）
AI总结 本文提出Meta-Harness，通过自动搜索优化模型Harness代码，提升文本分类、数学推理和编程任务性能，减少上下文token使用量。
3-D Representations for Hyperspectral Flame Tomography
三维表示用于超光谱火焰断层扫描
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文比较了基于体素网格的断层扫描方法与连续神经表示法，展示了体素网格结合全变分正则化在低内存和运行时间下对合成火焰的高精度重建。
Comments 7 pages, 2 figures, 1 table
Which Reconstruction Model Should a Robot Use? Routing Image-to-3D Models for Cost-Aware Robotic Manipulation
机器人应使用哪种重建模型？为成本感知的机器人操作路由图像到3D模型
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出SCOUT框架，通过分离重建评分的两个组件，为机器人操作选择适合的3D重建模型，支持动态调整和多维成本约束。
Comments 8 pages, 7 tables, 3 figures. Supplementary material included. Project page: https://scout-model-routing.github.io
RINO: Rotation-Invariant Non-Rigid Correspondences
RINO：旋转不变非刚性对应
机构 * TUM（慕尼黑工业大学） ； Stanford University（斯坦福大学） ； MCML（慕尼黑机器学习中心） ； MIT（麻省理工学院）
AI总结 本文提出RINO框架，通过旋转不变的特征提取器实现非刚性形状匹配，无需预对齐或手工特征，提升非等距变形等任务的性能。
Comments 17 pages, 36 Figures, Computer Vision and Pattern Recognition (CVPR) 2026
Journal ref Computer Vision and Pattern Recognition (CVPR) 2026
Synthetic Mixed Training: Scaling Parametric Knowledge Acquisition Beyond RAG
合成混合训练：在RAG之上扩展参数化知识获取
机构 * Stanford University（斯坦福大学） ； MIT（麻省理工学院） ； University of Washington（华盛顿大学）
AI总结 本文提出合成混合训练方法，结合合成问答和文档，通过互补训练信号提升模型性能，在QuaLITY基准上实现4.4%的相对提升。
Combinatorial Privacy: Private Multi-Party Bitstream Grand Sum by Hiding in Birkhoff Polytopes
组合隐私：通过隐藏在Birkhoff多面体中实现私人的多客户端位流总和
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 PolyVeil通过将私有位编码为Birkhoff多面体中的排列矩阵，实现k个客户端的隐私布尔求和，其双层架构提供完美安全性，但完整与压缩变体在隐私保证与低维性间存在根本矛盾。
Scaling Attention via Feature Sparsity
通过特征稀疏性扩展注意力机制
机构 * School of Electronic Engineering, Xidian University（西安电子科技大学电子工程学院） ； Stony Brook University（石溪大学） ； TUM（慕尼黑工业大学） ； MIT（麻省理工学院） ； Amazon AGI SF Lab（亚马逊AGI旧金山实验室）
AI总结 本文提出Sparse Feature Attention (SFA)，通过特征稀疏性降低注意力计算成本，提升处理超长上下文的能力，实验表明其在速度和资源消耗上优于现有方法。
Comments 26 pages, 11 figures; Accepted at ICLR 2026
Meet Me at the Arm: The Cooperative Multi-Armed Bandits Problem with Shareable Arms
在臂上见我：具有可共享臂的协同多臂老虎机问题
机构 * Boston University（波士顿大学） ； Broad Institute of MIT and Harvard（布罗德研究所）
AI总结 本文研究了在无感知设置下多玩家多臂老虎机问题，提出A-CAPELLA算法，通过协议驱动协调实现对容量的感知，达到对数遗憾水平。
Algorithmic Insurance
算法保险
机构 * Sloan School of Management, Massachusetts Institute of Technology（麻省理工学院斯隆管理学院） ； Saïd Business School, Oxford University（牛津大学赛德商学院）
AI总结 研究算法保险在AI致损中的风险定价与责任框架，提出基于CVaR的分类阈值优化方法，通过乳腺癌案例验证降低尾部风险并提升保险收益。
GIFT: Bootstrapping Image-to-CAD Program Synthesis via Geometric Feedback
GIFT: 通过几何反馈提升图像到CAD程序合成
机构 * DeCoDE Lab, MIT（麻省理工学院DeCoDE实验室） ； Core AI, IBM（IBM核心人工智能） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室）
AI总结 本文提出GIFT框架，通过几何反馈生成高质量训练样本，提升CAD程序生成的鲁棒性，无需额外标注。
Comments preprint
Multiple-Prediction-Powered Inference
多预测驱动推断
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Google Research（谷歌研究院） ； Google DeepMind（谷歌DeepMind）
AI总结 本文提出多预测驱动推断框架，通过优化分配资源于不同数据源，实现统计高效估计。理论证明其最小最大最优性、有限样本性能和渐近正态性，并在三个大语言模型评估场景中验证了其优于现有基线的估计误差。
Comments ICLR 2026, 45 pages, 17 figures
Grounding Social Perception in Intuitive Physics
将社会感知 grounded 在直观物理学中
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Harvard University（哈佛大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Amazon（亚马逊）
AI总结 本文提出通过结合直观心理学与直观物理学的推理过程来解释社会感知，通过PHASE数据集和SIMPLE模型验证了物理基础的社会推理能力。
Comments 26 pages, 11 figures
The Price of Meaning: Why Every Semantic Memory System Forgets
意义的代价：为何每一个语义记忆系统都会遗忘
机构 * Sentra ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文研究了语义记忆系统中意义与遗忘的权衡，证明了语义连续核阈值记忆系统中干扰和遗忘不可避免，通过四个结果揭示了语义表示的有效秩、局部维度、记忆增长对保留的影响以及联想诱饵的虚假回忆无法消除。
Structural Graph Probing of Vision-Language Models
视觉-语言模型的结构图谱探查
机构 * Northeastern University（东北大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 研究通过神经拓扑分析视觉-语言模型的层间相关图谱，揭示群体结构对行为的意义、跨模态变化及因果影响，提出神经拓扑作为解释性中间尺度。
Comments IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2026
Conformalized Signal Temporal Logic Inference under Covariate Shift
符合性信号时间逻辑推理在协变量偏移下的应用
机构 * University of California, Riverside（加州大学河滨分校） ； Boston University（波士顿大学） ； MIT Lincoln Laboratory（麻省理工学院林肯实验室）
AI总结 本文提出一种符合性STL推理框架，解决训练与部署数据集间的协变量偏移问题，通过模板无关的可微STL推理方法和有限部署数据集优化，提升部署时的符号学习可靠性。
On the Reliability Limits of LLM-Based Multi-Agent Planning
基于大语言模型的多智能体规划的可靠性极限
机构 * MIT（麻省理工学院）
AI总结 本文研究了基于大语言模型的多智能体规划的可靠性极限，通过建模为有限无环决策网络，展示了在无新外部信号时，分布式网络在决策理论上被集中贝叶斯决策者主导，并分析了通信和信息压缩带来的损失。
Comments Technical note
ExtremControl: Low-Latency Humanoid Teleoperation with Direct Extremity Control
ExtremControl：低延迟的人形机器人远程操控与直接末端控制
机构 * UMass Amherst（马萨诸塞大学阿默斯特分校） ； Carnegie Mellon University（卡内基梅隆大学） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室）
AI总结 本文提出ExtremControl框架，通过直接操作SE(3)姿态、Cartesian空间映射和速度前馈控制，实现低延迟的人形机器人远程操控，实验表明其在模拟和现实环境中均优于传统方法。
Comments Project website: https://extremcontrol.github.io/
M4Human: A Large-Scale Multimodal mmWave Radar Benchmark for Human Mesh Reconstruction
M4Human: 一种大规模多模态毫米波雷达基准用于人体网格重建
机构 * NTU（南洋理工大学） ； University of Edinburgh（爱丁堡大学） ； UPenn（宾夕法尼亚大学） ； UCL（伦敦大学学院） ； MIT（麻省理工学院）
AI总结 本文提出M4Human，首个大规模多模态毫米波雷达基准，提供高分辨率雷达、RGB和深度数据，用于解决传统视觉传感的遮挡、光照和隐私问题，推动人体建模研究。
BRIDGE: Benchmarking Large Language Models for Understanding Real-world Clinical Practice Text
BRIDGE：用于评估大语言模型理解现实世界临床实践文本的基准测试
机构 * Brigham and Women's Hospital（布莱根妇女医院） ； Harvard Medical School（哈佛医学院） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Massachusetts Institute of Technology（麻省理工学院） ； Mayo Clinic（梅奥诊所） ； Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院） ； Harvard University（哈佛大学） ； Stanford University（斯坦福大学） ； Beth Israel Deaconess Medical Center（贝斯以色列女执事医疗中心） ； Kempner Institute for the Study of Natural and Artificial Intelligence（肯普纳自然与人工智能研究所） ； Broad Institute of MIT and Harvard（博德研究所） ； Harvard Data Science Initiative（哈佛数据科学计划）
AI总结 本文提出BRIDGE基准测试，涵盖9种语言的87项任务，涵盖患者护理全过程的六个临床阶段和20种应用，评估95种LLM在不同推理策略下的性能差异，展示开源模型与专业模型的性能对比。
Pretraining Language Models for Diachronic Linguistic Change Discovery
为历时语言变化发现预训练语言模型
机构 * University of Hamburg（汉堡大学） ； Center for Digital Humanities, Johns Hopkins University（约翰霍普金斯大学数字人文中心） ； IBM Research, MIT（麻省理工学院IBM研究院）
AI总结 本文提出通过预训练语言模型发现历时语言变化，通过高效预训练技术处理大规模语料，发现预训练模型在训练速度和历史划分尊重方面优于微调基线，展示了在历时语言学中检测词汇变化等现象的能力。
Comments Accepted to Findings of the EACL 2026
Correcting Auto-Differentiation in Neural-ODE Training
神经ODE训练中自动微分的修正
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 研究探讨了在神经ODE架构中使用自动微分对深度神经网络更新的影响，发现高阶方法可能导致梯度震荡，提出后处理技术以消除震荡并提升收敛性。
Comments Accepted for publication in SIAM Journal on Applied Mathematics. This version corresponds to the final draft, prior to copyediting and production
Less is More: Rethinking Few-Shot Learning and Recurrent Neural Nets
少即是多：重新思考少样本学习与循环神经网络
机构 * Wellman Center for Photomedicine MGH, Harvard Medical School, and MIT CSAIL（麻省总医院韦尔曼光医学中心、哈佛医学院、麻省理工学院计算机科学与人工智能实验室）
AI总结 本文探讨了少样本学习与循环神经网络的理论基础，提出低熵算法提升学习效率，并通过图像去模糊和OCT去斑处理验证了方法的有效性。
Comments Version 3 is focused exclusively on the first part of v1 and v2, correcting minor mathematical errors. The original co-authors have transitioned in separate follow-up works
Envisioning global urban development with satellite imagery and generative AI
用卫星影像和生成式AI展望全球城市发展
机构 * Singapore–MIT Alliance for Research and Technology Centre (SMART)（新加坡-麻省理工学院研究与技术联盟中心） ； Department of Urban Planning, Tsinghua University（清华大学城市规划系） ； Department of Urban Studies and Planning, Massachusetts Institute of Technology（麻省理工学院城市研究与规划系） ； College of Urban and Environmental Sciences, Peking University（北京大学城市与环境学院） ； Department of Urban and Regional Planning, University of Florida（佛罗里达大学城市与区域规划系） ； Stanford Institute for Human-Centered Artificial Intelligence, Stanford University（斯坦福大学以人为本人工智能研究所）
AI总结 本文提出一种多模态生成式AI框架，通过整合提示和地理空间控制，生成全球500个最大都会区的高保真城市卫星影像，支持可持续城市发展和场景规划。
Robust Batch-Level Query Routing for Large Language Models under Cost and Capacity Constraints
在成本和容量限制下大型语言模型的鲁棒批量级查询路由
机构 * LinkedIn（领英） ； MIT（麻省理工学院）
AI总结 本文提出一种考虑资源的批量级查询路由框架，通过优化模型分配以提高鲁棒性和效率，实验显示在对抗性批处理下性能提升显著。
Evaluating Human-AI Safety: A Framework for Measuring Harmful Capability Uplift
评估人机安全：衡量有害能力提升的框架
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出通过测量前沿模型带来的有害能力提升，推动人中心的AI安全评估，提供系统性测量方法和行动步骤。
