Massachusetts Institute of Technology（麻省理工学院）

Relaxing Faithfulness with Intervention-Only Causal Discovery

通过仅干预因果发现放松忠实性

Bijan Mazaheri, Jiaqi Zhang, Caroline Uhler

机构 * Thayer School of Engineering Dartmouth College（达特茅斯学院塞耶工程学院） ； Broad Institute of MIT and Harvard（麻省理工学院和哈佛大学布罗德研究所） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 研究因果发现算法，指出常见流程中第一步的忠实性假设在自然系统中常被违反。提出干预即时忠实性假设，表明其足以用硬干预非参数识别因果结构，将干预作为因果结构信息主要载体，还针对干预范围有限情况指定等价类。

Comments Accepted to UAI 2026

OS-Pruner: Pruning Chains-of-Thought of Reasoning Models via Optimal Stopping

OS-Pruner：通过最优停止修剪推理模型的思维链

Mohammed Ehab, Aymane El Gadarri, Vivek F. Farias, Adam Jozefiak, Ciamac C. Moallemi

机构 * MIT（麻省理工学院） ； Columbia Business School（哥伦比亚商学院） 纠错

AI总结 研究针对大语言模型思维链推理存在计算过度问题，提出轻量级框架OS-Pruner，将思维链修剪转化为最优停止问题，通过优化效用动态评估终止点，在多基准和模型上减少生成长度且精度牺牲小。

Domain-Aware Scaling Laws Uncover Data Synergy

领域感知缩放定律揭示数据协同效应

Kimia Hamidieh, Lester Mackey, David Alvarez-Melis

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Microsoft Research（微软研究院） ； Harvard University（哈佛大学） 纠错

AI总结 研究语言模型预训练中的数据协同效应，利用开放权重语言模型的观测变化估计领域间协同效应，其框架提高预测精度，恢复稳定估计，经训练模型验证能正确预测性能排名。

The Spectral Structure of Latent Treatment Effects

潜在治疗效果的谱结构

Hamza Virk, Bijan Mazaheri, Yihren Wu

机构 * Dartmouth College（达特茅斯学院） ； Broad Institute of MIT and Harvard（麻省理工学院和哈佛大学布罗德研究所） ； Hofstra University（霍夫斯特拉大学） 纠错

AI总结 研究在未观察到混杂因素时识别异质治疗效果，核心方法是利用代理模型中潜在混杂因素，通过构造压缩可观测算子及相关分析来恢复潜在治疗效果等，贡献是处理过完备代理系统并给出相关扰动界估计。

Reinforcement Learning with Verifiable Physics: Post-training LLMs with Continuous Rewards

具有可验证物理的强化学习：具有连续奖励的训练后语言模型

Pengfei Cai, Utkarsh Utkarsh, Alan Edelman, Christopher Vincent Rackauckas, Rafael Gomez-Bombarelli

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

AI总结 研究针对偏微分方程求解器代码生成，引入RLVP强化学习训练后框架，通过混合验证器解决可验证性问题，在多PDE族训练单个策略，优于基线且有零样本改进转移，训练后小LLM表现良好，策略有组合性证据。

Interleaved POMDP Planning for Multi-Object Search in Unknown Multi-Room Household Environments

未知多房间家庭环境中多目标搜索的交错部分可观测马尔可夫决策过程规划

Ruochu Yang, Ziyi Xia, Huibo Zhang, Yatong Han, Yiming Zhao, Yingke Li, Fumin Zhang, Yorai Wardi, Mengxue Hou

机构 * Georgia Institute of Technology（佐治亚理工学院） ； The Hong Kong University of Science and Technology（香港科技大学） ； Ising AI（伊辛人工智能公司） ； MIT（麻省理工学院） ； Notre Dame University（圣母大学） 纠错

AI总结 研究未知多房间家庭环境下多目标搜索问题，提出Inter-POMDP算法，通过高级POUCT规划器与低级运动规划器相互作用，平衡规划质量与效率，相比基线方法减少碰撞、导航步数及检测次数。

Beyond Bayesian Nash: Learning Minimax-Regret Equilibria for Adversarial Team Games under Asymmetric Information

超越贝叶斯纳什均衡：非对称信息下对抗团队博弈的极小极大遗憾均衡学习

Naman Aggarwal, Jonathan P. How

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Aerospace Control Laboratory（航空控制实验室） ； Laboratory of Information and Decision Systems（信息与决策系统实验室） 纠错

AI总结 研究非对称信息下对抗团队博弈，提出概率鲁棒极小极大遗憾均衡（PR-MRE），结合极小极大遗憾推理的无分布鲁棒性与概率信息，通过鲁棒双线性规划及新型元求解器 PRMRE-PSRO 实现策略学习，实验证明其在隐藏类型上性能更优，行为更稳健。

Comments 29 pages, 11 figures, 6 tables. Submitted to Transactions on Machine Learning Research (TMLR)

WarpMPC: Large-Batch MPC on GPU via ADMM with Unrolled $LDL^\top$ Factorization

WarpMPC：通过展开的$LDL^\top$分解和交替方向乘子法在GPU上进行大批量模型预测控制

Henrik Hose, Se Hwan Jeon, Charles Khazoom, Sangbae Kim, Sebastian Trimpe

机构 * Institute for Data Science in Mechanical Engineering (DSME), RWTH Aachen University（亚琛工业大学机械工程数据科学研究所） ； Department of Mechanical Engineering, Massachusetts Institute of Technology（麻省理工学院机械工程系） 纠错

AI总结 研究在GPU上求解大批量相同结构的顺序二次规划迭代以最大化吞吐量的问题，核心方法是基于问题实例稀疏性提出展开稀疏线性分解等优化，主要贡献是在多机器人基准测试中大幅提升吞吐量并展示实际应用价值。

Are We Ready for AI-Driven Discovery? AI Verification Before the Next Fundamental Physics Breakthrough

我们准备好迎接人工智能驱动的发现了吗？在下一次基础物理学突破之前进行人工智能验证

Gaia Grosso, Vinicius Mikuni, Lukas Heinrich

机构 * NSF AI Institute for Artificial Intelligence and Fundamental Interactions（NSF人工智能与基本相互作用研究院） ； MIT Laboratory for Nuclear Science（MIT核科学实验室） ； School of Engineering and Applied Sciences, Harvard University（哈佛大学工程与应用科学学院） ； Nagoya University（名古屋大学） ； Technical University Munich（慕尼黑技术大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） 纠错

AI总结 探讨在基础物理学中，随着机器学习日益自主，确保其可靠性至关重要。通过VERaiPHY计划框架，结合统计发现工作流程确定验证时机，强调归纳偏差等局限，思考物理学家角色，以实现机器学习在物理学中负责任的整合。

PHITSBench: an execution-scored benchmark for AI-assisted PHITS radiation-transport input generation using natural language

PHITSBench：用于使用自然语言生成人工智能辅助的PHITS辐射传输输入的执行评分基准

Xianglin Ji, Svetlana V. Boriskina

机构 * MIT（麻省理工学院） 纠错

AI总结 介绍用于PHITS辐射传输输入生成的PHITSBench基准，涵盖三类任务。评估五种基于GPT - 5.4的配置，无特定知识时模型在编辑和修复任务表现好，Reproduce任务差。知识目录和智能体执行可提升成功率，结果显示建模进展依赖多方面因素。