Massachusetts Institute of Technology（麻省理工学院）

Dynestyx: A Probabilistic Programming Library for Dynamical Systems

Dynestyx: 一个面向动态系统的概率编程库

Daniel Waxman, Dmitry Batenkov, John Feser, Andy Zane, Eli Bingham, Youssef Marzouk, Matthew E. Levine

机构 * Basis Research Institute（Basis研究院） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 提出dynestyx库，通过统一接口支持状态空间模型的先验指定、混合效应推断及状态与参数估计，实现贝叶斯动态系统分析。

Comments 7 pages

HOLO-MPPI: Multi-Scenario Motion Planning via Hierarchical Policy Optimization

HOLO-MPPI：通过分层策略优化的多场景运动规划

Youngjae Min, Jovin D'sa, Faizan M. Tariq, David Isele, Navid Azizan, Sangjae Bae

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Honda Research Institute, USA（本田研究所（美国）） 纠错

AI总结 提出HOLO-MPPI框架，结合离线高层策略学习与在线低层随机最优控制，实现多场景运动规划，无需针对每个场景重新调整参数，在自动驾驶中优于MPPI和端到端RL基线。

UXBench: Measuring the Actionability of LLM-Generated UX Critiques

UXBench: 衡量LLM生成的UX评论的可操作性

Wenjie Wang, Yue Huang, Zipeng Ling, Han Bao, Hang hua, Xiaonan Luo, Yu Jiang, Shiyi Du, Yuexing Hao, Xiaomin Li, Yuchen Ma, Dianzhuo Wang, Yanfang Ye, Xiangliang Zhang

机构 * University of Notre Dame（诺丁汉大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Rochester（罗切斯特大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Harvard University（哈佛大学） ； LMU Munich（慕尼黑路德维希-马克西米利安大学） 纠错

AI总结 提出UXBench基准，通过下游修复代理能否基于评论改进界面来评估LLM作为UX评判者的可操作性，发现不同模型在报告可操作性、修复特征和可靠性上存在显著差异。

Comments 30 pages

Learning the generating functional for variance reduction in lattice QCD

学习格点QCD中方差约化的生成泛函

Ryan Abbott, Yang Fu, Daniel C. Hackett, Gurtej Kanwar, Fernando Romero-López, Phiala E. Shanahan

机构 * Physics Department, Columbia University（哥伦比亚大学物理系） ； Center for Theoretical Physics, Massachusetts Institute of Technology（麻省理工学院理论物理中心） ； Fermi National Accelerator Laboratory（费米国家加速器实验室） ； Higgs Centre for Theoretical Physics, School of Physics and Astronomy, University of Edinburgh（爱丁堡大学物理与天文学学院希格斯理论物理中心） ； Albert Einstein Center, Institute for Theoretical Physics, University of Bern（伯尔尼大学爱因斯坦中心理论物理研究所） ； NSF AI Institute for Artificial Intelligence and Fundamental Interactions（国家科学基金会人工智能与基本相互作用AI研究所） 纠错

AI总结 利用机器学习归一化流编码生成泛函表示，系统降低格点规范场论中任意N点关联函数的方差，在QCD和杨-米尔斯理论中实现高达三个数量级的方差约化。

Comments 8 pages, 3 figures

Self-Questioning Vision-Language Models: Reinforcement Learning for Compositional Visual Reasoning

自问式视觉语言模型：用于组合视觉推理的强化学习

Saraswathy Amjith

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

AI总结 提出自问式框架，通过GRPO强化学习训练VLM自动分解问题并回答子问题，提升组合视觉推理能力，在CLEVR和A-OKVQA上验证有效性。

Service-Induced Congestion in Memory-Constrained LLM Serving

内存受限的大语言模型服务中的服务引发拥塞

Ruicheng Ao, Jing Dong, Gan Luo, David Simchi-Levi

机构 * Institute for Data, Systems, and Society, Massachusetts Institute of Technology（数据、系统与社会研究所，麻省理工学院） ； Columbia Business School, Columbia University（哥伦比亚大学商学院） ； School of Mathematical Sciences, Peking University（北京大学数学科学学院） 纠错

AI总结 本文通过离散时间动力学模型研究内存受限的大语言模型服务中，因键值缓存增长导致的服务引发拥塞，发现同质负载下无驱逐均衡不稳定且收敛到最坏情况极限环，异质负载下稳定条件与解码长度互质相关，并提出调度设计原则。

Comments 101 pages

DiRecT: Safe Diffusion-Based Planning via Receding-Horizon Denoising

DiRecT：基于滚动去噪的安全扩散规划

Paolo Giaretta, Zeyang Li, Navid Azizan

机构 * MIT（麻省理工学院） 纠错

AI总结 提出DiRecT算法，通过随机最优控制仅在最终干净轨迹上施加约束，避免中间去噪步骤过度约束，实现安全扩散规划，提升安全性和任务性能。

Harnessing cortical geometry, wiring, and function as inductive biases for recurrent neural networks

利用皮层几何、连接和功能作为循环神经网络的归纳偏置

Mo Shakiba, Rana Rokni, Mohammad Mohammadi, Nima Dehghani

机构 * Neuromatch Academy, Neuromatch, Inc., USA（Neuromatch学院，Neuromatch公司，美国） ； McGovern Institute for Brain Research, Massachusetts Institute of Technology (MIT)（麦戈文脑科学研究所，麻省理工学院（MIT）） 纠错

AI总结 本研究利用MICrONS项目数据，通过神经元空间坐标、解剖连接和功能关系初始化循环权重并施加空间约束，构建生物基础循环神经网络，在认知决策任务中优于基线模型，并发展出低熵、模块化和小世界组织。

Policy Regret for Embedding Model Routing: Contextual Bandits with Low-Rank Experts

嵌入模型路由的策略遗憾：具有低秩专家的上下文赌博机

Yan Dai, Negin Golrezaei, Patrick Jaillet

机构 * Operations Research Center, MIT（麻省理工学院运筹学研究中心） ； Sloan School of Management, MIT（麻省理工学院斯隆管理学院） ； Department of EECS, MIT（麻省理工学院电气工程与计算机科学系） 纠错

AI总结 针对推荐系统中嵌入模型路由问题，形式化为具有低秩专家的对抗性上下文线性赌博机，提出Hypentropy策略梯度算法，实现$\tilde{\mathcal O}(s\sqrt{M T})$线性化策略遗憾。

Trust Between AI Agents: Measuring Formation, Breakage, and Recovery, with Implications for Governing Multi-Agent Systems

AI智能体之间的信任：衡量形成、破裂与恢复，及其对多智能体系统治理的启示

Yujiao Chen

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

AI总结 提出基于代价验证的行为信任度量，通过合作生存游戏研究六个前沿模型快照的信任形成、破裂与恢复，发现信任形成可减少验证，恢复慢于形成，且集群失败延长怀疑，建议校准而非最大怀疑作为治理核心。

Divide-and-Denoise: A Game-Theoretic Method for Fairly Composing Diffusion Models

分而除噪：一种公平组合扩散模型的博弈论方法

Abhi Gupta, Polina Barabanshchikova, Vikas Garg, Samuel Kaski, Tommi Jaakkola

机构 * Massachusetts Institute of Technology（麻省理工学院） ； University of Washington（华盛顿大学） ； University of Cambridge（剑桥大学） 纠错

AI总结 提出Divide-and-Denoise方法，通过公平分配博弈协调多个预训练扩散模型，在采样时划分区域并引导各模型去噪，解决模型主导或冲突问题，在条件图像生成中优于基线。

Comments Accepted as spotlight at ICML 2026

Machine Learning-Driven Chemical Reactor Network Modeling of the Sandia-D Flame

机器学习驱动的Sandia-D火焰化学反应器网络建模

Nicolas J. Tricard, Benjamin C. Koenig, Sili Deng

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

AI总结 针对湍流燃烧模拟成本高的问题，提出机器学习辅助的等效反应器网络（ERN）自动构建方法，结合主成分分析、k-means聚类和梯度下降优化，在Sandia-D火焰上实现6000倍加速且最大温度R²达0.7945。

Comments 12 pages, 11 figures

FUSE: Quantifying Uncertainty in Vision-Language Models by Bayesian Fusing Epistemic and Aleatoric Uncertainty

FUSE: 通过贝叶斯融合认知不确定性和偶然不确定性来量化视觉语言模型中的不确定性

Harry Zhang, Luca Carlone

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

AI总结 提出FUSE概率框架，通过贝叶斯融合视觉语言模型中的偶然不确定性和认知不确定性，生成标量不确定性度量，用于可靠预测输出正确性，实现SOTA不确定性校准。