Massachusetts Institute of Technology（麻省理工学院）

MURPHY: Feedback-Aware GRPO with Retrospective Credit Assignment for Multi-Turn Code Generation

MURPHY：具有回顾性信用分配的反馈感知GRPO用于多轮代码生成

Chanakya Ekbote, Vijay Lingam, Sujay Sanghavi, Jun Huan, Behrooz Omidvar-Tehrani, Anoop Deoras, Stefano Soatto

机构 * Massachusetts Institute of Technology（麻省理工学院） ； AWS AI（AWS人工智能） 纠错

AI总结 MURPHY通过构建反馈条件化的rollout树，实现多轮自修正代码生成，采用最大奖励和平均奖励策略，并引入post-rollout剪枝机制，提升多轮优化效率。

Comments 21 pages, 2 figures, 8 Tables

PAINET: A Principled Efficient Transformer for 3D Dynamics Modeling

PAINET：一种基于原理的高效变压器用于3D动态建模

Kai Yang, Yuqi Huang, Junheng Tao, Wanyu Wang, Qitian Wu

机构 * Department of Computer Science and Engineering, Shanghai Jiao Tong University（上海交通大学计算机科学与工程系） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院） ； SJTU Paris Elite Institute of Technology, Shanghai Jiao Tong University（上海交通大学巴黎精英理工学院） ； Department of Physics, Harvard University（哈佛大学物理系） ； Harvard-MIT Center for Ultracold Atoms（哈佛-麻省理工冷原子中心） ； Eric and Wendy Schmidt Center, Broad Institute of MIT and Harvard（MIT和哈佛大学Broad研究所埃里克和wendy Schmidt中心） 纠错

AI总结 本文提出PAINET，一种基于SE(3)等价性的变压器，用于学习多体系统的所有对相互作用，通过物理启发的注意力网络和并行解码器，在多个真实世界基准上实现了3D动态预测的误差降低。

Comments 24 pages, published as a conference paper at ICLR 2026

Quantitative Clustering in Mean-Field Transformer Models

均场变换器模型中的定量聚类

Shi Chen, Zhengjiang Lin, Yury Polyanskiy, Philippe Rigollet

机构 * Department of Mathematics, Massachusetts Institute of Technology（数学系，麻省理工学院） ； Department of Electrical Engineering and Computer Science, Massachusetts Institute of Technology（电气工程与计算机科学系，麻省理工学院） 纠错

AI总结 研究均场变换器模型的长期聚类行为，证明在合适参数下，均场初始化能以指数速度同步到Dirac点质量，提供明确的收敛速率。

Comments 50 pages, 4 figures; We have updated the introduction and added sketches of the proofs of the main theorems

Post-detection inference for sequential changepoint localization

检测后的推断用于序列变化点定位

Aytijhya Saha, Aaditya Ramdas

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出了一种通用框架，用于在序列变化点检测后构建置信集，不依赖特定假设，理论上有保证，且在实践中应用广泛。

AdamFLIP: Adaptive Momentum Feedback Linearization Optimization for Hard Constrained PINN Training

AdamFLIP: 适应性动量反馈线性化优化用于硬约束PINN训练

Binghang Lu, Runyu Zhang, Changhong Mou, Na Li, Guang Lin

机构 * Purdue University（普渡大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Utah State University（犹他州立大学） ； Harvard University（哈佛大学） 纠错

AI总结 本文提出AdamFLIP方法，将PINN训练转化为等式约束优化问题，通过反馈线性化技术提升约束满足能力，实验表明其在PDE问题中优于传统软约束PINN和现有约束优化器。

BenchHAR: Benchmarking Self-Supervised Learning for Generalizable Sensor-based Activity Recognition

BenchHAR: 用于通用传感器活动识别的自监督学习基准测试

Yize Cai, Rui Feng, Anlan Yu, Baoshen Guo, Zhiqing Hong

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； Peking University（北京大学） ； Singapore-MIT Alliance for Research and Technology（新加坡-麻省理工联合研究技术联盟） 纠错

AI总结 BenchHAR针对传感器活动识别中数据异质性和标注数据稀缺问题，系统比较了自监督学习方法的泛化性能，发现混合范式和CNN编码器在性能上表现最佳，且增加预训练数据量能提升泛化能力。

Comments 25 pages