Introspective Coupling: Self-Explanation Training Tracks Behavioral Change Despite Fixed Supervision
内省耦合：尽管监督固定，自我解释训练仍追踪行为变化
机构 * MIT EECS（麻省理工学院电气工程与计算机科学系）
AI总结 研究训练语言模型生成解释时，固定反事实解释数据集如何使模型产生内省性解释，追踪自身行为变化，无需更新监督。
Comments 32 pages, 19 figures
高校专区
Massachusetts Institute of Technology（麻省理工学院）
Robustness of Robotic Manipulation: Foundations and Frontiers
机器人操作的鲁棒性：基础与前沿
机构 * Duke University（杜克大学） ； KTH Royal Institute of Technology（瑞典皇家理工学院） ； Stanford University（斯坦福大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Organifarms
AI总结 本文系统研究机器人操作鲁棒性，提出正式定义、概率与控制理论框架，并综述感知、规划、控制、策略学习和硬件中的鲁棒性机制及评估方法，展望实现人类级鲁棒性的未来方向。
UniTac: A Unified Multimodal Model for Cross-Sensor Tactile Understanding and Generation
UniTac: 一种用于跨传感器触觉理解与生成的统一多模态模型
机构 * Zhejiang University（浙江大学） ； Yale University（耶鲁大学） ； University of Oxford（牛津大学） ； MIT（麻省理工学院） ； Shanghai Jiaotong University（上海交通大学） ； UNIX AI
AI总结 提出UniTac，首个统一多模态模型，通过双级表示编码传感器和物体属性，实现触觉理解与生成，在跨传感器任务上达到最优性能。
Comments This paper has been accepted by ECCV 2026
Learning Gaussian Graphical Models from a Glauber Trajectory Without Mixing
从不混合的格劳伯动力学轨迹中学习高斯图模型
机构 * MIT（麻省理工学院）
AI总结 针对单条格劳伯动力学轨迹，提出一种多项式时间算法，通过条件方差估计、局部边测试和鲁棒中值聚合，在轨迹长度不依赖混合时间的前提下恢复条件独立图。
Transformers as Bayesian In-Context Experimenters: Smoothness-Adaptive Efficient ATE Estimation
Transformer作为贝叶斯上下文实验者：平滑自适应的高效ATE估计
机构 * Laboratory for Information and Decision Systems, MIT（麻省理工学院信息与决策系统实验室）
AI总结 提出贝叶斯上下文实验者框架，利用Transformer模仿贝叶斯后验Neyman分配策略，通过注意力机制和投影梯度下降实现平滑自适应的平均处理效应高效估计。
Rethinking Foundation Model Collaboration: Enhancing Specialized Models through Proxy Task Reasoning
重新思考基础模型协作：通过代理任务推理增强专用模型
机构 * School of Vehicle and Mobility, Tsinghua University（清华大学车辆与运载学院） ； Department of Urban Studies and Planning, Massachusetts Institute of Technology（麻省理工学院城市研究与规划系）
AI总结 提出FAT框架，将基础模型与专用模型协作视为任务分解而非替代，通过代理任务（如选择或验证）提升结构化预测性能，在多个任务上优于直接使用基础模型回归。
Scenario Generation for Testing of Autonomous Driving Systems Using Real-World Failure Records
利用真实世界故障记录生成自动驾驶系统测试场景
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 提出一种基于LLM的场景生成流程，利用历史故障记录中的分类和上下文信息，生成多样化测试场景，在Metadrive模拟器上验证了方法的准确性和多样性。
Comments 9 pages, Appendix included. Paper accepted and presented at NeuS 2026
Motion Planning in Compressed Representation Spaces
压缩表示空间中的运动规划
机构 * MIT LIDS（麻省理工学院信息与决策系统实验室）
AI总结 提出一种生成式框架，通过高压缩率自编码器学习离散层级化潜在空间，并在其中直接搜索进行运动规划，兼顾灵活性与效率，无需任务特定训练。
Comments To appear in the Proceedings of the 43rd International Conference on Machine Learning
GaussLite: Online Task-Conditioned 3D Gaussian Splatting for Real-Time Robotic Mapping
GaussLite：面向实时机器人建图的任务条件化3D高斯泼溅
机构 * Aerospace Controls Laboratory, MIT（麻省理工学院航空航天控制实验室）
AI总结 提出GaussLite，一种任务驱动的3DGS建图系统，通过自然语言任务规范调节表示密度，利用LLM解析器提取目标并实时生成像素级相关性掩码，在有限资源下实现实时建图，ROI PSNR提升约2.72 dB。
Using AI Agents to Automate Black-Box Audits of Personalization Algorithms at Scale
使用AI代理自动化大规模黑盒审计个性化算法
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出用生成式AI代理作为行为引擎进行黑盒审计，通过固定人设和反事实扰动解耦用户属性与行为，在X平台部署1120个代理发现算法推荐放大有毒、极化内容且效果因用户意识形态而异。
Comments 43 pages, 10 figures
The Consistency Dilemma in LLMs: Generator-Evaluator Agreement and Vulnerability to Mistakes
LLMs中的一致性困境：生成器-评估器一致性与对错误的脆弱性
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 提出生成器-评估器自一致性度量，发现模型自一致性越高，在临床环境中对已验证错误的脆弱性越大，揭示LLMs中的一致性困境。
ElemeNet: Multiscale Molecular Machine Learning with Uncertainty Quantification Across the Periodic Table
ElemeNet：跨周期表的多尺度分子机器学习与不确定性量化
机构 * Department of Chemical Engineering, Massachusetts Institute of Technology（麻省理工学院化学工程系） ； 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） ； Institute for Theoretical Chemistry, University of Stuttgart（斯图加特大学理论化学研究所） ； Institute for Artificial Intelligence, University of Stuttgart（斯图加特大学人工智能研究所） ； Department of Chemistry, Massachusetts Institute of Technology（麻省理工学院化学系）
AI总结 提出统一软件包ElemeNet，支持元素1-100的分子表示，集成E(3)-等变和Transformer架构，内置不确定性量化，在有机、无机、配位和生物化学数据集上达到竞争性或最优性能。
