Thought-Level Beam Search for Reasoning
用于推理的思维级束搜索
机构 * Princeton University（普林斯顿大学） ； MIT（麻省理工学院） ； Meta AI
AI总结 针对大型推理模型测试时计算分配的低效问题，提出执行思维级束搜索的Gambit算法，在固定硬件预算下，其在准确率、吞吐量、token消耗等指标上均优于现有基线方法。
Comments Add the author Jiawei Zhao in Meta Data
高校专区
Massachusetts Institute of Technology（麻省理工学院）
Market Design for AI: Beyond the Copyright Binary
人工智能的市场设计：超越版权二元论
机构 * MIT Operations Research Center（麻省理工学院运筹学中心） ； MIT Sloan School of Management（麻省理工学院斯隆管理学院） ； Washington University School of Law（华盛顿大学法学院）
AI总结 本文通过静态和动态博弈模型，分析AI训练数据市场中“自由使用”与“强知识产权”两种模式的失败，提出通过数据中介内部化外部性并补贴创新贡献的市场设计。
Infra-Bayesian Reinforcement Learning Agents Outperform Classical RL For Worst-Case Robustness
Infra-Bayesian 强化学习智能体在最坏情况鲁棒性上优于经典强化学习
机构 * Purdue University（普渡大学） ； Carnegie Mellon University（卡内基梅隆大学） ； WorldQuant University（WorldQuant大学） ； UC Berkeley（加州大学伯克利分校） ； Aix-Marseille University（阿维尼翁-马赛大学） ； MIT（麻省理工学院） ； University of Zurich（苏黎世大学） ； University of British Columbia（不列颠哥伦比亚大学） ； University of Stuttgart（斯图加特大学） ； University of Buenos Aires（布宜诺斯艾利斯大学） ； California State University, Fresno（弗雷斯诺加州州立大学） ； University of Chicago（芝加哥大学）
AI总结 针对经典强化学习在模型误设和策略依赖不确定性下的失败，提出 Infra-Bayesian 框架，通过区分概率不确定性和 Knightian 不确定性并采用最坏情况决策，在有限状态无状态决策问题中实现更低的最坏情况遗憾。
Comments RLC 2026: Accepted to Finding the Frame Workshop
TimePre: Bridging Accuracy, Efficiency, and Stability in Probabilistic Time-Series Forecasting
TimePre: 联合精度、效率与稳定性在概率时间序列预测中的应用
机构 * Tohoku University（东京大学） ； WPI ； Texas A&M University（德克萨斯大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； UIUC（伊利诺伊大学香槟分校） ； Georgia Tech（佐治亚理工学院） ； MIT（麻省理工学院） ； University of Southern California（南加州大学） ； San Diego State University（圣地亚哥州立大学）
AI总结 TimePre结合MLP模型的高效性与MCL方法的分布灵活性，通过SIN层解决精度、效率与稳定性之间的平衡问题，实现在概率时间序列预测中的高精度与高速度。
Comments 25 pages, 6 figures, 16 tables
A Tale of Two Temperatures: Simple, Efficient, and Diverse Sampling from Diffusion Language Models
双温度的故事：从扩散语言模型中实现简单、高效且多样的采样
机构 * Massachusetts Institute of Technology（麻省理工学院） ； UvA-Bosch Delta Lab, University of Amsterdam（阿姆斯特丹大学UvA-Bosch Delta实验室） ； Johns Hopkins University（约翰霍普金斯大学） ； University of California, Irvine（加州大学尔湾分校）
AI总结 本文提出通过温和的温度化方法提升扩散语言模型采样多样性，实现高效且多样化的样本生成，优于现有方法。
Comments V2: accepted as a full conference paper at COLM
Faster Superword Tokenization
更快的超词 tokenization
机构 * Kensho Technologies ； MIT（麻省理工学院）
AI总结 本文提出改进的 BoundlessBPE 和 SuperBPE 算法，通过聚合超词候选提升训练速度，实现超词生成并优化超参数选择，使训练时间显著缩短。
Comments Accepted for COLM 2026
Cost-Efficient Estimation of General Abilities Across Benchmarks
跨基准的低成本能力估计
机构 * Kensho Technologies ； MIT（麻省理工学院）
AI总结 本文提出通过改进的多维项目反应理论模型与自适应项目选择方法，以低成本预测模型在未见任务上的性能，实现高效基准评估。
No Free Labels: Limitations of LLM-as-a-Judge Without Human Grounding
无免费标签：缺乏人类基准的LLM作为评判的局限性
机构 * Kensho Technologies ； MIT（麻省理工学院）
AI总结 本文提出BFF-Bench基准测试，通过专家评估LLM响应的正确性，揭示LLM作为评判在无人类基准时的局限性，显示当无正确参考时，LLM评判与人类专家的高一致性仅限于LLM能正确回答的问题。
The Hidden Puppet Master: Predicting Human Belief Change in Manipulative LLM Dialogues
隐藏的提线人：预测操纵性大语言模型对话中的人类信念变化
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出PUPPET框架，通过分析1035个人类与LLM交互数据，揭示当前安全范式在检测操纵策略与信念变化幅度之间的关键断层，证明先进LLM对人类信念易感性的系统低估。
Comments Accepted to COLM 2026
Diffusion-Based Impedance Learning for Contact-Rich Manipulation Tasks
基于扩散的阻抗学习用于接触丰富的操作任务
机构 * Institute for Anthropomatics and Robotics, Karlsruhe Institute of Technology（人机动力学与机器人研究所，卡尔斯鲁厄技术大学） ； Department of Mechanical Engineering, Massachusetts Institute of Technology（机械工程系，麻省理工学院） ； Department of Brain and Cognitive Sciences, Massachusetts Institute of Technology（脑与认知科学系，麻省理工学院）
AI总结 本文提出基于扩散的阻抗学习框架，结合生成建模与能量一致的阻抗控制，实现接触丰富的操作任务中的高精度动态控制与任务泛化能力。
Comments 15 pages, 12 figures
Do LLMs Benefit From Their Own Words?
大型语言模型是否受益于自身话语？
机构 * Department of Electrical Engineering and Computer Science, Massachusetts Institute of Technology（麻省理工学院电子工程与计算机科学系） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室） ； IBM Research（IBM研究院）
AI总结 研究发现，省略大型语言模型自身历史上下文可提高响应质量并减少内存消耗。
Learning Representations from Incomplete EHR Data with Dual-Masked Autoencoding
从不完整电子健康记录数据中学习表示的双掩码自编码
机构 * Massachusetts Institute of Technology（麻省理工学院） ； EPFL（苏黎世联邦理工学院） ； Harvard University（哈佛大学） ； Beth Israel Deaconess Medical Center（贝塞斯达医院）
AI总结 AID-MAE通过双掩码技术直接从不完整EHR时间序列中学习表示，有效提升临床任务性能并实现患者群体的自然分层。
Comments MLHC 2026 camera-ready. Spotlight at NeurIPS TS4H 2025
Situation Graph Prediction for User Perspective Modeling
情境图预测：用户建模的结构化视角推断
机构 * Flybits Labs, Creative AI Hub（Flybits实验室、创意人工智能中心） ； University of Toronto（多伦多大学） ； Toronto Metropolitan University（多伦多 Metropolitan 大学） ； MIT Media Lab（MIT媒体实验室）
AI总结 情境图预测通过结构化视角推断提升用户建模能力，揭示潜在状态推断比表层提取更困难。
Comments Accepted to PILA 2026: Workshop on Personal Intelligence in the Agentic AI Era, at KDD 2026, 5 pages
