Massachusetts Institute of Technology（麻省理工学院）

Universal Magnetic Structure Prediction from Atomic Coordinates with Near-Experimental Accuracy

从原子坐标预测通用磁结构并实现接近实验精度

Abhijatmedhi Chotrattanapituk, Ryotaro Okabe, Eunbi Rha, Mariya Al-Hinai, Eugene Jiang, Daniel Pajerowski, Yongqiang Cheng, Joshua J. Turner, Mingda Li

机构 * Quantum Measurement Group, MIT, Cambridge, MA 02139, USA（麻省理工学院量子测量组） ； Department of Electrical Engineering and Computer Science, MIT, Cambridge, MA 02139, USA（麻省理工学院电气工程与计算机科学系） ； Department of Chemistry, MIT, Cambridge, MA 02139, USA（麻省理工学院化学系） ； Department of Nuclear Science and Engineering, MIT, Cambridge, MA 02139, USA（麻省理工学院核科学与工程系） ； Department of Physics, MIT, Cambridge, MA 02139, USA（麻省理工学院物理系） ； Neutron Scattering Division, Oak Ridge National Laboratory, Oak Ridge, TN 37831, USA（橡树岭国家实验室中子散射组） ； SLAC National Accelerator Laboratory, Menlo Park, CA 94025, USA（斯坦福直线加速器实验室） 纠错

AI总结 本文提出磁结构网络（MSN），通过原子晶体结构直接预测磁结构，利用原始调制结构表示（PMSR）统一编码调制结构，实现高精度磁结构预测，为磁性材料发现提供新方法。

Comments 9 pages, 3 figures

Looped SSMs: Depth-Recurrence and Input Reshaping for Time Series Classification

循环SSM：用于时间序列分类的深度递归与输入重塑

Mónika Farsang, Ramin Hasani, Daniela Rus, Radu Grosu

机构 * TU Wien（维也纳技术大学） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Liquid AI 纠错

AI总结 本文探讨了循环SSM在时间序列分类中的应用，展示了深度递归和输入重塑对模型性能的提升作用，通过实验验证了这两种方法的有效性。

SemanticOpt: Towards LLM-Based Semantic Black-Box Optimization

SemanticOpt: 向基于LLM的语义黑盒优化迈进

Jamison Meindl, Yunsheng Tian, Tony Cui, Veronika Thost, Zhang-Wei Hong, Jie Chen, Wojciech Matusik, Mina Konaković Luković

机构 * MIT（麻省理工学院） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室） 纠错

AI总结 SemanticOpt利用LLM处理语义信息，通过微调结构化贝叶斯优化轨迹与自然语言上下文，提升黑盒优化性能，在多个实际问题中优于传统方法和现有LLM方法。

Reweighting free energy profiles between universal machine learning interatomic potentials for fast consensus building

在通用机器学习原子势能函数之间重新加权自由能轮廓以实现快速共识构建

Sauradeep Majumdar, Miguel Steiner, Johannes C. B. Dietschreit, Swagata Roy, Daniel Willimetz, Lukaš Grajciar, Rafael Gómez-Bombarelli

机构 * Department of Material Science and Engineering, Massachusetts Institute of Technology（材料科学与工程系，麻省理工学院） ； Institute of Theoretical Chemistry, University of Vienna（理论化学研究所，维也纳大学） ； Department of Physical and Macromolecular Chemistry, Charles University（物理与大分子化学系，查尔斯大学） 纠错

AI总结 本文提出一种系统且可扩展的框架，通过重新加权潜在平均力，实现不同机器学习势能函数之间的自由能轮廓匹配，从而在低计算成本下获得高精度的热力学性质。

Comments 19 pages, 4 figures, 1 table, SI appended

CTF4Nuclear: Common Task Framework for Nuclear Fission and Fusion Models

CTF4Nuclear: 用于核裂变和核聚变模型的通用任务框架

Stefano Riva, Carolina Introini, Antonio Cammi, Dean Price, Alexey Yermakov, Yue Zhao, Philippe M. Wyder, Judah Goldfeder, Jan Williams, Amy Sara Rude, Matteo Tomasetto, Joe Germany, Joseph Bakarji, Georg Maierhofer, Miles Cranmer, J. Nathan Kutz

机构 * Autodesk Research（Autodesk研究院） ； Department of Energy, Nuclear Engineering Division, Politecnico di Milano（能源部，核工程系，米兰理工学院） ； Nuclear Science and Engineering, Massachusetts Institute of Technology（核科学与工程，麻省理工学院） ； Department of Applied Mathematics, University of Washington（应用数学系，华盛顿大学） ； Department of Electrical and Computer Engineering, University of Washington（电气与计算机工程系，华盛顿大学） ； High Performance Machine Learning, SURF（高性能机器学习，SURF） ； Distyl AI ； Department of Computer Science, Columbia University（计算机科学系，哥伦比亚大学） ； Department of Mechanical Engineering, University of Washington（机械工程系，华盛顿大学） ； Department of Mechanical Engineering, Politecnico di Milano（机械工程系，米兰理工学院） ； Department of Mathematics, American University in Beirut（数学系，贝鲁特美国大学） ； Department of Mechanical Engineering, American University in Beirut（机械工程系，贝鲁特美国大学） ； Department of Applied Mathematics and Theoretical Physics, University of Cambridge（应用数学与理论物理系，剑桥大学） 纠错

AI总结 本文提出CTF4Nuclear框架，用于核工程中机器学习方法的标准化评估，通过12个指标和稀疏测量系统监控，提升核工业科学ML的严谨性和可重复性。

KaRMA: A Kinematic Metric for Fine Manipulation Ability in Robotic Hands

KaRMA：一种用于机器人手精细操作能力的运动学指标

Martin Peticco, Pulkit Agrawal

机构 * Improbable AI Lab, Massachusetts Institute of Technology（Improbable AI实验室，麻省理工学院） 纠错

AI总结 KaRMA是一种基于运动学的指标，用于衡量机器人手在保持接触的情况下连续改变物体姿态的能力，通过球形测试物体的可达平移和重新定向来评估。

DrugSAGE:Self-evolving Agent Experience for Efficient State-of-the-Art Drug Discovery

DrugSAGE: 自演化代理经验用于高效前沿药物发现

Yikun Zhang, Xiwei Cheng, Tianyu Liu, Yuanqi Du, Wengong Jin

机构 * Northeastern University（东北大学） ； Broad Institute of MIT and Harvard（MIT和哈佛大学Broad研究所） ； Yale University（耶鲁大学） ； Microsoft Research New England（微软研究院新英格兰分部） 纠错

AI总结 DrugSAGE通过自演化代理经验框架，高效构建前沿药物发现模型，跨任务记忆提升模型性能，实现零次搜索下的显著优势。

Greedy or not, here I come: Language production under vocabulary constraints in humans and resource-rational models

贪心还是不贪心，这里我来：在词汇限制下的人类语言生成与资源理性模型

Thomas Hikaru Clark, Sihan Chen, Laura Nicolae

机构 * Department of Brain and Cognitive Sciences, MIT（麻省理工学院脑科学与认知科学系） ； Department of Economics, Harvard University（哈佛大学经济系） 纠错

AI总结 研究人类在词汇限制下如何生成语言，发现人类更倾向于贪心采样，但更熟练者会回溯修正，非贪心行为。

Belief Engine: Configurable and Inspectable Stance Dynamics in Multi-Agent LLM Deliberation

信念引擎：多智能体大语言模型协商中的可配置和可检查立场动态

Joshua C. Yang, Maurice Flechtner, Damian Dailisan, Michiel A. Bakker

机构 * ETH Zurich（苏黎世联邦理工学院） ； Centre for Democracy Studies Aarau, University of Zurich（苏黎世大学民主研究中心） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本文提出Belief Engine，通过可配置的信念更新机制，研究多智能体协商中的立场动态，揭示立场变化背后的证据吸收与锚定因素。

Muon-OGD: Muon-based Spectral Orthogonal Gradient Projection for LLM Continual Learning

Muon-OGD: 基于muon的谱范数正交梯度投影用于大语言模型持续学习

Binghang Lu, Zheyuan Deng, Runyu Zhang, Bing Hu, Yunhan Zhao, Yuan Tian, Changhong Mou, Guang Lin, Xiaomin Li

机构 * Purdue University（普渡大学） ； Brown University（布朗大学） ； Massachusetts Institute of Technology（麻省理工学院） ； University of California, Irvine（加州大学 Irvine 分校） ； Utah State University（犹他州立大学） ； Harvard University（哈佛大学） 纠错

AI总结 本文提出Muon-OGD框架，通过谱范数约束优化和正交投影约束，改进LLM持续学习的稳定性-可塑性平衡，实验证明其在持续学习基准上优于传统方法。

High-accuracy log-concave sampling with stochastic queries

高精度对数凹采样与随机查询

Fan Chen, Sinho Chewi, Constantinos Daskalakis, Alexander Rakhlin

机构 * MIT（麻省理工学院） ； Yale University（耶鲁大学） 纠错

AI总结 本文提出利用具有亚指数尾部的随机梯度实现高精度对数凹采样，展示其在迭代和查询复杂度上与凸优化问题的分离，并提供信息论论证证明轻尾随机梯度对高精度的必要性。

DR Tulu: Reinforcement Learning with Evolving Rubrics for Deep Research

DR Tulu：基于演进标准的深度研究强化学习

Rulin Shao, Akari Asai, Shannon Zejiang Shen, Hamish Ivison, Varsha Kishore, Jingming Zhuo, Xinran Zhao, Molly Park, Samuel G. Finlayson, David Sontag, Tyler Murray, Sewon Min, Pradeep Dasigi, Luca Soldaini, Faeze Brahman, Wen-tau Yih, Tongshuang Wu, Luke Zettlemoyer, Yoon Kim, Hannaneh Hajishirzi, Pang Wei Koh

机构 * University of Washington（华盛顿大学） ； Allen Institute for AI（人工智能研究院） ； Carnegie Mellon University（卡内基梅隆大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Seattle Children's Hospital（西雅图儿童医院） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出RLER方法，通过演进标准与策略模型共进化，开发出首个开源深度研究模型DR Tulu，其在多个长文深度研究基准上表现优异，且成本显著低于现有模型。

Comments ICML 2026

Beyond Binary Rewards: Training LMs to Reason About Their Uncertainty

超越二元奖励：训练语言模型以对其不确定性进行推理

Mehul Damani, Isha Puri, Stewart Slocum, Idan Shenfeld, Leshem Choshen, Yoon Kim, Jacob Andreas

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

AI总结 本文提出RLCR方法，通过联合提升准确性和校准置信度，改进语言模型的推理能力，实验显示其在不同数据集上提升校准效果而不影响准确性。

A projection-based framework for gradient-free and parallel learning

基于投影的无梯度和并行学习框架

Andreas Bergmeister, Manish Krishan Lal, Stefanie Jegelka, Suvrit Sra

机构 * TU Munich（慕尼黑工业大学） ； MCML（麦肯锡实验室） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； MIT LIDS（麻省理工学院计算机科学与人工智能实验室） 纠错

AI总结 本文提出了一种基于投影的无梯度学习框架，通过将神经网络训练转化为大规模可行性问题，利用并行化投影操作提升训练效率，展示了PJAX框架在多种网络结构上的应用效果。

ActiveDPO: Active Direct Preference Optimization for Sample-Efficient Alignment

ActiveDPO: 用于高效对齐的主动直接偏好优化

Xiaoqiang Lin, Arun Verma, Zhongxiang Dai, Daniela Rus, See-Kiong Ng, Bryan Kian Hsiang Low

机构 * Department of Computer Science, National University of Singapore（新加坡国立大学计算机科学系） ； Singapore-MIT Alliance for Research and Technology Centre（新加坡-麻省理工联盟研究技术中心） ； The Chinese University of Hong Kong, Shenzhen, China（香港中文大学（深圳）） ； CSAIL, Massachusetts Institute of Technology（麻省理工学院计算机科学与人工智能实验室） ； Institute of Data Science, National University of Singapore（新加坡国立大学数据科学研究院） 纠错

AI总结 ActiveDPO通过理论支撑的非线性奖励函数选择方法，利用LLM自身参数化奖励模型，提升对齐效率和数据收集效果。

Comments Accepted at ICLR 2026