Massachusetts Institute of Technology（麻省理工学院）

B-spline Policy: Accelerating Manipulation Policies via B-spline Action Representations

B样条策略：通过B样条动作表示加速操纵策略

Xiaoshen Han, Haoyu Xiong, Haonan Chen, Chaoqi Liu, Antonio Torralba, Yuke Zhu, Yilun Du

机构 * Harvard（哈佛大学） ； MIT（麻省理工学院） ； UT Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 研究提出B样条策略，将动作参数化为连续B样条曲线，可集成到标准策略学习管道，通过直接预测参数实现。实验表明该策略能显著减少任务完成时间，在模拟和现实任务中优于基线方法且成功率高。

Beyond Fixed Representations: The Vocabulary and Verifier Gaps in Open-Ended AI

超越固定表示：开放式人工智能中的词汇与验证差距

Yuan Cao, Haiqian Yang

机构 * MIT（麻省理工学院） 纠错

AI总结 研究指出当前人工智能系统虽能力强但表示框架固定，构建开放式智能需新操作。通过词汇和验证差距刻画与真正开放式智能的距离，基于智能行为的认知转换区分不同类型转换，进而提出创新自主性阶梯及推进开放式人工智能的方向。

CORAL-AUV: CFD Oriented Reinforcement Learning for Autonomous Underwater Vehicles

CORAL-AUV：面向自主水下航行器的CFD强化学习

Steven Roche, Milo Van Mooy, Nathan McGuire, Levi Cai, Jonathan P. How, Yogesh Girdhar

机构 * MIT–WHOI Joint Program（麻省理工学院 - 伍兹霍尔海洋研究所联合项目） ； Woods Hole Oceanographic Institution（伍兹霍尔海洋研究所） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 研究自主水下航行器细粒度控制与定位问题，提出利用CFD模型代理近似在强化学习中快速推理的方法，首次在6自由度AUV上成功部署零射击RL策略，相比传统控制器有能耗降低、速度加快、误差减小等优势。

Comments 16 pages, 13 figures

Statistically Undetectable Backdoors in Deep Neural Networks

深度神经网络中统计上不可检测的后门

Andrej Bogdanov, Alon Rosen, Neekon Vafa

机构 * University of Ottawa（渥太华大学） ； Bocconi University（博科尼大学） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 研究对抗模型训练者在深度前馈神经网络中植入统计上不可检测的后门，此后门可提供基于不变性的对抗样本，揭示了模型训练者与使用者间的权力不对称，且无后门时多项式时间内无法生成此类样本。

Comments ICML 2026

Hydra++: Real-Time Hierarchical 3D Scene Graph Construction With Object-Level Shape Estimation

Hydra++：通过对象级形状估计进行实时分层3D场景图构建

Hyungtae Lim, Nathan Hughes, Xihang Yu, Ruihan Xu, Yun Chang, Jingnan Shi, Rajat Talak, Luca Carlone

机构 * Laboratory for Information & Decision Systems, Massachusetts Institute of Technology（信息与决策系统实验室，麻省理工学院） 纠错

AI总结 研究如何将基于学习的对象形状估计器集成到分层3D场景图管道中，提出Hydra++系统。它结合形状估计和一致性检查，默认配置可在线构建场景图，支持混合配置应对室外挑战，实验证明其提高了对象和场景级重建质量。

Comments 8 pages, 12 figures, accepted in Proc. IEEE/RSJ IROS

Learning More from Less: Reinforcement Learning from Hindsight

从更少中学习更多：事后诸葛亮式强化学习

Iris Xu, Sunshine Jiang, John Marangola, Nitish Dashora, Richard Li, Thomas Liu, Zexue He, Yuheng Zhi, Alex Pentland, Pulkit Agrawal, Zhang-Wei Hong

机构 * Massachusetts Institute of Technology（麻省理工学院） ； MIT-IBM Computing Research Lab（麻省理工学院-IBM计算研究实验室） ； Stanford University（斯坦福大学） ； University of California, San Diego（加利福尼亚大学圣地亚哥分校） 纠错

AI总结 研究针对强化学习用于视觉-语言-动作模型后期训练时样本效率低的问题，提出事后诸葛亮式学习方法，通过对失败轨迹重标记，让策略联合原始与重标记轨迹训练，在分布外任务上显著提升样本效率并优于基线。