Massachusetts Institute of Technology（麻省理工学院）

Finding Needles in the Haystack: Transductive Active Labeling in Ecology

在干草堆中寻找针：生态学中的转导式主动标注

Rupa Kurinchi-Vendhan, Sara Beery

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

AI总结 本文提出转导式主动标注方法，通过发现稀有类样本解决生态数据长尾分布问题，并设计混合停止准则提升稀有类恢复。

Prospect-Theory Behavior from Bellman Optimality in MDPs with Catastrophic States

具有灾难性状态的MDP中贝尔曼最优性产生的前景理论行为

Yujiao Chen

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

AI总结 研究具有吸收灾难状态的马尔可夫决策过程中的风险中性控制，发现标准贝尔曼最优性产生前景理论特征：S形值函数、内生损失敏感系数和反射效应策略反转，并推导出渐近损失厌恶平台的闭式表达式。

Shared Lexical Task Representations Explain Behavioral Variability In LLMs

共享的词汇任务表示解释了大语言模型中的行为变异

Zhuonan Yang, Jacob Xiaochen Li, Francisco Piedrahita Velez, Eric Todd, David Bau, Michael L. Littman, Stephen H. Bach, Ellie Pavlick

机构 * Brown University（布朗大学） ； MIT（麻省理工学院） ； Northeastern University（东北大学） 纠错

AI总结 研究通过比较指令式和示例式提示发现，大语言模型在不同提示下行为差异可由共享的词汇任务表示解释，揭示了任务特定注意力头在不同提示风格中的共同机制。

Comments Accepted to ICML 2026. Updated to the camera-ready version

End-to-End Efficient RL for Linear Bellman Complete MDPs with Deterministic Transitions

具有确定性转移的线性Bellman完备MDP的端到端高效强化学习

Zakaria Mhammedi, Alexander Rakhlin, Nneka Okolo

机构 * Google Research, NYC（谷歌研究院纽约） ； MIT（麻省理工学院） 纠错

AI总结 针对线性Bellman完备MDP，提出一种在确定性转移下计算高效的算法，对有限动作空间端到端高效，对无限动作空间仅需标准argmax oracle，实现多项式样本与计算复杂度。

Unified Structural-Hydrodynamic Modeling of Underwater Underactuated Mechanisms and Soft Robots

水下欠驱动机构与软体机器人的统一结构-水动力学建模

Chenrui Zhang, Yiyuan Zhang, Yunfei Ye, Junkai Chen, Haozhe Wang, Cecilia Laschi

机构 * Department of Mechanical Engineering and Advanced Robotics Centre, National University of Singapore（新加坡国立大学机械工程系与先进机器人中心） ； Singapore-MIT Alliance for Research and Technology (SMART) Centre（新加坡-麻省理工学院研究与技术联盟中心） 纠错

AI总结 提出一种轨迹驱动的全局优化框架，基于CMA-ES同时识别弹性、阻尼和分布式水动力学参数，实现水下欠驱动机构和软体机器人的高保真建模，仅需单段视频。

Comments The first two listed authors contributed equally. Yiyuan Zhang is the corresponding author. This paper has been accepted to the IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) 2026

Teaching Models to Teach Themselves: Reasoning at the Edge of Learnability

教模型自学：在可学习性边缘推理

Shobhita Sundaram, John Quan, Ariel Kwiatkowski, Kartik Ahuja, Yann Ollivier, Julia Kempe

机构 * MIT（麻省理工学院） ； Meta FAIR ； New York University（纽约大学） 纠错

AI总结 提出SOAR非对称自对弈框架，通过元强化学习生成自动课程，解决低初始成功率数据集上的推理模型扩展问题，发现基于学生进步的奖励优于内在可学习性奖励，且问题结构比答案正确性更重要。

Comments ICML 2026. Blog post: https://ssundaram21.github.io/soar/

Verify when Uncertain: Beyond Self-Consistency in Black Box Hallucination Detection

不确定时验证：超越黑盒幻觉检测中的自一致性

Yihao Xue, Kristjan Greenewald, Youssef Mroueh, Baharan Mirzasoleiman

机构 * MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室） ； IBM Research（IBM研究院） 纠错

AI总结 提出两阶段检测算法，结合自一致性与交叉一致性，在保持高检测性能的同时降低计算成本，并通过核均值嵌入提供理论解释。