高校专区
TriAttention: 有效长推理的三角KV压缩
机构 * MIT（麻省理工学院） ； NVIDIA（英伟达） ； ZJU（浙江大学）
AI总结 TriAttention通过三角序列利用KV集中性，提升长推理效率，实现2.5倍吞吐量和10.7倍KV内存节省。
Comments Code is available at https://github.com/WeianMao/triattention
人工智能聚合如何影响知识
机构 * Massachusetts Institute of Technology（麻省理工学院） ； NBER（美国国家经济研究局） ； CEPR（经济政策研究中心） ； Columbia University（哥伦比亚大学） ； Tuck School of Business at Dartmouth College（达特茅斯学院塔克商学院）
AI总结 本文研究人工智能聚合对学习的影响，通过扩展DeGroot模型引入AI聚合器，分析聚合速度对学习效果的影响，发现局部聚合器优于全局聚合器。
Comments 45 pages
通过伪随机噪声抗扰键交换实现AI代理之间的不可检测对话
机构 * MIT（麻省理工学院） ； Tel Aviv University（特拉维夫大学）
AI总结 本文研究了在无共享密钥情况下，如何通过伪随机噪声抗扰键交换实现AI代理间的隐蔽对话，突破传统通信中对信息熵的依赖，提出新的密码学理论。
解毒经验提升LLM代理的测试时间推理
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Stanford University（斯坦福大学） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
AI总结 本文研究通过解毒经验提升LLM代理测试时间推理性能，探讨如何通过经验构建有效上下文以优化复杂推理任务。
代理技能在真实环境中的表现如何：在现实场景中评估LLM技能使用的基准测试
机构 * UC Santa Barbara（加州大学圣塔芭芭拉分校） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室）
AI总结 本文研究了在更现实的环境下LLM技能的实用性，发现技能效果随环境复杂性增加而下降，通过查询特定的技能细化策略可恢复性能，实验在Terminal-Bench 2.0上提升了Claude Opus 4.6的通过率。
子空间控制：将受约束的模型操控转化为可控的谱优化
机构 * OPTML, Michigan State University（OPTML，密歇根州立大学） ； MIT-IBM Watson AI Lab, IBM Research（MIT-IBM Watson AI Lab，IBM研究院） ； University of Minnesota（明尼苏达大学） ； University of Michigan（密歇根大学） ； University of Colorado Boulder（科罗拉多大学博尔德分校）
AI总结 本文提出子空间控制框架，通过分析谱交叉任务干扰并利用一阶解正交化合并子空间，引入SIFT方法，实现可控更新以缓解目标与约束冲突，在四个应用中均取得显著性能提升。
Sandpiper：大规模教育对话中的协同AI标注
机构 * National Tutoring Observatory（国家辅导观察站） ； FreshCognate ； Cornell University（康奈尔大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 Sandpiper通过结合交互式研究仪表板与大语言模型，实现高体积对话数据与人类定性专家的协同分析，提升研究效率和可靠性。
利用Kolmogorov-Arnold化学反应神经网络（KA-CRNN）学习锂离子正极材料的连续状态of charge依赖热分解动力学
机构 * Department of Mechanical Engineering, Massachusetts Institute of Technology（麻省理工学院机械工程系）
AI总结 本文提出使用KA-CRNN模型学习锂离子正极材料在不同SOC下的热分解动力学参数，通过DSC数据直接获取SOC依赖的活化能和焓变等参数，实现对热失控行为的准确预测和解释。
Comments 20 pages, 4 figures, 7 appendix figures, 1 table. Updated after acceptance to journal
Journal ref Journal of Energy Storage 158 (2026) 121853
自主代理用于科学发现：协调科学家、语言、代码和物理
机构 * Department of Computer Science and Engineering, Texas A&M University（德克萨斯农工大学计算机科学与工程系） ； Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系） ； Computer Science and Artificial Intelligence Laboratory, Massachusetts Institute of Technology（麻省理工学院计算机科学与人工智能实验室） ； Department of Computer Science, University of California, Los Angeles（加州大学洛杉矶分校计算机科学系） ； Siebel School of Computing and Data Science, University of Illinois Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校西贝尔计算与数据科学学院） ； Department of Materials Science and Engineering, Texas A&M University（德克萨斯农工大学材料科学与工程系） ； Department of Electrical and Computer Engineering, Texas A&M University（德克萨斯农工大学电气与计算机工程系） ； Department of Physics and Astronomy, Texas A&M University（德克萨斯农工大学物理与天文学系）
AI总结 本文探讨基于LLM的科学代理，通过协调科学家、语言、代码和物理，加速科学发现的全过程，分析现有方法并提出未来研究方向。
xRFM：用于表格数据的准确、可扩展且可解释的特征学习模型
机构 * Computer Science and Engineering（计算机科学与工程） ； INRIA Saclay ； Halıcıoğlu Data Science Institute（Halıcıoğlu数据科学研究所） ； UC San Diego（加州大学圣地亚哥分校） ； MIT Mathematics（麻省理工学院数学系） ； Broad Institute of MIT and Harvard（麻省理工学院和哈佛大学博德研究所）
AI总结 本文提出xRFM，结合特征学习核机与树结构，实现数据局部结构适应和大规模训练数据处理，优于31种方法，在100个回归数据集和200个分类数据集上表现优异且具备可解释性。
利用ASIC AI芯片进行同态加密
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Massachusetts Institute of Technology（麻省理工学院） ； Google（谷歌） ； NVIDIA（英伟达） ； Cornell University（康奈尔大学）
AI总结 本文探讨利用现有AI加速器如Google的TPU，通过CROSS编译器框架实现同态加密的高效能，解决GPU架构与同态加密算法的不匹配问题，提升能效。
Comments IEEE International Symposium on High-Performance Computer Architecture (HPCA) 2026; 18 pages, 16 figures, 5 algorithms, 10 tables. Leveraging Google TPUs for Homomorphic Encryption
Journal ref 2026 IEEE Symposium on High-Performance Computer Architecture
激励塑造人类与生成式AI协同创作的方式
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 研究通过随机对照试验发现，激励机制影响人类在创意写作中使用生成式AI的方式，原创激励组产生更多样化的写作。
通过快速自编码器投影提升可行性
机构 * University of Toronto（多伦多大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出一种基于自编码器的高效方法，通过学习凸的潜在表示快速修正不可行预测，适用于复杂约束优化和强化学习问题，降低计算成本。
机器人需要肢体语言吗？比较不同沟通方式以实现人类共享空间中运动意图的可理解性
机构 * MIT Media Lab（麻省理工学院媒体实验室） ； New England Innovation Academy（新英格兰创新学院）
AI总结 研究探讨不同沟通方式对理解四足机器人导航意图的影响，评估表达性动作、灯光、文本和音频等模态对预测准确性、信心和信任度的作用。
基于学习的腿部机器人远程动态环境故障检测
机构 * Massachusetts Institute of Technology（麻省理工学院） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出一种基于学习的离线方法，用于从腿部机器人本体传感器数据中检测单肢故障，以帮助控制器选择合适的三足步态。
PALM：通过具身理由推理进行长时间 horizon 肢体操作的进展感知策略学习
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Nanyang Technological University（南洋理工大学） ； University of Oxford（牛津大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 PALM通过具身理由推理和子任务进展线索，改进长horizon机器人操作的策略学习，实现91.8%的成功率和更长的任务长度。
Comments CVPR 2026
隐式偏置的理解与逆向设计：从几何视角出发
机构 * Department of Mathematics, Informatics and Geoscience, University of Trieste（的里雅斯特大学数学、信息学与地球科学系） ； Area Science Park（科学园区） ； McGovern Institute, MIT（麻省理工学院麦戈文研究所）
AI总结 本文从几何视角探讨了随机学习中隐式偏置的形成机制，提出了一种理论框架，通过梯度噪声与损失连续对称性的相互作用解释隐式偏置，并展示了如何通过参数化设计实现逆向设计，验证了稀疏性和谱稀疏性等特性。
Comments v2
DOVE：一个大规模多维预测数据集，用于有意义的LLM评估
机构 * The Hebrew University of Jerusalem（耶路撒冷希伯来大学） ； IBM Research AI（IBM研究院人工智能） ； MIT（麻省理工学院） ； Technion - Israel Institute of Technology（以色列理工学院） ； Allen Institute for AI（艾伦人工智能研究所）
AI总结 DOVE通过大规模多维提示扰动评估LLM对不同维度的敏感性，揭示了提示设计对模型性能的影响，提供高效选择高性能提示的方法及鲁棒评估框架。
Journal ref Findings of ACL 2025, pp. 11744-11763
稀疏高斯图模型与离散优化：计算与统计视角
机构 * Operations Research Center, Massachusetts Institute of Technology（麻省理工学院运筹学研究中心） ； Sloan School of Management, Massachusetts Institute of Technology（麻省理工学院斯隆管理学院）
AI总结 本文提出基于ℓ0惩罚伪似然函数的GraphL0BnB估计器，通过混合整数规划解决稀疏高斯图模型学习问题，提供新的统计保证并优于现有方法。
Comments Operations Research (to appear)
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈