Massachusetts Institute of Technology（麻省理工学院）

ShapE-GRPO: Shapley-Enhanced Reward Allocation for Multi-Candidate LLM Training

ShapE-GRPO：基于多候选LLM训练的Shapley增强奖励分配

Rui Ai, Yu Pan, David Simchi-Levi, Chonghuan Wang

机构 * MIT（麻省理工学院） ； University of Sydney（悉尼大学） ； University of Texas at Dallas（德克萨斯大学达拉斯分校） 纠错

AI总结 针对多候选LLM训练中奖励分配噪声问题，提出ShapE-GRPO方法，通过Shapley值理论分解集级奖励，提升训练效率与收敛速度。

Derived Fields Preserve Fine-Scale Detail in Budgeted Neural Simulators

导出场在预算神经模拟器中保留细尺度细节

Wenshuo Wang, Fan Zhang

机构 * School of Future Technology, South China University of Technology（华南理工大学未来技术学院） ； State Key Laboratory of Ocean Sensing & Ocean College, Zhejiang University（浙江大学海洋传感与海洋学院国家重点实验室） ； Kavli Institute for Astrophysics and Space Research, Massachusetts Institute of Technology（麻省理工学院卡弗里天体物理与空间研究所） 纠错

AI总结 本文提出DerivOpt框架，通过优化携带状态的设计，在预算限制下提升神经模拟器的细尺度精度，且在输入阶段即可观察到性能提升。

Economics of Human and AI Collaboration: When is Partial Automation More Attractive than Full Automation?

人力与AI协作的经济学：部分自动化何时比完全自动化更具吸引力？

Wensu Li, Atin Aboutorabi, Harry Lyu, Kaizhi Qian, Martin Fleming, Brian C. Goehring, Neil Thompson

机构 * Massachusetts Institute of Technology（麻省理工学院） ； École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院） ； IBM Research（IBM研究院） ； IBM’s Institute for Business Value（IBM商业价值研究院） 纠错

AI总结 本文构建了评估任务自动化最优程度的统一框架，通过连续选择而非二元决策，分析企业在AI准确性水平上的成本最小化选择，揭示部分自动化在人力保留任务下的经济优势。

Gleanmer: A 6 mW SoC for Real-Time 3D Gaussian Occupancy Mapping

Gleanmer：一种6毫瓦的SoC用于实时3D高斯占用映射

Zih-Sing Fu, Peter Zhi Xuan Li, Sertac Karaman, Vivienne Sze

机构 * Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 Gleanmer通过算法与硬件协同优化，实现低功耗实时3D高斯占用映射，其在地图构建和查询中分别降低能耗63%和81%。

Comments Accepted to IEEE Symposium on VLSI Technology & Circuits (VLSI), 2026. To appear

Masked IRL: LLM-Guided Reward Disambiguation from Demonstrations and Language

掩码逆强化学习：从演示和语言引导的奖励消歧

Minyoung Hwang, Alexandra Forsey-Smerek, Nathaniel Dennler, Andreea Bobu

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 本文提出掩码逆强化学习框架，利用大语言模型结合演示和语言信息，提升机器人奖励学习的样本效率和泛化能力。

Comments Accepted to ICRA 2026

Extracting Interpretable Models from Tree Ensembles: Computational and Statistical Perspectives

从树集成中提取可解释模型：计算和统计视角

Brian Liu, Rahul Mazumder, Peter Radchenko

机构 * MIT（麻省理工学院） ； University of Sydney（悉尼大学） 纠错

AI总结 本文提出一种提取树集成中简洁决策规则的估计器，通过灵活控制规则数量和交互深度提升准确性，并建立非渐近预测误差界，实验表明其优于现有规则提取算法。

Global Framework for Emulation of Nuclear Calculations

核计算仿真的全球框架

Antoine Belley, Jose M. Munoz, Ronald F. Garcia Ruiz

机构 * Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本文提出一种结合微正则多体计算与贝叶斯神经网络的分层框架，用于同时预测同位素链的核性质，并在核图不同区域应用。通过氧同位素链验证，实现了地面态能和电荷半径的准确预测，并提供可靠的不确定性量化。