Massachusetts Institute of Technology（麻省理工学院）

NRGPT: An Energy-based Alternative for GPT

NRGPT：一种基于能量的GPT替代方案

Nima Dehmamy, Benjamin Hoover, Bishwajit Saha, Leo Kozachkov, Jean-Jacques Slotine, Dmitry Krotov

机构 * IBM Research（IBM研究院） ； Georgia Tech（佐治亚理工学院） ； Brown University（布朗大学） ； MIT（麻省理工学院） 纠错

AI总结 NRGPT通过最小化修改将GPT与能量基模型框架统一，其推理过程被视为在能量景观上探索，实验证明在特定条件下可转化为梯度下降，适用于简单语言、代数任务和更复杂的语言建模。

Comments Accepted to ICLR 2026 main conference

Game-Time: Evaluating Temporal Dynamics in Spoken Language Models

Game-Time：评估口语语言模型中的时间动态

Kai-Wei Chang, En-Pei Hu, Chun-Yi Kuan, Wenze Ren, Wei-Chih Chen, Guan-Ting Lin, Yu Tsao, Shao-Hua Sun, Hung-yi Lee, James Glass

机构 * Massachusetts Institute of Technology, USA（麻省理工学院） ； National Taiwan University（台湾国立台湾大学） ； Academia Sinica（台湾“ Academia Sinica”） ； NTU Artificial Intelligence Center of Research Excellence (NTU AI-CoRE)（国立清华大学人工智能研究中心卓越研究中心） 纠错

AI总结 本文提出Game-Time基准测试，用于评估口语语言模型在时间动态方面的能力，发现现有模型在时间约束下表现不佳，揭示了时间感知和全双工交互的不足。

Comments Accepted to ICASSP 2026

Model-Based Reinforcement Learning with Double Oracle Efficiency in Policy Optimization and Offline Estimation

基于双 oracle 效率的模型驱动强化学习：在策略优化和离线估计中的应用

Haichen Hu, Jian Qian, David Simchi-Levi

机构 * Laboratory for Information and Decision Systems（信息与决策系统实验室） ； Massachusetts Institute of Technology（麻省理工学院） ； The University of Hong Kong（香港大学） 纠错

AI总结 本文提出一种新的算法，通过 log-barrier 和 log-determinant 正则化，在离线 oracle 效率的 episodic RL 中实现最优 regret 绑定，且 oracle 复杂度与状态和动作空间大小无关，适用于大规模和连续环境。

Budget-Aware Routing for Long Clinical Text

面向预算的路由：长临床文本

Khizar Qureshi, Geoffrey Martin, Yifan Peng

机构 * MIT, Cambridge, MA（麻省理工学院，马萨诸塞州剑桥） ； Cornell University, Ithaca, NY（康奈尔大学，纽约州伊萨克中心） ； Weill Cornell Medicine, New York, NY（韦尔医学院，纽约市） 纠错

AI总结 本文研究了在预算限制下选择临床文本上下文的方法，提出RCD目标平衡相关性、覆盖性和多样性，并通过实验展示不同单位化策略和路由启发式方法的效果差异。

Lucid-XR: An Extended-Reality Data Engine for Robotic Manipulation

Lucid-XR：一种用于机器人操控的扩展现实数据引擎

Yajvan Ravan, Adam Rashid, Alan Yu, Kai McClennen, Gio Huh, Kevin Yang, Zhutian Yang, Qinxi Yu, Xiaolong Wang, Phillip Isola, Ge Yang

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； FortyFive Labs（FortyFive实验室） ； Caltech（加州理工学院） ； Harvard University（哈佛大学） ； UC San Diego（南加州大学） 纠错

AI总结 Lucid-XR通过XR头显直接运行的物理模拟环境生成多模态数据，实现零样本迁移至复杂环境，支持软材料、松散颗粒和刚体接触的精细操控任务。

Comments Project website: https://lucidxr.github.io

Vibe Coding in Product Teams: Reconfiguring AI-Assisted Workflows, Prototyping, and Collaboration

产品团队中的Vibe编码：重新配置AI辅助的工作流、原型设计与协作

Jie Li, Youyang Hou, Laura Lin, Ruihao Zhu, Hancheng Cao, Abdallah El Ali

机构 * Netherlands and MIT Media Lab（荷兰和MIT媒体实验室） ； Notion Labs（Notion实验室） ； Collov AI ； Cornell University（康奈尔大学） ； Goizueta Business School, Emory University（埃默里大学戈伊兹埃塔商学院） ； Centrum Wiskunde & Informatica, The Netherlands and Utrecht University, The Netherlands（荷兰代尔夫特理工大学和乌得勒支大学） 纠错

AI总结 本文研究Vibe编码如何重塑产品开发流程与协作，揭示其四阶段工作流及带来的效率与创造力提升，同时指出代码不可靠、集成困难等挑战。

Characterizing control between interacting subsystems with deep Jacobian estimation

通过深度雅可比估计表征相互作用子系统的控制特性

Adam J. Eisen, Mitchell Ostrow, Sarthak Chandra, Leo Kozachkov, Earl K. Miller, Ila R. Fiete

机构 * Brain and Cognitive Sciences MIT（麻省理工学院脑科学与认知科学系） ； IBM Thomas J. Watson Research Center（IBM沃森研究中心） ； International Centre for Theoretical Sciences（国际理论科学研究院） ； Brown University（布朗大学） 纠错

AI总结 本文提出一种基于深度学习的非线性控制理论框架，通过动态雅可比估计表征子系统交互，展示了在高维混沌系统中优于传统方法的性能，并通过多区域RNN模型验证了控制方向的动态变化及行为操控能力。

Comments 10 pages, 6 figures

Journal ref Advances in Neural Information Processing Systems 38 (NeurIPS 2025)

Statistical Impossibility and Possibility of Aligning LLMs with Human Preferences: From Condorcet Paradox to Nash Equilibrium

大语言模型与人类偏好的统计不可能性与可能性：从康德斯悖论到纳什均衡

Kaizhao Liu, Qi Long, Zhekun Shi, Weijie J. Su, Jiancong Xiao

机构 * Massachusetts Institute of Technology（麻省理工学院） ； University of Pennsylvania（宾夕法尼亚大学） ； Princeton University（普林斯顿大学） 纠错

AI总结 本文探讨了对齐大语言模型与人类偏好的统计限制，证明在一般概率偏好模型下，康德斯循环几乎必然存在，从而表明基于奖励的方法无法完全对齐偏好。同时，研究了非奖励方法下LLM采用混合策略的条件，证明在Luce模型下，少数群体偏好得以保留的统计可能性。

Comments Accepted for publication in the Annals of Statistics