高校专区
Wasserstein残差：从种群动力学中学习梯度流
机构 * Basis Research Institute（基础研究机构） ； Aalto University（艾尔沃斯大学） ； Brown University（布朗大学） ； University of Toronto（多伦多大学） ； MIT（麻省理工学院）
AI总结 针对传统Wasserstein梯度流JKO方法离散不灵活、计算成本高的问题，提出基于残差的新目标与无仿真粒子方法stitching，在轨迹推断基准上取得SOTA性能。
模型置信度引导的多图像融合眼底图像糖尿病视网膜病变诊断方法
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Wilmer Eye Institute, Department of Ophthalmology, Johns Hopkins University（约翰霍普金斯大学威尔默眼科研究所） ； Department of Biomedical Engineering, Johns Hopkins University（约翰霍普金斯大学生物医学工程系） ； Bakar Computational Health Sciences Institute, University of California San Francisco（加州大学旧金山分校巴卡计算健康科学研究所） ； Department of Ophthalmology, University of California San Francisco（加州大学旧金山分校眼科系） ； Division of Clinical Informatics and Digital Transformation, University of California San Francisco（加州大学旧金山分校临床信息学与数字化转型 division）
AI总结 针对资源有限地区糖网病早期筛查需求，提出置信度引导的多图像融合框架，整合多眼底视图提升诊断置信度与准确率，性能优于传统图像质量级联流水线，适配低延迟移动筛查场景。
Deform360：面向可变形世界模型的大规模多视图视觉触觉数据集
机构 * Brown University（布朗大学） ； Columbia University（哥伦比亚大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 针对可变形物体世界建模缺乏大规模真实数据的问题，构建含多视图视觉与触觉信息的Deform360数据集，评估现有主流世界模型，为相关研究提供基准。
Comments Accepted by ECCV 2026
评价的是宣传话术，而非产品本身：用户对大语言模型的评估更多反映期望而非性能
机构 * Brock University（布鲁克大学） ； Emory University（埃默里大学） ； University of Southern California（南加州大学） ； University College London（伦敦大学学院） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 研究通过控制实验，让参与者使用不同宣传话术下的六种大语言模型完成任务，发现宣传话术影响用户评价和交互行为，任务表现未变，用户评价更多反映期望管理。
分数分布，而非细胞：评估类重叠下的单细胞扰动
机构 * Department of Electrical Engineering and Computer Science, Massachusetts Institute of Technology（美国麻省理工学院电气工程与计算机科学系） ； Department of Computer Science, University of Milan（米兰大学计算机科学系） ； Department of Control and Computer Engineering, Politecnico di Torino（都灵理工大学控制与计算机工程系） ； Eric and Wendy Schmidt Center, Broad Institute of MIT and Harvard（麻省理工学院和哈佛大学布罗德研究所埃里克和温迪·施密特中心）
AI总结 研究单细胞扰动数据类重叠问题，提出跨总体评分法，将分类器逐细胞概率向量平均形成总体概况来排序候选扰动，称其为分类器判别分数（CDS），能可靠识别真实扰动。
文本的保真度-多样性度量
机构 * Department of Computer Science, Cornell University（康奈尔大学计算机科学系） ； Statistics and Data Science Center, Massachusetts Institute of Technology（麻省理工学院统计与数据科学中心） ； Department of Statistics, Cornell University（康奈尔大学统计学系）
AI总结 随着语言建模技术成熟，数据质量评估对训练模型很关键。基于生成模型精度和召回率的工作，开发一对度量，用最优传输散度函数量化文本的保真度和多样性，能区分候选文本缺陷。
EEG-SpikeAgent：用于自动脑电图尖峰检测的智能闭环程序合成
机构 * Dept. of Brain and Cognitive Sciences, Massachusetts Institute of Technology（脑科学与认知科学系，麻省理工学院） ； Dept. of Neuroscience, University of California, Berkeley（神经科学系，加州大学伯克利分校） ； Dept. of Neurology and Neurologic Sciences, Stanford University（神经病学与神经科学系，斯坦福大学） ； Weill Institute of Neurology and Neurosciences, University of California, San Francisco（Weill神经医学研究所，加州大学旧金山分校） ； University of California, San Francisco（加州大学旧金山分校）
AI总结 研究利用大语言模型智能系统，为头皮脑电图尖峰检测生成信号处理特征。核心方法是迭代提出特征模块并执行代码生成表格特征，评估性能后反馈优化。贡献是实现可审核的脑电图特征工程自动化。
Comments 7 pages, 5 figures
信号还是噪声？理解用于现实世界传感器时间序列的生成模型
机构 * University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 研究针对现实世界传感器时间序列生成模型碎片化问题，引入SensorGen大规模研究，评估五个主要家族的生成模型，发现流匹配模型性能强、信号属性重要、生成信号有实用价值。
奖励门控策略蒸馏
机构 * University of Cologne（科隆大学） ； AWS AI（亚马逊云科技人工智能） ； UT Austin（德克萨斯大学奥斯汀分校） ； MIT（麻省理工学院）
AI总结 研究如何进行策略蒸馏，核心方法是引入奖励门控策略蒸馏（RG-OPD）利用验证器反馈决定是否信任教师逻辑，主要贡献是在推理和编码基准测试中表现出色，优于其他蒸馏方法。
Comments 8 pages, 2 figures, 3 tables
如何避免辩论：通过双高效交互式证明实现可扩展的人工智能安全
机构 * MIT（麻省理工学院）
AI总结 研究如何避免人工智能模型间的辩论来实现安全验证，提出单证明者交互式证明，给出双高效单证明者交互式证明及论证，用于神谕辅助计算，表明无辩论时交互式验证也可行。
Comments ICML 2026
解读点之间的信息：解码跨填充令牌的隐藏计算
机构 * Harvard University（哈佛大学） ； Cambridge Boston Alignment Initiative（剑桥波士顿对齐计划） ； Massachusetts Institute of Technology（麻省理工学院） ； Anthropic
AI总结 研究前沿语言模型对无内容填充令牌的隐藏计算，通过分析两个前沿模型在四个任务家族中的表现，介绍无监督解码管道，能从隐藏状态恢复中间值，证明隐藏计算可从残差流读取。
Comments Accepted to ICML 2026 Mech Interp Workshop, 10 main paper pages, 20 appendix pages
超越预测：预测市场代理中的信念到交易层
机构 * Hong Kong University of Science and Technology（香港科学与技术大学） ； The University of Hong Kong（香港大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 以预测未来事件为通用人工智能测试平台，提出Raven-Agent这一预测市场自主交易代理，在存档决策集的控制重放中表现出色。
Comments 10 pages, 4 figures
动态订单履行操作的策略分解框架
机构 * Massachusetts Institute of Technology（麻省理工学院） ； School of Industrial and Intelligent Systems Engineering, Tel Aviv University（特拉维夫大学工业与智能系统工程学院） ； Otto-von-Guericke Universitat Magdeburg（马格德堡奥托·冯·格里克大学）
AI总结 介绍动态订单履行问题（DOFP），将其建模为马尔可夫决策过程。提出分解驱动框架DDF-VFA，通过策略级分解将搜索分为交付和准备子问题，经反馈迭代优化，数值示例显示其性能优于基准方法。
通过轨迹自蒸馏实现少步扩散语言模型
机构 * Rutgers University（罗格斯大学） ； Red Hat AI Innovation（红帽AI创新） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室）
AI总结 本文提出通过轨迹自蒸馏框架训练少步学生模型，以匹配全步教师的生成轨迹，从而减少解码步骤带来的输出质量下降，并结合DDO提升推理任务性能。
通过环境上下文建模自主搜索稀疏分布的视觉现象
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Woods Hole Oceanographic Institution（伍兹霍尔海洋研究所） ； California State University（加州州立大学）
AI总结 研究如何让自主水下航行器高效定位稀疏分布的特定珊瑚物种。利用视觉环境上下文作为信号，结合补丁级DINOv2嵌入进行一次性检测，实现自适应规划，提升自主勘测效率。
Comments Accepted to the 2026 IEEE International Conference on Robotics and Automation (ICRA 2026)
视频生成中的运动归因
机构 * NVIDIA ； Princeton University（普林斯顿大学） ； MIT（麻省理工学院） ； University of Michigan（密歇根大学） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
AI总结 研究视频生成模型中数据对运动影响，提出基于梯度的运动归因框架Motive，通过运动加权损失掩码分离静态外观和时间动态，用于研究微调剪辑对时间动态的影响及指导数据策划，提升视频运动质量。
Comments See the project website at https://research.nvidia.com/labs/sil/projects/MOTIVE/
理性逆推理：通过规划推断意图进行少样本模仿
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
AI总结 研究人类能从少量示范学习新操作任务，而现代机器人模仿学习需大量示范且适应性差的差距。提出理性逆推理，将少样本模仿视为对潜在解释程序的推理，通过视觉语言模型和分层规划器迭代优化候选集，在少样本设置中表现优于基线。
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