高校专区
AnyFlow: 任意步视频扩散模型与在线策略流图蒸馏
机构 * NVIDIA ； Show Lab, National University of Singapore（新加坡国立大学Show实验室） ； MIT（麻省理工学院）
AI总结 AnyFlow通过优化完整ODE采样轨迹，解决一致性蒸馏在任意步视频生成中的性能退化问题，实现高效在线蒸馏以减少测试时误差。
Comments Project page at https://nvlabs.github.io/AnyFlow/
具有可预测扩展规律和推理证明益处的分层语言模型
机构 * Duke University（杜克大学） ； University of Chicago（芝加哥大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Princeton University（普林斯顿大学）
AI总结 本文提出了一种合成语言家族，通过树上的广播过程生成，分析上下文长度和推理在自回归生成中的作用。通过精确k-gram假设，证明了在特定条件下，上下文深度与序列生成的方差和峰度关系，展示了推理模型在有限内存下能精确生成真实语言。
FlowCompile: 一种用于结构化大语言模型工作流的优化编译器
机构 * UMass Amherst（马萨诸塞大学阿姆赫斯特分校） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室）
AI总结 本文提出FlowCompile，一种优化结构化大语言模型工作流的编译器，通过编译时设计空间探索生成高质量可重用配置集，实现准确率与延迟的平衡，实验表明其在多种工作流和基准测试中表现优异，速度提升达6.4倍。
TiCo：时间可控的语音对话模型
机构 * MIT（麻省理工学院） ； NTU（国立台湾大学） ； NTU AI-CoRE（国立台湾大学AI-CoRE）
AI总结 TiCo是一种能遵循时间约束指令生成可控时长语音响应的对话模型，通过引入时间标记器提升对时间的感知能力，有效减少响应时长误差。
Zatom-1：迈向3D分子和材料的多模态基础模型
机构 * LBNL（劳伦斯伯克利国家实验室） ； ICSI（国际计算机科学研究所） ； University of Cambridge（剑桥大学） ； Yale University（耶鲁大学） ； MIT（麻省理工学院） ； UC Berkeley（加州大学伯克利分校）
AI总结 Zatom-1是一种跨领域、通用的模型架构，统一了3D分子和材料的生成与预测学习，通过多模态流匹配目标实现高效的预训练和稳定采样，提升了生成推理速度和跨领域预测性能。
Comments 38 pages, 10 figures, 15 tables. ICLR 2026 FM4Science. Code, data, and model weights are available at https://github.com/Zatom-AI/zatom
高速率量化矩阵乘法 I
机构 * Hebrew University of Jerusalem（海法大学） ； MIT（麻省理工学院） ； MIT-IBM Watson AI Lab（麻省理工-IBM Watson AI实验室）
AI总结 本文研究了量化矩阵乘法问题，探讨了量化速率与失真之间的信息论权衡，并对比了主流量化方案的性能。
BEAVER：一个企业文本到SQL基准测试
机构 * MIT（麻省理工学院） ； Harvard University（哈佛大学） ； Greenshoe, Inc.（Greenshoe公司）
AI总结 BEAVER是首个基于企业私有数据仓库构建的文本到SQL基准测试，包含9128个问题-SQL对和19个领域的812张表，通过合成高质量查询和细粒度评估方法，揭示了现有模型在复杂企业场景下的性能差距。
Comments Dataset and code are available at https://beaverbench.github.io/
离线双玩家零和马尔可夫游戏中的KL正则化
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； California Institute of Technology（加州理工学院） ； University of Virginia（弗吉尼亚大学） ； Purdue University（Purdue 大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文研究了离线双玩家零和马尔可夫游戏中纳什均衡的学习问题，提出ROSE框架和SOS-MD算法，通过KL正则化实现快速收敛。
IV-ICL：通过上下文学习界定制因变量效应
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； University College London（伦敦大学学院）
AI总结 本文提出IV-ICL方法，通过上下文学习直接学习因果效应的边际后验分布，并推导出界定制因变量效应的上下限，相比传统方法更高效且更可靠。
目的 justify 平均：一种线性排名规则用于比例序列决策
机构 * MIT, USA（美国麻省理工学院） ； Hasso Plattner Institute, University of Potsdam, Germany（德国波茨坦大学哈索·普拉特纳研究院）
AI总结 本文研究了如何通过线性排名规则在多次决策中实现比例性，提出角平均作为满足长期比例性的简单规则，并展示了其在高分歧情况下的优势。
视觉审美基准：前沿模型能评判美吗？
机构 * Bake AI ； University of Washington（华盛顿大学） ； University of California, Santa Barbara（加州大学圣巴巴拉分校） ； Stanford University（斯坦福大学） ； University of Notre Dame（诺丁汉大学） ； Carnegie Mellon University（卡内基梅隆大学） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室） ； Western Washington University（西雅图华盛顿大学） ； King Abdulaziz City for Science and Technology（国王阿卜杜勒阿齐兹科技城）
AI总结 本文提出视觉审美基准（VAB），通过比较选择评估审美，发现前沿模型在判断最佳和最差图像时表现逊于人类专家，表明需进一步改进。
Comments Project page: https://vab.bakelab.ai. Code: https://github.com/BakeLab/Visual-Aesthetic-Benchmark. Dataset: https://huggingface.co/datasets/BakeLab/Visual-Aesthetic-Benchmark
指令塑造语言的生成，而非处理
机构 * Department of Linguistics, University of Tübingen（图宾根大学语言学系） ； IBM Research, MIT, and MIT-IBM Watson AI Lab（IBM研究院、麻省理工学院和麻省理工-IBM沃森人工智能实验室） ； Interdisciplinary Transformation University of Austria（奥地利跨学科转型大学） ； IBM Research（IBM研究院）
AI总结 研究揭示指令通过影响语言模型生成阶段的信息 asymmetry，而非处理阶段，通过五种二元判断任务层析任务特定信息，发现输出 tokens 的信息变化与行为强相关，而输入 tokens 的信息变化弱相关。
基于循环分析的章鱼启发式脉冲喷射机器人：高体积排放与减阻滑翔
机构 * Department of Mechanical Engineering, College of Design and Engineering, National University of Singapore（机械工程系，设计与工程学院，新加坡国立大学） ； Advanced Robotics Centre, National University of Singapore（先进机器人中心，新加坡国立大学） ； Singapore-MIT Alliance for Research and Technology Centre（新加坡-麻省理工联合研究技术中心）
AI总结 本文提出一种受章鱼启发的脉冲喷射机器人，通过刚柔混合折纸外壳实现大体积主动驱动变形，实验显示其在第一喷射周期内达到0.5m/s峰值速度，展示了高排放比收缩、减阻滑翔和被动进气阀对推进性能的影响。
Comments Updated author list; no changes to the scientific content
通过图神经网络学习近似统一设施选址
机构 * RWTH Aachen University, Germany（亚琛工业大学，德国） ； Technical University of Munich, Germany（慕尼黑技术大学，德国） ； Massachusetts Institute of Technology, USA（麻省理工学院，美国） ； University of Cologne, Germany（科隆大学，德国）
AI总结 本文提出一种可微的图神经网络，结合近似算法原理，在无需求解器监督或离散松弛的情况下，提供可证明的近似保证，并在实践中优于传统近似算法，缩小与整数线性规划的差距。
Comments ICML 2026
带有不确定性量化和指导的流匹配
机构 * MIT（麻省理工学院）
AI总结 本文提出UA-Flow，通过预测速度场和异方差不确定性提升流匹配生成质量，实验表明其不确定性信号更符合样本保真度，且不确定性指导进一步提升生成质量。
实用好奇心：通过主动推断实现混合学习与优化的统一框架
机构 * Department of Aeronautics and Astronautics（航空与航天系） ； Massachusetts Institute of Technology（麻省理工学院） ； School of Industrial and Systems Engineering（工业与系统工程系） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出Pragmatic Curiosity框架，通过主动推断统一处理混合学习与优化问题，减少决策风险，提升关键结果区域覆盖率，并联合学习预测与偏好结构。
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