Massachusetts Institute of Technology（麻省理工学院）

Probing Non-Equilibrium Grain Boundary Dynamics with XPCS and Domain-Adaptive Machine Learning

利用XPCS和域自适应机器学习探测非平衡晶界动力学

Mouyang Cheng, Bowen Yu, Chu-Liang Fu, Nina Andrejevic, Matthias T. Agne, Riley Hanus, Qiwei Wan, Nathan C. Drucker, Thanh Nguyen, Andrei Fluerasu, Lutz Wiegart, Xiaoqian M Chen, Daniel Pajerowski, Yongqiang Cheng, Joshua J Turner, G. Jeffrey Snyder, Mingda Li

机构 * Quantum Measurement Group, MIT（麻省理工学院量子测量组） ； Center for Computational Science and Engineering, MIT（麻省理工学院计算科学与工程中心） ； Department of Materials Science and Engineering, MIT（麻省理工学院材料科学与工程系） ； Department of Physics, MIT（麻省理工学院物理系） ； Department of Nuclear Science and Engineering, MIT（麻省理工学院核科学与工程系） ； Center for Nanoscale Materials, Argonne National Laboratory（阿贡国家实验室纳米尺度材料中心） ； Materials Science Institute, University of Oregon（俄勒冈大学材料科学研究所） ； Department of Materials Science and Engineering, Northwestern University（西北大学材料科学与工程系） ； Department of Applied Physics, School of Engineering and Applied Sciences, Harvard University（哈佛大学工程与应用科学学院应用物理系） ； National Synchrotron Light Source II, Brookhaven National Laboratory（布鲁赫斯国家实验室同步辐射光源II） 纠错

AI总结 通过XPCS与域自适应机器学习研究晶界动力学，揭示非平衡条件下晶界弛豫的非平衡特性，并提取关键动力学参数。

Comments 14 pages, 4 figures

Rethinking Positional Encoding for Neural Vehicle Routing

重新思考神经车辆路径问题中的位置编码

Chuanbo Hua, Federico Berto, Andre Hottung, Nayeli Gast Zepeda, Yining Ma, Zihan Ma, Paula Wong-Chung, Changhyun Kwon, Cathy Wu, Kevin Tierney, Jinkyoo Park

机构 * KAIST（韩国科学技术院） ； Radical Numerics ； Bielefeld University（比勒菲尔德大学） ； University of Vienna（维也纳大学） ； MIT（麻省理工学院） ； University of British Columbia（不列颠哥伦比亚大学） 纠错

AI总结 本文针对车辆路径问题中位置编码的不足，提出一种层次化各向异性位置编码，结合几何基础原理，通过分析多种PE方法，证明几何引导的PE在不同问题变体和模型架构中均表现更优。

Incentivizing Truthfulness and Collaborative Fairness in Bayesian Learning

在贝叶斯学习中激励诚实与协作公平性

Rachael Hwee Ling Sim, Jue Fan, Xiao Tian, Xinyi Xu, Patrick Jaillet, Bryan Kian Hsiang Low

机构 * Department of Computer Science, National University of Singapore, Singapore（新加坡国立大学计算机科学系） ； Research (A STAR), Singapore（新加坡A*STAR研究） ； Department of Electrical Engineering（电气工程系） ； Computer Science, Massachusetts Institute of Technology, USA（美国麻省理工学院计算机科学系） 纠错

AI总结 本文提出首个确保协作公平与激励诚实的机制，结合公平性保障的半值和基于验证集的诚实数据估值函数，通过理论分析和实验证实其有效性。

Comments Accepted to the 43rd International Conference on Machine Learning (ICML-26) as a Spotlight paper

Distributional Process Reward Models: Calibrated Prediction of Future Rewards via Conditional Optimal Transport

分布过程奖励模型：通过条件最优传输实现未来奖励的校准预测

Rachel Ma, Dylan Hadfield-Menell, Kristjan Greenewald

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； MIT（麻省理工学院） ； IBM Research（IBM研究院） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室） 纠错

AI总结 本文提出利用条件最优传输校准过程奖励模型，通过估计成功概率的单调条件分位数函数，提升模型校准和不确定性估计能力。

Coevolutionary Continuous Discrete Diffusion: Make Your Diffusion Language Model a Latent Reasoner

连续离散扩散：使你的扩散语言模型成为潜在推理器

Cai Zhou, Chenxiao Yang, Yi Hu, Chenyu Wang, Chubin Zhang, Muhan Zhang, Lester Mackey, Tommi Jaakkola, Stephen Bates, Dinghuai Zhang

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Microsoft Research（微软研究院） ； Toyota Technological Institute at Chicago（丰田技术研究所（芝加哥）） ； Peking University（北京大学） ； Tsinghua University（清华大学） 纠错

AI总结 本文提出CCDD模型，结合连续和离散空间，提升扩散语言模型的表达能力和训练效果，通过联合多模态扩散过程实现高质量的生成与推理。

Comments 29 pages. Accepted to ICML 2026

Social Human Robot Embodied Conversation (SHREC) Dataset: Benchmarking Foundational Models' Social Reasoning

社交人机具身对话（SHREC）数据集：评估基础模型的社会推理能力

Dong Won Lee, Yubin Kim, Denison Guvenoz, Sooyeon Jeong, Parker Malachowsky, Louis-Philippe Morency, Cynthia Breazeal, Hae Won Park

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

AI总结 本文提出SHREC数据集，包含400个真实人机交互视频和10000多个标注，用于评估基础模型在社会推理中的能力，揭示社会机器人在情绪理解、意图跟踪等方面的社会挑战。

Comments 23 pages, 11 figures

Digital Identity for Agentic Systems: Toward a Portable Authorization Standard for Autonomous Agents

面向代理系统的数字身份：为自主代理建立可携带的授权标准

Partha Madhira

机构 * MIT（麻省理工学院） 纠错

AI总结 本文针对自主代理在跨组织边界扩展时身份不足的问题，提出基于发行者授权负载、类型约束代数等的可携带授权模型，旨在实现授权的明确性、约束性与可审计性。

Comments 46 pages, 10 figures

Human-AI Productivity Paradoxes: Modeling the Interplay of Skill, Effort, and AI Assistance

人机生产力悖论：技能、努力与AI辅助的交互建模

Ali Aouad, Thodoris Lykouris, Huiying Zhong

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

AI总结 本文通过建模技能、努力与AI辅助的交互，探讨AI对生产力的影响机制，发现技能发展内生性或AI不可靠性可能引发生产力悖论，并揭示技能极化现象的形成机制。

Neural Statistical Functions

神经统计函数

Daniel Xu, Yuxin Xie, Minghao Guo, Haixu Wu, Wojciech Matusik

机构 * Columbia University（哥伦比亚大学） ； 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 本文提出神经统计函数，通过预训练单样本预测器和散落数据样本学习，实现连续操作条件范围内的统计推断，显著降低模型评估次数。

When to Ask a Question: Understanding Communication Strategies in Generative AI Tools

何时提问：理解生成式AI工具中的沟通策略

Charlotte Park, Kate Donahue, Manish Raghavan

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

AI总结 研究探讨生成式AI工具中用户与模型交互时信息获取与推断的平衡，提出兼顾用户负担与偏好表示的优化目标，分析如何通过信息采集减少系统性偏见，提升多样性与效率。

Internalizing Curriculum Judgment for LLM Reinforcement Fine-Tuning

将课程判断内部化以优化大语言模型强化微调

Han Zheng, Yining Ma, Karthick Gunasekaran, Bharathan Balaji, Zheng Du, Shiv Vitaladevuni, Cathy Wu

机构 * MIT（麻省理工学院） ； Amazon AGI（亚马逊人工智能实验室） 纠错

AI总结 本文提出METIS框架，通过内部化课程判断提升LLM强化微调效率与性能，利用训练结果动态分配训练资源，实现闭环优化。

ADMM-Q: An Improved Hessian-based Weight Quantizer for Post-Training Quantization of Large Language Models

ADMM-Q: 一种改进的基于Hessian的权重量化器用于大语言模型的后训练量化

Ryan Lucas, Mehdi Makni, Xiang Meng, Adam Deng, Rahul Mazumder

机构 * MIT Operations Research Center（麻省理工学院运筹学中心） ； MIT Sloan School of Management（麻省理工学院斯隆管理学院） ； MIT Center for Statistics（麻省理工学院统计中心） 纠错

AI总结 ADMM-Q是一种新的权重量化算法，通过交替方向乘子法的组合变体，优化层间重建误差并逐步施加量化约束，提升大语言模型的压缩性能。

Acceleration of horizontal numerical advection for atmospheric modeling through surrogate modeling with temporal coarse-graining

通过时间粗化与代理建模加速大气模型中的水平数值输运

Manho Park, Christopher V. Rackauckas, Christopher W. Tessum

机构 * The Grainger College of Engineering, Department of Civil and Environmental Engineering, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校格拉inger工程学院，土木与环境工程系） ； Computer Science and Artificial Intelligence Laboratory, Massachusetts Institute of Technology, Cambridge, MA, USA（麻省理工学院计算机科学与人工智能实验室，剑桥马萨诸塞州，美国） 纠错

AI总结 本文提出一种基于代理建模与时间粗化的输运求解器，通过扩大积分步长提升计算效率，同时保持空间分辨率，验证了其在不同季节和垂直高度下的泛化能力。

One Operator for Many Densities: Amortized Approximation of Conditioning by Neural Operators

一个算子用于多种密度：通过神经算子实现条件化的消融近似

Panos Tsimpos, Edoardo Calvello, Ayoub Belhadji, Nicholas H. Nelsen

机构 * Operations Research Center（运筹学研究中心） ； Massachusetts Institute of Technology（麻省理工学院） ； Department of Computing and Mathematical Sciences（计算与数学科学系） ； California Institute of Technology（加州理工学院） ； Laboratory for Information and Decision Systems（信息与决策系统实验室） ； Center for Computational Science and Engineering（计算科学与工程中心） ； Department of Mathematics（数学系） ； Cornell University（康奈尔大学） ； Oden Institute for Computational Engineering and Sciences（计算工程与科学学院） 纠错

AI总结 本文提出通过神经算子近似条件化算子，解决概率条件化问题，展示了其在高斯混合模型中的应用，为概率条件化提供了理论基础。

Comments 27 pages (10 main text, 14 appendix, and 3 references pages), 2 figures, 2 tables

Continuous First, Discrete Later: VQ-VAEs Without Dimensional Collapse

先连续后离散：无需维度坍缩的VQ-VAE

Xinyu Zhao, Nikita Karagodin, Hamed Hassani, Sinan Hersek, Paul Pu Liang, Yury Polyanskiy

机构 * MIT（麻省理工学院） ； University of Pennsylvania（宾夕法尼亚大学） ； Google（谷歌） 纠错

AI总结 本文探讨了VQ-VAE中维度坍缩问题，提出通过预训练无量化自编码器缓解该问题，提升表示维度和重建质量。

Integrating the Expected Future in Load Forecasts with Contextually Enhanced Transformer Models

将预期未来整合到负载预测中：基于上下文增强的Transformer模型

Raffael Theiler, Leandro Von Krannichfeldt, Giovanni Sansavini, Michael F. Howland, Olga Fink

机构 * Intelligent Maintenance and Operations Systems (IMOS)（智能维护与运营系统） ； École Polytechnique Fédérale de Lausanne (EPFL)（瑞士联邦理工学院洛桑分校） ； Department of Mechanical and Process Engineering（机械与过程工程系） ； Eidgenössische Technische Hochschule (ETH)（瑞士联邦理工学院（ETH）） ； Department of Civil and Environmental Engineering（土木与环境工程系） ； Massachusetts Institute of Technology (MIT)（麻省理工学院） 纠错

AI总结 本文提出一种结合预测与回归的任务，通过上下文增强的Transformer模型提升能源预测准确性，通过铁路和建筑能耗案例验证了方法的有效性，显著降低预测误差。

Comments 39 pages, 8 figures and tables, journal paper

Towards Shutdownable Agents via Stochastic Choice

通过随机选择实现可关闭代理

Elliott Thornley, Alexander Roman, Christos Ziakas, Leyton Ho, Louis Thomson

机构 * Massachusetts Institute of Technology（麻省理工学院） ； New College of Florida（佛罗里达新学院） ； Imperial College London（伦敦帝国理工学院） ； Brown University（布朗大学） ； Independent（独立） 纠错

AI总结 本文提出评估指标用于评估代理的有用性和中立性，通过DReST奖励函数训练代理在网格世界中导航，证明其能有效且中立地完成任务，为高级代理的可关闭性提供初步证据。

Journal ref Technical AI Safety (TAIS) Conference 2025