Massachusetts Institute of Technology（麻省理工学院）

AutoSynthesis: An agentic system for automated meta-analysis

自动合成：一种用于自动化元分析的智能系统

Moein Taherinezhad, Sebastian Maier, Gerardo Vitagliano, Francesco Pierri, Stefan Feuerriegel

机构 * Politecnico di Milano（米兰理工大学） ； LMU Munich（慕尼黑大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） 纠错

AI总结 研究旨在解决定量证据合成人工操作难扩展问题，提出自动合成这一端到端多智能体系统，能完成从制定策略到元分析等一系列任务，还支持相关分析与评估，应用效果显示其可使证据合成更具扩展性，助力循证决策。

Non-vacuous Generalization Bounds for Reinforcement Learning with Verifiable Rewards

具有可验证奖励的强化学习的非空泛化界限

Yuxuan Zhu, Rohan Alur, Daniel Kang

机构 * UIUC（伊利诺伊大学厄巴纳 - 香槟分校） ； MIT（麻省理工学院） ； Bridgewater AIA Labs（布里奇沃特人工智能实验室） 纠错

AI总结 研究针对具有可验证奖励的强化学习在十亿参数规模下泛化性差的问题，通过将PAC-贝叶斯压缩界限与Gumbel-max重参数化技巧结合，并提出渐进式RLVR框架，在多领域建立非空泛化界限，性能优于基础模型且接近微调模型。

Comments 22 pages, 7 figures

G$^2$SR: Geometric Methods for Fast and Memory-Efficient Gaussian-based Surface Reconstruction

G$^2$SR：基于几何方法的快速且内存高效的高斯曲面重建

Dasong Gao, Vivienne Sze, Sertac Karaman

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

AI总结 研究少视图曲面重建问题，提出G2SR方法，利用跨视图2D平铺对应关系，通过轻量级神经前端和解析后端，实现快速且内存高效的高斯曲面重建，在多个数据集上几何精度高且内存占用小。

Comments 8 pages, 3 figures

Why Git Is the Memory Solution for the Agentic Development Lifecycle

为什么Git是智能开发生命周期的记忆解决方案

Frank Guo

机构 * MIT（麻省理工学院） 纠错

AI总结 研究智能开发生命周期中代码变更推理过程的记忆问题，提出将记忆与Git绑定的方法，通过解决种子供应和答案组装问题，实现低令牌数回答且结果可复制。

Comments 8 pages

Towards Reliable AI-Assisted Analog Design: Template-Constrained LLM Agents for SAR ADC Generation

迈向可靠的人工智能辅助模拟设计：用于逐次逼近寄存器型模数转换器生成的模板约束大语言模型智能体

Dimple Vijay Kochar, Hae-Seung Lee, Anantha P. Chandrakasan

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

AI总结 研究针对大语言模型在模拟电子设计自动化应用的瓶颈，提出端到端多步骤的ATLAS框架，利用专家知识结合模板约束生成，能生成成功通过仿真验证的SAR ADC，为集成LLMs到可靠模拟设计方法奠定基础。

ToolAnchor: Anchoring Counterfactual Context to Boost Agentic Tool-use Capability

ToolAnchor：锚定反事实上下文以提升智能体工具使用能力

Weiting Liu, Jieyi Bi, Wanqi Zhou, Jianfeng Feng, Yining Ma, Ai Han, Wenlian Lu

机构 * Fudan University（复旦大学） ； Nanyang Technological University（南洋理工大学） ； MIT（麻省理工学院） 纠错

AI总结 研究针对工具增强大语言模型智能体在工具集扩展时的问题，提出ToolAnchor框架，通过在关键决策点注入反事实锚定上下文打破行为惯性，经教师模型假设、学生展开验证及智能体后训练，提升其在扩展工具集下的性能，为智能体强化学习开辟新路径。

Causal Inference for Sequential Settings under Interference and Latent Confounding

干扰和潜在混杂下顺序设置的因果推断

Phevos Paschalidis, Constantinos Daskalakis, Devavrat Shah

机构 * MIT（麻省理工学院） 纠错

AI总结 研究顺序观测设置下结果干扰的因果推断，基于最大伪似然估计提供计算高效方法学习模型参数，在温和假设下建立参数估计非渐近一致性，通过实验和案例研究证明方法有效性。