高校专区
HumanScale: 以自我为中心的人类视频在具身预训练中可超越真实机器人数据
机构 * PKU（北京大学） ； NUS（新加坡国立大学） ； MIT（麻省理工学院） ； UCSB（加州大学圣塔芭芭拉分校） ； NVIDIA（英伟达）
AI总结 本文通过系统比较发现，经过精心设计的过滤和标注流程，以自我为中心的人类视频在具身基础模型预训练中不仅可行，而且性能优于遥操作真实机器人数据，验证了“预训练于人类视频+少量机器人数据适配”的可扩展范式。
Comments Github: https://github.com/DAGroup-PKU/HumanNet/
为计算机使用智能体自动生成SKILL.md：基于交互轨迹挖掘
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Harvard University（哈佛大学）
AI总结 提出三阶段流水线从GUI轨迹中挖掘可读技能库，但发现可读性不保证下游策略提升，GRPO仅带来微小改进，揭示当前方法的局限性。
通过演化程序瓶颈解释神经组合优化
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Nanyang Technological University（南洋理工大学） ； Microsoft Research（微软研究院） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 提出演化程序瓶颈（EPB）框架，通过将黑盒神经组合优化模型蒸馏为可读程序组合，利用LLM和混合梯度下降实现可解释性，揭示模型行为与经典启发式变体的关系。
Comments Under Review
MassSpecGym in the Wild: 揭示并纠正AI驱动分子发现中的评估陷阱
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Czech Institute of Informatics, Robotics and Cybernetics, Czech Technical University in Prague（捷克信息学、机器人学与自动化捷克技术大学） ； Enveda Biosciences（Enveda 生物科技） ； Tufts University（塔夫茨大学）
AI总结 本文系统审查了基于串联质谱的分子发现中机器学习模型的评估问题，以MassSpecGym基准为例，发现26篇论文中至少17篇存在数据泄露、捷径学习和实现错误三类问题，并通过实验量化影响，提出改进建议并发布MassSpecGym v1.5。
面向自主AI系统运行时治理的道义策略
机构 * CSEE Department UMBC Baltimore, MD, USA ； Center for AI UMBC Baltimore, MD, USA ； Information Systems Department UMBC Baltimore, MD, USA ； CSAIL MIT Cambridge, MA, USA
AI总结 针对大语言模型驱动的自主AI系统在安全、隐私和合规方面的治理挑战，提出AgenticRei框架，利用基于Rei的道义策略语言（OWL表示）在运行时通过逻辑引擎强制执行义务、豁免、冲突解决等治理约束，并兼容A2AS等标准。
Comments 10 pages, 1 figure. To be published in the 2026 IEEE Symposium on Agentic Services which is part of the IEEE Conference on Web Services
使用整流流变换器扩展胸部X光片的生成式基础模型
机构 * Imperial College London（帝国理工学院） ； Causality in Healthcare AI Hub（医疗AI因果关系中心） ； University of Edinburgh（爱丁堡大学） ； Cleveland Clinic London（克利夫兰诊所伦敦） ； Department of Perioperative Medicine, CHU Clermont-Ferrand（克莱蒙费朗大学医院围手术期医学科） ； Department of Medicine, Massachusetts General Hospital（麻省总医院医学部） ； Broad Institute of MIT and Harvard（麻省理工学院与哈佛大学博德研究所）
AI总结 提出首个十亿参数级胸部X光片生成基础模型，通过整流流变换器实现高保真可控合成，显著提升合成图像与真实图像的不可区分性。
Comments Project page: https://RadiT-project.github.io
3D场景图：开放挑战与未来方向
机构 * University of Stuttgart（斯图加特大学） ； IMPRS-IS（马克斯·普朗克研究所-智能系统） ； Sapienza University of Rome（罗马萨皮恩扎大学） ； Google（谷歌） ； MIT（麻省理工学院） ； University of Freiburg（弗赖堡大学） ； UTN University of Montreal（蒙特利尔大学UTN分校） ； Mila TU Munich（慕尼黑技术大学Mila）
AI总结 本文统一综述3D场景图（3DSG）的构建、应用与评估，分析现有建模选择与开放挑战，旨在推动鲁棒部署。
Comments Invited article for the Annual Review of Control, Robotics, and Autonomous Systems Volume 10
基于因果归因的剪枝保留大型语言模型的推理性能
机构 * Edison Academy Magnet School（爱迪生学院磁石学校） ； Massachusetts Institute of Technology（麻省理工学院） ； State University of New York College at Plattsburgh（纽约州立大学普拉茨堡学院） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Independent Researcher（独立研究员）
AI总结 提出无需训练的因果归因剪枝（CAP）方法，通过测量注意力头对推理任务的因果影响进行细粒度剪枝，在20%稀疏度下相比Wanda在ARC-Challenge上准确率提升高达61%。
Comments Accepted at the ICLR 2026 Workshop on LLM Reasoning. 13 pages, 2 figures
多智能体与一般多体系统的最优序
机构 * Harvard Management Company（哈佛管理公司） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 提出一个分析多智能体系统的通用框架，基于智能体的权力和响应函数，推导出宏观性质，并引入风险偏好系数研究增长与韧性之间的权衡，得出最优有序度。
Comments Key Words: Many body systems, multi agent crowd interactions, feedback loops, agent power, response function, utility function, risk appetite, order, optimal order, fragility, mobility, synchronization, useful energy, entropy, concentration, correlation, task dependency, receiver dependency, collective intelligence, AI model scaling law
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈