Massachusetts Institute of Technology（麻省理工学院）

Reason Less, Verify More: Deterministic Gates Recover a Silent Policy-Violation Failure Mode in Tool-Using LLM Agents

少些推理，多些验证：确定性门控在使用工具的语言模型智能体中恢复了一种无声的违反策略失败模式

Vikas Reddy, Sumanth Reddy Challaram, Abhishek Basu

机构 * Indian Institute of Technology Kharagpur（印度理工学院卡拉格布尔分校） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 研究使用工具的语言模型智能体违反策略问题，提出用确定性预执行门控干预，在τ²基准航空公司领域评估，该方法能提高成功率，防止无声违反策略写入，虽不保证任务成功，但有可靠性成果。

Layer-Parallel Inference Reduces Encrypted Nonlinear Depth in Transformers

层并行推理减少了Transformer中加密的非线性深度

Ligong Han, Kai Xu, Hao Wang, Ruijiang Gao, Han Gao, Akash Srivastava

机构 * MBZUAI IFM（穆罕默德·本·扎耶德人工智能大学智能未来研究院） ； Red Hat AI Innovation（红帽人工智能创新实验室） ； MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室） ； Core AI, IBM（IBM核心人工智能部门） ； University of Texas at Dallas（德克萨斯大学达拉斯分校） 纠错

AI总结 研究结构化牛顿层并行性（SNLP）能否使Transformer层间组合更适合全同态加密（FHE），通过基于切比雪夫多项式近似的模拟框架测量误差积累，结果表明SNLP可减少推理步骤并降低误差放大。

Comments Code is available at https://github.com/phymhan/nanochat-snlp/tree/snlp-fhe

Meshtryoshka: Differentiable Rendering of Real-World Scenes via Mesh Rasterization

Meshtryoshka: 通过网格光栅化实现真实场景的可微分渲染

David Charatan, Daniel Xu, Richard Szeliski, George Kopanas, Vincent Sitzmann

机构 * Massachusetts Institute of Technology（麻省理工学院） ； University of Washington（华盛顿大学） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 提出Meshtryoshka框架，利用嵌套网格壳表示和现成三角形光栅化器，通过符号距离函数间接更新顶点位置，实现大规模无界场景的高质量可微分渲染。

Comments Daniel Xu and David Charatan contributed equally; author order decided by coin flip. Project website: https://danielxu9393.github.io/meshtryoshka-website/

MemoBench: Benchmarking World Modeling in Dynamically Changing Environments

MemoBench: 动态变化环境中的世界建模基准测试

Haoyu Chen, Kaichen Zhou, Hang Hua, Kaile Zhang, Jingwen Qian, Wufei Ma, Haonan Chen, Chunjiang Liu, Yizhou Zhao, Xiaoyuan Wang, Weiyue Li, Alan Yuille, Paul Pu Liang, Yilun Du

机构 * Harvard University（哈佛大学） ； MIT（麻省理工学院） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室） ； Boston University（波士顿大学） ； Google（谷歌） ； JHU（约翰霍普金斯大学） ； CMU（卡内基梅隆大学） ； Kempner Institute（肯普纳研究所） 纠错

AI总结 提出MemoBench基准，通过目标消失-重现范式评估视频生成模型在动态环境中的记忆一致性，涵盖合成与真实场景，揭示现有模型的关键挑战。

When Does Delegation Beat Majority? A Delegation-Based Aggregator for Multi-Sample LLM Inference

何时委托优于多数？一种基于委托的多样本LLM推理聚合器

Yasushi Sakai, Allen Song, Kent Larson

机构 * MIT Media Lab（麻省理工学院媒体实验室） 纠错

AI总结 提出基于委托的聚合器PPV，利用样本的字母熵和推理几何信号，在MMLU-Pro上比多数投票高1.5个百分点，无需标签或训练。

Comments Preprint. 16 pages, 5 figures, 4 tables

Recursive Multi-Agent Systems

递归多智能体系统

Jiaru Zou, Rui Pan, Ruizhong Qiu, Pan Lu, Shizhe Diao, Jindong Jiang, Hanghang Tong, Tong Zhang, Markus J. Buehler, Jingrui He, James Zou

机构 * UIUC（伊利诺伊大学香槟分校） ； Stanford University（斯坦福大学） ； NVIDIA（英伟达） ； MIT（麻省理工学院） 纠错

AI总结 本文提出递归多智能体框架RecursiveMAS，通过递归计算提升多智能体协作效率，实验证明其在多个基准测试中准确率提升8.3%，推理速度提升1.2-2.4倍，token使用减少34.6%-75.6%。

Comments Project Website: https://recursivemas.github.io

From Confounding to Learning: Dynamic Service Fee Pricing on Third-Party Platforms

从混淆到学习：第三方平台上的动态服务费用定价

Rui Ai, David Simchi-Levi, Feng Zhu

机构 * MIT（麻省理工学院） 纠错

AI总结 研究第三方平台面对策略性代理时的定价行为，开发最优遗憾为$\Tilde{\mathcal{O}}(\sqrt{T}\wedge\sigma_S^{-2})$的算法，揭示供应侧噪声对需求可学习性的影响，提出新构造并通过数据说明方法的潜在收益。

People use fast and flat simulation to reason about new games

人们使用快速且扁平的模拟来对新游戏进行推理

Katherine M. Collins, Cedegao E. Zhang, Lionel Wong, Mauricio Barba da Costa, Graham Todd, Adrian Weller, Samuel J. Cheyette, Thomas L. Griffiths, Joshua B. Tenenbaum

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Princeton University（普林斯顿大学） ； University of Cambridge（剑桥大学） ； Stanford University（斯坦福大学） ； New York University（纽约大学） ； The Alan Turing Institute（艾伦·图灵研究所） 纠错

AI总结 研究人们对新游戏的推理，通过超千名参与者和121种新棋盘游戏的研究，发现人们玩新游戏或评估时具系统性和适应性理性，用“直观玩家”模型解释，为新问题应对及类人AI系统设计提供见解。

Meta-Dependence in Conditional Independence Testing

条件独立测试中的元依赖性

Bijan Mazaheri, Jiaqi Zhang, Caroline Uhler

机构 * Thayer School of Engineering Dartmouth College（达特茅斯学院工程学院） ； Schmidt Center Broad Institute of MIT and Harvard（MIT和哈佛大学Broad研究所Schmidt中心） ； Laboratory for Information and Decision Systems Massachusetts Institute of Technology（信息与决策系统实验室麻省理工学院） ； Broad Institute of MIT and Harvard（MIT和哈佛大学Broad研究所） 纠错

AI总结 研究条件独立测试中的元依赖性，利用几何直觉，通过矩投影给出易于计算的度量，该度量不依赖分布图形属性，可直接从汇总统计量计算，还展示其在调整显著性阈值和改进因果发现方面的应用。

Comments Accepted to UAI 2026