Learning with Simulators: No Regret in a Computationally Bounded World
与模拟器学习：计算受限世界中的无悔学习
机构 * MIT（麻省理工学院） ； Microsoft Research（微软研究院）
AI总结 提出可模拟过程框架，利用模拟器近似任意复杂依赖的数据分布，恢复VC维误差界，并展示条件采样的统计与计算优势。
Comments To appear at COLT 2026
高校专区
Massachusetts Institute of Technology（麻省理工学院）
Learning to Adapt: Representation-Based Reinforcement Learning for Multi-Task Skill Transfer
学会适应：基于表示的多任务技能迁移强化学习
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Harvard School of Engineering and Applied Sciences（哈佛大学工程与应用科学学院）
AI总结 提出RepMT-SAC框架，通过谱MDP分解捕获可迁移动力学，实现任务无关核心与最小任务特定调整的价值函数结构，在四旋翼轨迹跟踪任务上零样本性能提升30%。
Comments 8 pages, 4 figures, 1 table
Exploring How Agent Voice Accents Shape Human-AI Collaboration in K-12 Group Learning
探索智能体口音如何影响K-12小组学习中的人机协作
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 研究通过33名教师的实验，发现GenAI语音智能体的不同口音（英式、印度式、非裔美式）影响其被感知为工具或同伴，进而影响信任、参与和依赖。
Benchmarking AI Agents for Addressing Scientific Challenges Across Scales
跨尺度科学挑战的AI智能体基准测试
机构 * Yale University（耶鲁大学） ； Broad Institute of MIT and Harvard（布罗德研究所） ； The Pennsylvania State University（宾夕法尼亚州立大学） ； Northeastern University（东北大学） ； Northwestern University（西北大学）
AI总结 提出SciAgentArena基准，含约200个交互式任务，评估AI智能体在真实科研场景中的能力，发现其在数据分析中有效，但在创新探索和开放问题上表现不均。
Comments 6 figures
Learning to Assist: Collaborative VLAs for Implicit Human-Robot Collaboration
学习辅助：面向隐式人机协作的协作式VLA模型
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文研究利用视觉-语言-动作（VLA）模型通过模仿学习实现人机协作，发现动作分块策略在隐式协作中存在演示动作泄漏问题，提出推理时引导方法缓解过早辅助行为，并通过用户研究验证其有效性。
Reasoning Models Know What's Important, and Encode It in Their Activations
推理模型知道什么重要，并在其激活中编码
机构 * Technion（技术离子大学） ； University of Zagreb, FER（扎格雷布大学，FER） ； MIT（麻省理工学院） ； Kempner Institute, Harvard（哈佛大学凯普纳研究所）
AI总结 通过分析模型激活而非仅依赖推理链文本，发现激活能更有效识别关键推理步骤，且模型在生成后续步骤前已内部编码步骤重要性。
Unraveling Syntax: Language Modeling and the Substructure of Grammars
解析句法：语言建模与语法的子结构
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文研究语言模型在上下文无关语法子结构上的学习行为，证明损失函数在顶层子语法上线性递归，并发现参数化模型并行学习子语法，子语法预训练能提升小模型性能并改善内部表征。
Comments Equal contribution by LYS and DM. Accepted to the 43rd International Conference on Machine Learning (ICML 2026)
MoReBench: Evaluating Procedural and Pluralistic Moral Reasoning in Language Models, More than Outcomes
MoReBench：评估语言模型中的程序性和多元道德推理，超越结果
机构 * University of Washington（华盛顿大学） ； New York University（纽约大学） ； Scale AI ； Harvard University（哈佛大学） ； University of Michigan（密歇根大学） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； Center for AI Safety（人工智能安全中心） ； Stanford University（斯坦福大学） ； MIT（麻省理工学院） ； University of Oxford（牛津大学）
AI总结 提出MoReBench基准，包含1000个道德场景和超过2.3万条标准，用于评估语言模型在道德推理中的程序性推理能力，发现现有基准无法预测模型表现，且模型对特定道德框架存在偏好。
Comments 46 pages, 8 figures, 10 tables. Published in ICLR 2026. Accepted at CHAI workshop and SPP 2026 (non-archival)
Competition and Diversity in Generative AI
生成式人工智能中的竞争与多样性
机构 * MIT Sloan School of Management & Department of Electrical Engineering and Computer Science（麻省理工学院斯隆管理学院及电气工程与计算机科学系）
AI总结 通过博弈论模型和Scattergories游戏实验，研究竞争如何促使生成式AI模型多样化，缓解同质化，并提升社会福利。
