高校专区
AI代理如何花费你的钱？分析和预测代理编码任务中的令牌消耗
机构 * University of Michigan（密歇根大学） ； Stanford University（斯坦福大学） ； All Hands AI ； Google Deepmind（谷歌DeepMind） ； Microsoft AI（微软AI） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文研究了代理编码任务中令牌消耗模式，发现代理任务消耗远高于代码推理和代码聊天，且模型在任务执行前难以准确预测自身令牌使用。
基于决策理论的隐写术形式化及其在大语言模型监控中的应用
机构 * University of Cambridge（剑桥大学） ； Massachusetts Institute of Technology（麻省理工学院） ； UK AI Safety Institute（英国人工智能安全研究所） ； University of Oxford（牛津大学） ； Mila, University of Montreal（蒙特利尔大学米尔人工智能实验室）
AI总结 本文提出决策理论视角下的隐写术形式化方法，通过通用V-信息量定义隐写差距，用于检测和缓解大语言模型中的隐写推理行为。
Comments First two authors contributed equally
在运营不确定性下学习电动卡车路由
机构 * Delft University of Technology, Intelligent Electrical Power Grids（代尔夫特理工大学，智能电力电网） ； Massachusetts Institute of Technology, Center of Transportation and Logistics（麻省理工学院，交通与物流中心） ； Massachusetts Institute of Technology, Department of Aeronautics and Astronautics（麻省理工学院，航空与航天系）
AI总结 本文提出了一种基于学习的框架，用于在充电约束和运营不确定性下解决电动卡车路由问题，通过强化学习和事件驱动的半马尔可夫决策过程，提高了训练效率和性能。
Comments Reinforcement Learning, Electric Truck Routing, Freight Transportation, Graph Neural Networks, Stochastic Optimization, Vehicle Routing
用于GET非对称夹具的2D和3D抓取规划器
机构 * The AUTOLab at UC Berkeley（伯克利大学自动实验室） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出GET-2D-1.0和GET-3D-1.0两种规划器，前者基于单视图RGB-D图像，后者基于3D模型和光线追踪，实验表明GET-2D-1.0在抓取成功率等指标上优于基线，但GET-3D-1.0计算成本更高。
机器学习原子势中的专家混合框架
机构 * Department of Materials Science and Engineering, Massachusetts Institute of Technology, Cambridge, MA, USA（材料科学与工程系，麻省理工学院，剑桥，马萨诸塞州，美国） ； John A. Paulson School of Engineering and Applied Sciences, Harvard University, Cambridge, MA, USA（约翰·A·波尔森工程与应用科学学院，哈佛大学，剑桥，马萨诸塞州，美国） ； Robert Bosch LLC Research and Technology Center, Watertown, MA, USA（罗伯特·博世 LLC 研究与技术中心，沃特敦，马萨诸塞州，美国）
AI总结 本文提出一种基于E(3)等价Allegro架构的多保真度专家混合框架，用于提升原子模拟的计算效率与精度，通过在不同区域分配不同能力的模型，解决界面机械不匹配问题，验证了其在Pt+CO催化系统中的有效性。
Comments 10 pages, 5 figures
QERNEL：一种可扩展的大型电子模型
机构 * Department of Physics, Massachusetts Institute of Technology, Cambridge, MA-02139,USA（麻省理工学院物理系）
AI总结 QERNEL通过结合FiLM参数条件和高效架构元素，以低计算成本提升表达能力，用于半导体莫尔异质双层中电子相互作用研究，发现量子液态与晶体态之间的突变相变。
Comments 6 pages, 4 figures
前沿人工智能风险管理中的开放问题
机构 * Oxford Martin AI Governance Initiative, University of Oxford（牛津大学人工智能治理倡议） ； MIT Computer Science and Artificial Intelligence Laboratory, MIT（麻省理工学院计算机科学与人工智能实验室） ； MIT Future Tech（麻省理工学院未来技术） ； Stanford University（斯坦福大学） ； Governance and Responsible AI Lab, Purdue University（普渡大学治理与负责任的人工智能实验室） ； University of Toronto（多伦多大学） ； Mercatus Center, George Mason University（乔治·马歇尔大学麦卡锡中心） ； Vilnius University（维尔纽斯大学） ； Vijil ； SaferAI ； AI Standards Lab（人工智能标准实验室） ； The Future Society（未来社会） ； Concordia AI（康科德人工智能） ； Pivotal Research ； Center for AI Risk Management & Alignment（人工智能风险管理和对齐中心） ； UC Berkeley Center for Long-Term Cybersecurity（伯克利大学长期网络安全中心） ； Independent（独立）
AI总结 本文探讨前沿人工智能风险管理中的核心问题，通过文献综述识别未解决的挑战，并分类问题类型以指导未来研究与治理。
Comments 81 pages, 3 figures
一种多模态且可解释的机器学习方法用于从心电图中诊断多类射血分数
机构 * Operations Research Center, Massachusetts Institute of Technology（麻省理工学院运营研究中心） ； Wisconsin School of Business, University of Wisconsin–Madison（威斯康星大学麦迪逊分校商学院） ； Heart and Vascular Institute, Hartford Hospital（哈特福德医院心脏与血管研究院）
AI总结 本文提出一种结合工程化12导联ECG时间序列特征与结构化电子健康记录变量的多模态机器学习框架，用于四类临床射血分数分类，并通过SHAP属性分析提高模型可解释性。
自主知识图谱探索与自适应广度-深度检索
机构 * Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系） ； Departamento de Computación, FCEyN, Universidad de Buenos Aires（布宜诺斯艾利斯大学计算机系） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Oxford Suzhou Centre for Advanced Research, University of Oxford（牛津大学苏州市先进研究中心） ； ELIAS Lab, Departamento de Ingeniería, Universidad de San Andrés（圣安德鲁大学工程系ELIAS实验室） ； Kempner Institute for the Study of Natural and Artificial Intelligence, Allston, MA, USA（自然与人工智能研究所，马萨诸塞州阿利斯顿） ； Broad Institute of MIT and Harvard, Cambridge, MA, USA（MIT和哈佛大学Broad研究所） ； Harvard Data Science Initiative, Cambridge, MA, USA（哈佛大学数据科学倡议）
AI总结 本文提出ARK工具，通过全局词搜索和邻域探索平衡知识图谱的广度与深度检索，提升多跳遍历效率，在STaRK上达到59.1%的平均Hit@1和67.4的平均MRR，优于其他方法。
Comments Accepted at ACL 2026 Main Conference
虚拟机械交互层实现人机物体传递的鲁棒性
机构 * Department of Engineering, University of Cambridge（剑桥大学工程系） ； Department of Mechanical Engineering, Massachusetts Institute of Technology（麻省理工学院机械工程系）
AI总结 本文提出虚拟模型控制层和增强现实技术，提升人机物体传递过程中对物体姿态变化的适应能力，并通过实验验证了其在复杂不确定性下的鲁棒性。
Comments Accepted for publication in IEEE Robotics and Automation Letters (RA-L)
少做决定，多进行沟通：关于医学领域端到端事实核查构建效度的探讨
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Stanford University（斯坦福大学） ； Indiana University School of Medicine（印第安纳大学医学院） ； King’s College London（伦敦国王学院） ； Massachusetts Institute of Technology（麻省理工学院） ； The University of Texas MD Anderson Cancer Center（德克萨斯大学MD安德森癌症中心） ； Northeastern University（东北大学）
AI总结 本文探讨医学领域端到端事实核查系统的构建效度，指出其在连接现实声明与科学证据、处理模糊声明及主观真实性标签方面的挑战，主张将其视为互动沟通问题。
Comments ACL 2026 Findings camera-ready
多智能体安全中的开放挑战：迈向交互式AI智能体的安全系统
机构 * Oxford Witt Lab, University of Oxford（牛津Witt实验室，牛津大学） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Association for Computing Machinery (ACM)（计算机协会（ACM）） ； Independent（独立） ； MATS Research（MATS研究） ； CyLab Security & Privacy Institute, Carnegie Mellon University（CyLab安全与隐私研究所，卡内基梅隆大学） ； Qualcomm Inc.（高通公司） ； Oxford Martin AI Governance Initiative（牛津马丁人工智能治理倡议） ； Carnegie Mellon University（卡内基梅隆大学） ； MIT Media Lab（麻省理工媒体实验室） ； SAP SE（SAP德国分公司） ； OWASP GenAI Security Project - Agentic Security Initiative（OWASP生成式AI安全项目-代理安全倡议） ； Contramont Research（Contramont研究） ； The Alan Turing Institute（艾伦·图灵研究所） ； Department of Economics, New York University（纽约大学经济系） ； Zenity（Zenity公司） ； King’s College London（伦敦国王学院） ； Arizona State University（亚利桑那州立大学） ； Torr Vision Group, University of Oxford（托尔视觉组，牛津大学） ； Deep Cyber Ltd（Deep Cyber有限公司）
AI总结 本文探讨多智能体交互带来的安全挑战，提出多智能体安全新领域，旨在解决智能体间及与人类、机构的交互中出现的安全问题，分析安全与效用、安全与安全之间的权衡。
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