Learning Orthonormal Bases for Function Spaces
在函数空间中学习正交基
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
AI总结 本文提出通过神经网络学习和优化函数空间中的正交基，利用李群的流形性质，证明即使使用有限秩生成器，也能在适当算子拓扑下实现正交基的稠密性。
高校专区
Massachusetts Institute of Technology（麻省理工学院）
PEEK: Context Map as an Orientation Cache for Long-Context LLM Agents
PEEK：上下文地图作为长上下文LLM代理的导向缓存
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Stanford University（斯坦福大学）
AI总结 本文提出PEEK系统，通过上下文地图缓存和维护导向知识，提升长上下文LLM代理在重复外部上下文中的交互准确性和效率，相比基线方法在推理和上下文学习任务中均取得显著提升。
Rapid patient-specific neural networks for intraoperative X-ray to volume registration
快速的患者特异性神经网络用于术中X射线到体积的配准
机构 * Harvard-MIT Health Sciences and Technology, Massachusetts Institute of Technology（哈佛-麻省理工健康科学与技术, 麻省理工学院） ； Computer Science and Artificial Intelligence Laboratory, Massachusetts Institute of Technology（计算机科学与人工智能实验室, 麻省理工学院） ； Department of Radiology, Harvard Medical School（哈佛医学院放射科） ； Saint Luke’s Marion Bloch Neuroscience Institute（圣路易斯马里恩布洛克神经科学研究所） ； Department of Critical Care Medicine, Shriners Children’s Hospital（谢尔曼儿童医院重症医学科） ； Department of Interventional Neuroradiology, Boston Children’s Hospital（波士顿儿童医院介入神经放射科） ； Athinoula A. Martinos Center for Biomedical Imaging, Massachusetts General Hospital（阿提努拉A·马丁诺斯生物医学成像中心, 麻省总医院）
AI总结 本文提出了一种自监督框架xvr，结合患者特异性神经网络和梯度优化，实现了快速且准确的2D到3D配准，通过物理模拟生成训练数据，无需手动标注，提升了临床和研究社区的广泛应用能力。
optimize_anything: A Universal API for Optimizing any Text Parameter
optimize_anything: 一个用于优化任何文本参数的通用API
机构 * MIT（麻省理工学院）
AI总结 本文提出了一种基于LLM的通用优化系统，能够跨不同领域实现文本参数的优化，展示了其在六个多样化任务中的state-of-the-art性能，通过多任务搜索和跨问题迁移实现了高效的优化。
Comments 16 pages, 11 figures; Blog: https://gepa-ai.github.io/gepa/blog/2026/02/18/introducing-optimize-anything/
Journal ref Proceedings of the ACM Conference on AI and Agentic Systems (CAIS 26), May 26-29, 2026, San Jose, CA, USA
STAR-PólyaMath: Multi-Agent Reasoning under Persistent Meta-Strategic Supervision
STAR-PólyaMath: 多智能体在持久元策略监督下的推理
机构 * Tsinghua University（清华大学） ； Microsoft Research（微软研究院） ； New York University（纽约大学） ； MIT（麻省理工学院）
AI总结 本文提出STAR-PólyaMath多智能体框架，通过元级监督和结构化的推理-验证交互系统性解决数学推理中的幻觉积累、记忆碎片化和推理工具平衡问题，并在多个顶级竞赛基准上取得最佳成绩。
Comments 25 pages, 4 figures. Code: https://github.com/Julius-Woo/STAR-PolyaMath
GAE Falls Short in Imperfect-Information Self-Play Reinforcement Learning
GAE在不完全信息自博弈强化学习中表现不足
机构 * MIT（麻省理工学院）
AI总结 本文研究了不完全信息博弈中自博弈强化学习中GAE估计器的方差问题，提出Q-boosting和VRPO算法以减少方差并提升性能。
Bridge: Retrieval-Augmented Spatiotemporal Modeling for Urban Delivery Demand
Bridge：基于检索的时空建模用于城市配送需求
机构 * McGill University（麦吉尔大学） ； The Hong Kong Polytechnic University（香港理工大学） ； University of Toronto（多伦多大学） ； MIT（麻省理工学院）
AI总结 本文提出Bridge框架，通过结合归纳上下文图结构和时间感知的记忆模块，解决新加入服务区域缺乏历史记录导致的城市配送需求预测难题，提升了冷启动区域的预测性能。
DecisionBench: A Benchmark for Emergent Delegation in Long-Horizon Agentic Workflows
DecisionBench: 一个用于长周期代理工作流中涌现委托的基准测试
机构 * OpenMesh AI ； University of Pennsylvania（宾夕法尼亚大学） ； Columbia University（哥伦比亚大学） ； Stanford University（斯坦福大学） ； MIT（麻省理工学院）
AI总结 本文提出DecisionBench基准测试，用于评估长周期代理工作流中涌现的委托机制，通过五个条件参考扫描发现委托质量、路由保真度和潜在性能上限等核心发现。
Comments 28 pages, 9 figures, 11 tables. Code and data: https://huggingface.co/decisionbench
Beyond Majority Voting: LLM Aggregation by Leveraging Higher-Order Information
超越多数投票：利用高阶信息进行LLM聚合
机构 * Massachusetts Institute of Technology（麻省理工学院） ； School of Engineering and Applied Sciences（工程与应用科学学院） ； Harvard University（哈佛大学） ； Data Science, The University of Chicago（数据科学，芝加哥大学）
AI总结 本文提出Optimal Weight和Inverse Surprising Popularity两种算法，通过结合一阶和二阶信息，有效缓解多数投票的局限性，提升多智能体LLM聚合的可靠性。
Comments Accepted into ICML 2026
D-PACE: Dynamic Position-Aware Cross-Entropy for Parallel Speculative Drafting
D-PACE：动态位置感知交叉熵用于并行推测草案
机构 * Harvard（哈佛大学） ； MIT（麻省理工学院）
AI总结 本文提出D-PACE，一种动态位置感知交叉熵，用于改进并行推测草案的训练，通过动态调整位置权重以提高生成速度和输出长度。
