Massachusetts Institute of Technology（麻省理工学院）

AutoLab: Can Frontier Models Solve Long-Horizon Auto Research and Engineering Tasks?

AutoLab：前沿模型能否解决长周期自动研究与工程任务？

Zhangchen Xu, Junda Chen, Yue Huang, Dongfu Jiang, Jiefeng Chen, Hang Hua, Zijian Wu, Zheyuan Liu, Zexue He, Lichi Li, Shizhe Diao, Jiaxin Pei, Jinsung Yoon, Hao Zhang, Mengdi Wang, Radha Poovendran, Misha Sra, Alex Pentland, Zichen Chen

机构 * MIT（麻省理工学院） ； Stanford University（斯坦福大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of Washington（华盛顿大学） ； University of Toronto（多伦多大学） ； University of Michigan（密歇根大学） ； National University of Singapore（新加坡国立大学） ； University of Tokyo（东京大学） 纠错

AI总结 本文提出AutoLab基准，通过36个专家策划的长周期闭环优化任务评估前沿模型，发现持续迭代和利用经验反馈比初始尝试质量更重要。

Comments Code: https://github.com/autolabhq/autolab ; Website: https://autolab.moe/

Archi: Agentic Operations at the CMS Experiment

Archi: CMS实验中的代理操作

Pietro Lugato, Luca Lavezzo, Jason Mohoney, Hasan Ozturk, Muhammad Hassan Ahmed, Juan Pablo Salas, Viphava Ohm, Krittin Phornsiricharoenphant, Gabriele Benelli, Mariarosaria D'Alfonso, Manasvita Joshi, Warren Nam, Aron Soha, Samantha Sunnarborg, Austin Swinney, Jack Tucker, Dmytro Kovalskyi, Tim Kraska, Christoph Paus

机构 * Massachusetts Institute of Technology（麻省理工学院） ； CMS Collaboration（CMS合作组） ； CERN（欧洲核子研究中心） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Fermi National Accelerator Laboratory（费米国家加速器实验室） ； Brown University（布朗大学） ； Harvard University（哈佛大学） 纠错

AI总结 提出Archi开源框架，整合异构数据源并部署可配置、私有的代理，用于CMS实验计算操作支持，在真实查询中表现有效。

SparDA: Sparse Decoupled Attention for Efficient Long-Context LLM Inference

SparDA: 用于高效长上下文LLM推理的稀疏解耦注意力

Yaosheng Fu, Guangxuan Xiao, Xin Dong, Song Han, Oreste Villa

机构 * NVIDIA ； Thinking Machines Lab ； ByteDance Seed ； MIT 纠错

AI总结 提出SparDA架构，通过引入第四投影Forecast实现KV缓存预取与注意力解耦，减少稀疏选择开销，在长上下文推理中实现1.25倍预填充加速和1.7倍解码加速。

On Out-of-sample Embedding in UMAP

UMAP中的样本外嵌入

Mohammad Tariqul Islam, Jason W. Fleischer

机构 * Media Lab, Massachusetts Institute of Technology（媒体实验室，麻省理工学院） ； Electrical and Computer Engineering, Princeton University（电子与计算机工程，普林斯顿大学） 纠错

AI总结 针对UMAP在添加新样本时产生的排斥效应，通过优化原始k近邻图中的成对交互，提出参数化UMAP方法以改善嵌入质量。

Comments 22 pages, 16 figures

Noisy memory encoding explains negative polarity illusions

噪声记忆编码解释了负极词幻觉

Yuhan Zhang, Edward Gibson

机构 * Department of Linguistics, Stanford University（斯坦福大学语言学系） ； BIO-X Interdisciplinary Biosciences Institute, Stanford University（斯坦福大学生物交叉科学研究所） ； Department of Brain and Cognitive Sciences, Massachusetts Institute of Technology（麻省理工学院脑科学与认知科学系） 纠错

AI总结 本研究利用Hahn等人(2022)的有损上下文惊奇理论，提出不完美的句子编码导致负极词幻觉，并通过六个新型限定词对的 acceptability 判断实验验证了限定词相似性增强幻觉效应的假设。

Comments 21 pages, 5 figures, submitted for journal publication

UniCanvas: A Diffusion-base Unified Model for Text-in-Image Joint Generation

UniCanvas: 一种基于扩散的图文联合生成统一模型

Zeyuan Yang, Hao-Wei Chen, Xueyang Yu, Yuncong Yang, Haoyu Zhen, Ziqiao Ma, Maohao Shen, Chuang Gan

机构 * UMass Amherst（马萨诸塞大学阿默斯特分校） ； University of Michigan（密歇根大学） ； MIT（麻省理工学院） 纠错

AI总结 提出UniCanvas，通过扩散模型在像素画布上以文本嵌入图像的方式实现图文联合生成，解决现有模型在视觉与文本生成上的不足。

Stumbling Into AI Emotional Dependence: How Routine AI Interactions Reshape Human Connection

偶然陷入AI情感依赖：日常AI互动如何重塑人际关系

Yaoxi Shi, Cathy Mengying Fang, Pattie Maez, Amit Goldenberg

机构 * Imperial College Business School（帝国学院商学院） ； Harvard Business School AI Institute（哈佛商学院人工智能研究所） ； MIT Media Lab（麻省理工学院媒体实验室） ； Harvard Business School（哈佛商学院） ； Harvard Department of Psychology（哈佛大学心理学系） 纠错

AI总结 本文通过实证研究，揭示AI情感支持通常在日常任务导向的互动中偶然产生，且这种路径依赖会改变人们对AI情感能力的信念，导致对AI的偏好增加、对人类的偏好减少。

Building The Ph(ysical)AI Layer Of Machine Intelligence

构建机器智能的物理AI层

Ulbert Jose Botero, Liam Smith, Brooks Olney, Pooya Khorrami, Steven Kusiak, Watson Jia, Sage Trudeau, Daniel Capecci

机构 * MIT Lincoln Laboratory（麻省理工学院林肯实验室） 纠错

AI总结 提出基于信号处理原理的基座模型，通过射频数据训练实现跨模态迁移，无需目标域微调，以1.99M参数在15个任务上平均准确率77.7%。

Comments 102 pages, 11 Figures

Stein Kernelized Molecular Dynamics for Active Learning of Interatomic Potentials

Stein核化分子动力学用于原子间势的主动学习

Joanna Zou, Fraser Birks, Dallas Foster, Youssef Marzouk

机构 * Center for Computational Science & Engineering, Schwarzman College of Computing, MIT（计算科学与工程中心，计算机科学学院，麻省理工学院） ； Warwick Centre for Predictive Modelling, School of Engineering, University of Warwick（预测建模中心，工程学院，沃里克大学） ； NVIDIA 纠错

AI总结 提出Stein核化分子动力学（SKMD），一种通过相互作用粒子动力学获取信息性训练配置的增强采样方法，用于主动学习和微调机器学习原子间势，保持玻尔兹曼分布作为渐近分布，并采用自适应停止准则高效在线获取非冗余数据，在Müller-Brown势和丙氨酸二肽的MACE势上展示了优于基线的模型精度。

Beyond Static Priors: Dynamic Neural Guidance for Large-Scale Ant Colony Optimization

超越静态先验：大规模蚁群优化的动态神经引导

Dat Thanh Tran, Van Khu Vu, Yining Ma

机构 * Center for AI Research（人工智能研究中心） ； VinUniversity（文大学） ； College of Engineering and Computer Science（工程与计算机科学学院） ； Laboratory for Information and Decision Systems（信息与决策系统实验室） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 提出DyNACO框架，通过周期性观察信息素分布和当前解实现动态神经引导，结合扰动ACO后端和范围受限的细化机制，在TSP上扩展至10万节点并优于神经基线，在CVRP上以<1%神经开销持续改进无引导基线。

Comments Accepted at KDD 2026

Inverse Critical Experiment Design via Gradient Optimization and a Multigroup Attention-Based Neural Network Architecture

通过梯度优化与多群注意力神经网络架构的逆临界实验设计

Will Savage, Logan Burnett, Dean Price

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

AI总结 提出一种结合深度神经网络代理模型和非参数梯度优化的方法，用于逆设计临界实验几何结构以最大化中子相似性相关系数$c_k$，并在TN-LC运输容器验证中取得高$c_k$值。

OckBench: Measuring the Efficiency of LLM Reasoning

OckBench：衡量LLM推理效率

Zheng Du, Hao Kang, Song Han, Tushar Krishna, Ligeng Zhu

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Massachusetts Institute of Technology（麻省理工学院） ； NVIDIA（英伟达） 纠错

AI总结 提出OckBench基准，联合评估推理和编码任务中的准确性与token效率，揭示当前模型token利用率低下问题。

TamperBench: Systematically Stress-Testing LLM Safety Under Fine-Tuning and Tampering

TamperBench：系统化压力测试微调和篡改下的LLM安全性

Saad Hossain, Tom Tseng, Punya Syon Pandey, Samanvay Vajpayee, Matthew Kowal, Nayeema Nonta, Samuel Simko, Stephen Casper, Zhijing Jin, Kellin Pelrine, Sirisha Rambhatla

机构 * Critical ML Lab Waterloo Canada（Waterloo大学Critical ML实验室） ； FAR.AI Berkeley USA（伯克利美国FAR.AI公司） ； University of Toronto Toronto Canada（多伦多大学） ； University of Waterloo Waterloo Canada（Waterloo大学） ； ETH Zürich Zürich Switzerland（苏黎世联邦理工学院） ； MIT CSAIL Cambridge USA（麻省理工学院CSAIL实验室） ； University of Toronto, MPI, EuroSafeAI, Vector Institute Toronto Canada（多伦多大学、马克斯·普朗克研究所、EuroSafeAI、Vector Institute） ； Critical ML Lab University of Waterloo Waterloo Canada（Waterloo大学Critical ML实验室） 纠错

AI总结 提出统一框架TamperBench，通过系统化超参数扫描评估21个开源LLM在9种篡改威胁下的安全性和实用性，发现越狱微调是最严重攻击，当前对齐阶段防御基本失效。

Comments 25 pages, 15 figures

A Latent Variable Framework for Scaling Laws in Large Language Models

大型语言模型中缩放定律的潜变量框架

Peiyao Cai, Chengyu Cui, Felipe Maia Polo, Seamus Somerstep, Leshem Choshen, Mikhail Yurochkin, Yuekai Sun, Kean Ming Tan, Gongjun Xu

机构 * Department of Statistics, University of Michigan（密歇根大学统计系） ； IBM Research and CSAIL, MIT（IBM研究与麻省理工学院计算机科学与人工智能实验室） ； Institute of Foundation Models, MBZUAI（MBZUAI基础模型研究所） 纠错

AI总结 提出基于潜变量建模的统计框架，通过引入潜变量捕获不同模型家族和基准的异构性，以更准确地建模大型语言模型的缩放定律。

MesaNet: Sequence Modeling by Locally Optimal Test-Time Training

MesaNet: 通过局部最优测试时训练进行序列建模

Johannes von Oswald, Nino Scherrer, Seijin Kobayashi, Luca Versari, Songlin Yang, Sarthak Mittal, Maximilian Schlegel, Kaitlin Maile, Yanick Schimpf, Oliver Sieberling, Alexander Meulemans, Rif A. Saurous, Guillaume Lajoie, Charlotte Frenkel, Razvan Pascanu, Blaise Agüera y Arcas, João Sacramento

机构 * Google（谷歌） ； Paradigms of Intelligence Team（智能范式团队） ； Google DeepMind（谷歌DeepMind） ； MIT CSAIL（麻省理工学院CSAIL） 纠错

AI总结 提出一种基于共轭梯度求解器实现局部最优测试时训练的Mesa层，在保持常数推理成本的同时，在语言建模困惑度和下游基准性能上超越现有RNN模型。

Comments Published at ICLR 2026

Scheduling in Queueing Systems with Uncertain and Evolving Holding Costs

具有不确定和演化持有成本的排队系统中的调度

Caner Gocmen, Thodoris Lykouris, Deeksha Sinha, Wentao Weng

机构 * Meta Platforms（Meta平台） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 针对持有成本不确定且演化的排队系统，提出基于马尔可夫链的模型和机会调整剩余成本（OaRC）算法，证明其渐近最优性并优于经典规则。

Reducing the Filtering Effect in Public School Admissions: A Bias-aware Analysis for Targeted Interventions

减少公立学校招生中的过滤效应：面向针对性干预的偏差感知分析

Yuri Faenza, Swati Gupta, Aapeli Vuorinen, Xuan Zhang

机构 * Columbia University（哥伦比亚大学） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本研究采用运筹学方法，通过分析纽约市教育部数据，将弱势学生分数分布偏移建模为偏差，并证明针对中等成绩弱势学生的集中干预（如奖学金或培训）可显著降低偏差影响。

Flow: A Modular Learning Framework for Mixed Autonomy Traffic

Flow: 一种用于混合自主性的模块化学习框架

Cathy Wu, Aboudy Kreidieh, Kanaad Parvate, Eugene Vinitsky, Alexandre M Bayen

机构 * Laboratory for Information and Decision Systems, Massachusetts Institute of Technology（信息与决策实验室，麻省理工学院） ； Institute of Data, Systems, and Society, Massachusetts Institute of Technology（数据、系统与社会研究所，麻省理工学院） ； Department of Mechanical Engineering, University of California, Berkeley（机械工程系，加州大学伯克利分校） 纠错

AI总结 本文提出了一种模块化学习框架，利用深度强化学习解决复杂交通动态问题，通过提高系统层面的速度，使学习到的控制法则在仅有4-7%的自动驾驶汽车参与度下，相比人类驾驶性能提升高达57%。此外，在单车道交通中，一个仅使用局部观测的小型神经网络控制法则能够消除拥堵现象，达到近最优性能。

Comments 17 pages, 8 figures, 5 tables. 2021 IEEE Transactions on Robotics (T-RO)

Connections Between Adaptive Control and Optimization in Machine Learning

适应控制与机器学习中优化方法之间的联系

Joseph E. Gaudio, Travis E. Gibson, Anuradha M. Annaswamy, Michael A. Bolender, Eugene Lavretsky

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Brigham and Women’s Hospital and Harvard Medical School（布莱尔妇女医院和哈佛医学院） ； Air Force Research Laboratory（空军研究实验室） ； The Boeing Company（波音公司） 纠错

AI总结 本文探讨了适应控制与机器学习中常用优化方法之间的联系，通过分析更新法则的相似性，讨论了稳定性、性能和学习等共同概念，并提出了新的交集和改进算法分析的机会，特别是通过这些交集的见解解决了高阶学习问题。

Comments 18 pages

Provably Correct Learning Algorithms in the Presence of Time-Varying Features Using a Variational Perspective

在存在时间变化特征的情况下使用变分视角的可证明正确学习算法

Joseph E. Gaudio, Travis E. Gibson, Anuradha M. Annaswamy, Michael A. Bolender

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Brigham and Women’s Hospital and Harvard Medical School（布里奇沃特医院和哈佛医学院） ； Air Force Research Laboratory（空军研究实验室） 纠错

AI总结 本文提出了一种在存在时间变化特征的情况下，通过变分视角来保证学习算法正确性的方法，并通过仿真验证了理论结果。

Comments 25 pages, additional simulation detail, paper rewritten

Online Risk-Bounded Motion Planning for Autonomous Vehicles in Dynamic Environments

在线风险受限的自主车辆动态环境中的运动规划

Xin Huang, Sungkweon Hong, Andreas Hofmann, Brian C. Williams

机构 * MIT Computer Science and Artificial Intelligence Laboratory（麻省理工学院计算机科学与人工智能实验室） 纠错

AI总结 本文提出了一种在线风险受限的运动规划方法，通过结合意图识别算法和POMDP求解器，生成安全高效的路径规划方案，尤其在无保护左转和变道等复杂环境中表现更优。

Comments Accepted at ICAPS'19. 10 pages, 6 figures, 1 table

Spectrum Approximation Beyond Fast Matrix Multiplication: Algorithms and Hardness

超越快速矩阵乘法的谱近似：算法与难度

Cameron Musco, Praneeth Netrapalli, Aaron Sidford, Shashanka Ubaru, David P. Woodruff

机构 * MIT（麻省理工学院） ； Microsoft Research（微软研究院） ； Stanford University（斯坦福大学） ； University of Minnesota（明尼苏达大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文研究了如何在比矩阵乘法时间更快的运行时间内近似矩阵的谱，提出了一种基于随机迹估计、多项式逼近和快速系统求解器的算法，能够高效地隔离矩阵谱的不同范围并近似奇异值的数量，从而在许多应用中替代真实的奇异值。

Comments ITCS 2018

Sublinear Time Low-Rank Approximation of Positive Semidefinite Matrices

亚线性时间正定矩阵的低秩近似

Cameron Musco, David P. Woodruff

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

AI总结 本文提出了一种在亚线性时间内计算正定矩阵低秩近似的算法，通过因子形式输出一个秩为k的矩阵B，使得B与原矩阵A的F范数平方误差不超过(1+ε)倍的最优秩k近似A_k的F范数平方误差，并在特定条件下无需读取全部矩阵元素。

RADMPC: A Fast Decentralized Approach for Chance-Constrained Multi-Vehicle Path-Planning

RADMPC：一种用于机会约束多车辆路径规划的快速去中心化方法

Aaron Huang, Benjamin J. Ayton, Brian C. Williams

机构 * Computer Science and Artificial Intelligence Laboratory（计算机科学与人工智能实验室） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本文提出了一种基于去中心化路径规划方法RADMPC的快速机会约束多车辆路径规划方法，通过评估车辆交互来确定需要耦合规划的车辆集，并利用IRA在较小的车辆集上快速规划安全路径，从而显著提高计算效率。

Learning Stabilizable Dynamical Systems via Control Contraction Metrics

通过控制收缩度量学习可稳定化的动态系统

Sumeet Singh, Vikas Sindhwani, Jean-Jacques E. Slotine, Marco Pavone

机构 * Dept. of Aeronautics and Astronautics, Stanford University（航空航天系，斯坦福大学） ； Google Brain Robotics, New York（谷歌大脑机器人，纽约） ； Dept. of Mechanical Engineering, Massachusetts Institute of Technology（机械工程系，麻省理工学院） 纠错

AI总结 本文提出了一种新的框架，用于学习可稳定化的非线性动态系统，以实现机器人连续控制任务。核心方法是开发一种基于稳定性的控制理论正则化器，以确保学习到的系统可以配备一个稳健的控制器，能够稳定任何系统生成的开环轨迹。通过利用收缩理论、统计学习和凸优化工具，我们提供了一个通用且可操作的半监督算法来学习可稳定化的动态系统，可以应用于复杂的欠驱动系统。在模拟平面四旋翼系统上验证了所提算法，并观察到与传统回归技术学习的模型相比，使用控制理论正则化模型在轨迹生成和跟踪性能上有显著改进，尤其是在使用少量示范示例时。结果展示了将标准基于模型的强化学习算法与非线性控制理论概念结合的必要性，以提高可靠性。

Comments To appear at WAFR 2018. v2: re-structured Sections 3 & 4 to improve clarity; expanded discussion on limitations & future work in Section 5; added details on training & validation, significantly expanded experiments

A Stein variational Newton method

一种Stein变分牛顿方法

Gianluca Detommaso, Tiangang Cui, Alessio Spantini, Youssef Marzouk, Robert Scheichl

机构 * University of Bath（巴斯大学） ； The Alan Turing Institute（艾伦·图灵研究所） ； Monash University（莫纳什大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Heidelberg University（海德堡大学） 纠错

AI总结 本文提出了一种基于Stein变分梯度下降（SVGD）的改进方法，通过引入二阶信息加速并推广了该算法，实现了函数空间中的牛顿迭代，并展示了在多个测试案例中显著的计算效率提升。

Comments 18 pages, 7 figures

Journal ref NIPS 2018

Personal Food Computer: A new device for controlled-environment agriculture

个人食物计算机：一种用于受控环境农业的新设备

Eduardo Castelló Ferrer, Jake Rye, Gordon Brander, Tim Savas, Douglas Chambers, Hildreth England, Caleb Harper

机构 * MIT Media Lab（麻省理工学院媒体实验室） 纠错

AI总结 本文提出了一种低成本的桌面平台OpenAg Personal Food Computer（PFC），旨在为植物物候研究、爱好者、制作者和K-12教师提供工具，支持集体数据共享和植物生长分析。

Comments 9 pages, 11 figures, Accepted at the 2017 Future Technologies Conference (FTC)

A Data-Efficient Approach to Precise and Controlled Pushing

一种数据高效且精确可控的推动作方法

Maria Bauza, Francois R. Hogan, Alberto Rodriguez

机构 * Department of Mechanical Engineering — Massachusetts Institute of Technology（机械工程系——麻省理工学院） 纠错

AI总结 本文提出了一种数据高效的方法，通过学习动态模型来控制复杂机械系统，仅需10个数据点即可完成复杂的推动作轨迹。

Comments Maria Bauza and Francois R. Hogan contributed equally to this work. 10 pages, 5 figures

Journal ref CoRL 2018

Tactile Regrasp: Grasp Adjustments via Simulated Tactile Transformations

触觉重抓：通过模拟触觉变换进行抓取调整

Francois R. Hogan, Maria Bauza, Oleguer Canal, Elliott Donlon, Alberto Rodriguez

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

AI总结 本文提出了一种新的重抓控制策略，利用触觉传感进行局部抓取调整。该方法通过虚拟搜索局部触觉测量变换来提高抓取质量。首先，使用深度卷积神经网络构建基于触觉的抓取质量度量，该网络在超过2800次抓取上进行训练。每个抓取的质量是一个介于0和1之间的连续值，通过实验测量其对外部扰动的抵抗性来确定。其次，通过刚体变换模拟机器人运动相对于初始抓取的触觉印记，新生成的触觉印记与学习的抓取质量网络进行评估，选择最大化抓取质量的重抓动作。结果表明，抓取质量网络在已知物体上的平均准确率为85%，在12个物体的交叉验证集上的准确率为75%。重抓控制策略在8个物体的测试集上将抓取动作的成功率提高了70%。

Comments Francois R. Hogan and Maria Bauza contributed equally to this work. 8 pages, 7 figures

Journal ref IROS 2018

Moment-Sum-Of-Squares Approach For Fast Risk Estimation In Uncertain Environments

基于矩-平方和方法的不确定环境中的快速风险估计

Ashkan Jasour, Andreas Hofmann, Brian C. Williams

机构 * MIT（麻省理工学院） ； Computer Science and Artificial Intelligence Laboratory（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矩-平方和的方法，用于在存在有界不确定性的环境中快速估计机器人安全约束违反的概率。该方法利用多项式水平集描述不安全集，通过求解平方和优化问题获得单变量切比雪夫多项式的系数，从而在实时条件下利用有限的矩估计风险。

Comments 57th IEEE Conference on Decision and Control 2018