GROW$^2$: Grounding Which and Where for Robot Tool Use
GROW$^2$：为机器人工具使用确定哪个物体和哪个部位
机构 * National University of Singapore（新加坡国立大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 提出GROW$^2$方法，通过分层语义和几何接地实现开放世界工具选择与部位定位，在零样本泛化中优于基线。
高校专区
Massachusetts Institute of Technology（麻省理工学院）
The Human Creativity Benchmark
人类创造力基准
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Contra
AI总结 提出人类创造力基准(HCB)，通过收集领域专家的成对偏好、标量评分和定性理由，分离收敛（共享最佳实践）和发散（个体品味差异）信号，评估创意AI。
Comments 30 pages
Proofs of Ownership for Machine Learning Models
机器学习模型的拥有权证明
机构 * Boston University（波士顿大学） ； MIT and UC Berkeley（麻省理工学院和伯克利大学） ； Tel Aviv University（特拉维夫大学）
AI总结 本文提出并形式化机器学习模型的拥有权证明问题，通过三方博弈模型，证明在标准密码学假设下，概念类不可自校正时拥有权可证明。
A Machine-Verified Proof of a Quantum-Optimization Conjecture
一个量子优化猜想的机器验证证明
机构 * Center of Mathematical Sciences and Applications, Harvard University（哈佛大学数学科学中心） ； MIT Center for Theoretical Physics - a Leinweber Institute（麻省理工学院理论物理中心 - 莱因韦伯研究所） ； Research Laboratory of Electronics, Massachusetts Institute of Technology（麻省理工学院电子研究实验室）
AI总结 利用大语言模型Claude Fable 5发现证明，并通过Lean 4证明助手端到端验证了Farhi-Goldstone-Gutmann猜想，即深度p的量子近似优化算法在环上的近似比恰好为(2p+1)/(2p+2)。
Not All Objectives Are Born Equal: Priority-Constrained Descent for Hierarchical Multi-Objective Optimization
并非所有目标生而平等：面向层次化多目标优化的优先级约束下降
机构 * Department of Computer Science & Engineering, American University of Sharjah（美国沙迦大学计算机科学与工程系） ； Senseable City Laboratory, Massachusetts Institute of Technology（麻省理工学院可感知城市实验室）
AI总结 提出优先级约束下降（PCD）框架，通过保持主目标方向并最小化扭曲以保障次目标进展，解决多目标优化中的层次结构问题，在压缩、稀疏性等任务中优于现有方法。
Comments 33 pages, 14 figures, 6 tables
You Only Touch Once: 6-DoF Object Pose Estimation from Single Tactile Contact
一次触碰：单次触觉接触的6自由度物体姿态估计
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Harvard University（哈佛大学） ； University of Cambridge（剑桥大学）
AI总结 提出YOTO系统，利用单次双点触觉接触通过粗到细网络定位接触点并闭式SVD求解器恢复6自由度物体姿态，在视觉失效场景下优于基线方法。
Building AI-Ready Data Systems for Space Life Sciences, Aerospace Medicine, and Deep Space Exploration
构建面向空间生命科学、航空航天医学和深空探测的AI就绪数据系统
机构 * Blue Marble Space ； Computational and Systems Biology（计算与系统生物学） ； Trivedi Institute for Space and Global Biomedicine（Trivedi空间与全球医学研究所） ； Wellcome Sanger Institute（Wellcome桑格研究所） ； University of Cambridge（剑桥大学） ； Department of Systems Biology, Harvard Medical School（哈佛医学院系统生物学系） ； Amentum, Space Biosciences Division, NASA Ames Research Center（Amentum空间生物学 division, NASA Ames研究中心） ； Massachusetts Institute of Technology（麻省理工学院） ； Crown Point Technologies, Inc（Crown Point Technologies公司） ； BiosView Labs ； Directorate of Human and Robotic Exploration, European Space Agency（欧洲航天局人类和机器人探索部门） ； Texas State University（德克萨斯州立大学） ； McGowan Institute for Regenerative Medicine, Department of Surgery, University of Pittsburgh School of Medicine（McGowan再生医学研究所，匹兹堡大学医学院外科系） ； Center for Space Biomedicine, Trivedi Institute for Space and Global Biomedicine（空间生物医学中心，Trivedi空间与全球医学研究所） ； Department of Bioengineering, University of Pittsburgh（匹兹堡大学生物工程系） ； Stanley Center for Psychiatric Research, Broad Institute of MIT and Harvard（Stanley精神医学研究中心，MIT和哈佛Broad研究所） ； Department of Systems and Computational Biomedicine and WorldQuant Initiative, Weill Cornell Medicine（系统与计算生物医学系及WorldQuant计划，Weill Cornell医学院） ； San Diego Supercomputer Center, University of California San Diego（圣地亚哥超级计算机中心，加州大学圣地亚哥分校） ； Weill Institute for Neurosciences, Department of Neurology, University of California San Francisco（Weill神经科学研究所，加州大学旧金山分校神经病学系） ； Science for Life Laboratory, Department of Gene Technology, KTH Royal Institute of Technology（Science for Life实验室，基因技术系，皇家理工学院） ； European Molecular Biology Laboratory, European Bioinformatics Institute (EMBL-EBI)（欧洲分子生物学实验室，欧洲生物信息研究所（EMBL-EBI））
AI总结 针对空间生物学数据异构性阻碍AI应用的问题，提出从FAIR到AI就绪再到空间就绪的三层数据架构，并建议建立国际协调机构以支持深空生物学研究。
Comments 26 pages, 3 figures, 1 table, 1 supplementary table
Constrained Tabular Diffusion for Finance
面向金融的约束表格扩散
机构 * University of Virginia（弗吉尼亚大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Harvard University（哈佛大学） ； Visa Inc（Visa公司）
AI总结 提出CTDF方法，通过将训练时无约束的表格扩散与采样时的可行性操作结合，在金融数据生成中实现硬约束满足，零违规且提升稀缺数据效用。
Comments Published at ACM International Conference on AI in Finance (ICAIF) 2025
Inference-Time Diversity in RL-Trained Lean Theorem Provers: A Diagnostic Study
强化学习训练的轻量定理证明器推理时的多样性：诊断研究
机构 * MIT（麻省理工学院）
AI总结 研究发现强化学习训练的轻量定理证明器在推理时存在模式崩溃，通过增加采样预算未能提升解题数量，但固定战术骨架调度可显著提升性能，且多样性控制揭示了提示多样性对证明能力的影响。
Comments 9 pages, accepted at the ICML AI4Math Workshop 2026
Machine Learning-Augmented Acceleration of Iterative Ptychographic Reconstruction
机器学习增强的迭代ptychographic重建加速
机构 * Advanced Light Source, Lawrence Berkeley National Laboratory（伯克利国家实验室先进光源） ； Department of Physics, Massachusetts Institute of Technology（麻省理工学院物理系） ； Department of Materials Science and Engineering, University of California Davis（加州大学戴维斯分校材料科学与工程系） ； Center for Advanced Mathematics for Energy Research Applications, Lawrence Berkeley National Laboratory（伯克利国家实验室能源研究高级数学中心） ； Molecular Biophysics and Integrated Bioimaging Division, Lawrence Berkeley National Laboratory（伯克利国家实验室分子生物物理与整合生物成像部） ； Berkeley Synchrotron Infrared Structural Biology Program, Lawrence Berkeley National Laboratory（伯克利同步辐射红外结构生物学计划） ； Department of Physics and Astronomy, University of California, Davis（加州大学戴维斯分校物理与天文学系） ； Linac Coherent Light Source (LCLS), SLAC National Accelerator Laboratory（SLAC国家加速器实验室直线相干光源） ； Argonne National Laboratory（阿贡国家实验室）
AI总结 本文提出一种结合机器学习的加速方法，通过引入预训练的快速前向算子提升ptychographic重建效率，减少迭代次数并提高收敛速度。
Prompt Injection as Role Confusion
提示注入作为角色混淆
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文通过角色探测和CoT伪造攻击，揭示提示注入源于LLM对文本来源的角色感知混淆，并提出角色混淆程度可预测攻击成功率。
Comments ICML 2026
DIA-HARM: Dialectal Disparities in Harmful Content Detection Across 50 English Dialects
DIA-HARM：50种英语方言中有害内容检测的方言差异
机构 * The Pennsylvania State University（宾夕法尼亚州立大学） ； Trinity College Dublin（都柏林圣三一大学） ； MIT Lincoln Laboratory（麻省理工学院林肯实验室）
AI总结 研究探讨了在50种英语方言中检测虚假信息的鲁棒性，发现人类生成的方言内容使检测性能下降1.4%-3.6%，而AI生成内容稳定。多语言模型在跨方言迁移中表现更佳，单语言模型则表现不佳。
Comments Accepted to ACL 2026
The 2025 AI Agent Index: Documenting Technical and Safety Features of Deployed Agentic AI Systems
2025人工智能代理指数：记录已部署代理式人工智能系统的技术和安全特性
机构 * University of Cambridge（剑桥大学） ； University of Washington（华盛顿大学） ； Harvard Law School（哈佛法学院） ； Stanford University（斯坦福大学） ； Concordia AI（康科迪亚AI） ； University of Pennsylvania（宾夕法尼亚大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Hebrew University of Jerusalem（耶路撒冷希伯来大学）
AI总结 本文提出2025人工智能代理指数，记录30种先进代理式AI系统的起源、设计、能力、生态系统及安全特性，揭示代理发展中的趋势和开发者透明度问题。
Comments To be publishesd at ACM FAccT 2026
SparsePixels: Efficient Convolution for Sparse Data on FPGAs
SparsePixels: 用于FPGA上稀疏数据高效卷积的框架
机构 * University of Pennsylvania, USA（美国宾夕法尼亚大学） ； Institute of Physics Belgrade, Serbia（塞尔维亚贝尔格莱德物理研究所） ； Massachusetts Institute of Technology, USA（美国麻省理工学院） ； Institute for Artificial Intelligence and Fundamental Interactions, USA（美国人工智能与基本相互作用研究所）
AI总结 本文提出SparsePixels框架，通过只计算少量活跃像素实现稀疏卷积，降低FPGA上的推理延迟，实验显示在稀疏LArTPC图像中，稀疏CNN比传统CNN快73倍。
Comments Under review
Guided Unconditional and Conditional Generative Models for Super-Resolution and Inference of Quasi-Geostrophic Turbulence
引导的无条件和条件生成模型用于超分辨率和准地转湍流的推断
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Department of Mechanical Engineering, Massachusetts Institute of Technology（麻省理工学院机械工程系） ； Center for Computational Science and Engineering, Massachusetts Institute of Technology（麻省理工学院计算科学与工程中心）
AI总结 本文提出引导的生成模型用于从稀疏观测中推断准地转湍流，比较了无条件和条件模型在超分辨率和湍流统计中的表现，揭示了模型在实现难度、精度和一致性间的权衡。
Comments 47 pages, 16 figures, 5 tables
Journal ref Journal of Advances in Modeling Earth Systems, 18, e2025MS005324
Alternative Graph Neural Networks: Synergizing GEV Models and Deep Learning for Travel Mode Choice Modeling
替代图神经网络：融合极值模型与深度学习用于出行方式选择建模
机构 * University of Florida（佛罗里达大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Texas A&M University（德克萨斯A&M大学） ； University of California, Santa Barbara（加州大学圣塔芭芭拉分校）
AI总结 本文提出替代图神经网络（Alt-GNNs），通过融合极值模型与深度学习，解决传统方法在替代依赖建模中的局限，提升出行方式选择预测性能。
Beyond Spectral Decomposition: Bayesian Contrastive Learning and its Non-negative Formulation via Factor Analysis
超越谱分解：通过因子分析的贝叶斯对比学习及其非负形式
机构 * Xidian University（西安电子科技大学） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出对比因子分析框架，结合因子分析和对比学习的优势，通过非负因子分析提升可解释性，验证了其在表达能力、鲁棒性、可解释性和不确定性估计上的有效性。
