Massachusetts Institute of Technology（麻省理工学院）

Beyond Accuracy: Assessing Calibration of Geospatial Foundation Models and Their Sensitivity to Distribution Shifts

超越准确率：评估地理空间基础模型的校准度及其对分布偏移的敏感性

Nils Lehmann, Jakob Gawlikowski, Burak Ekim, Isaac Corley, Xiao Xiang Zhu

机构 * Technical University of Munich (TUM)（慕尼黑工业大学） ； German Aerospace Center (DLR)（德国航空航天中心） ； Massachusetts Institute of Technology (MIT)（麻省理工学院） ； Taylor Geospatial（泰勒地理空间公司） 纠错

AI总结 该研究指出GeoFMs仅用准确率排序的不足，分析其校准度与分布偏移敏感性，发现EO预训练模型更易过度自信，提出需多条件多指标评估以缩小实际部署差距。

Prior Audit-Repair Context Shifts LLM Verifier Thresholds Toward Leniency

先验审计-修复上下文调整大语言模型验证器阈值以趋向宽松

Parsa Mazaheri, Kasra Mazaheri

机构 * University of California, Santa Cruz（加州大学圣克鲁兹分校） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 该研究发现，LLM检查器上下文中的审计→修复事件会降低误报率，调整了验证器阈值趋向宽松，且该效应与负性不对称性预测相反，不随推理启用而消失。

Comments 12 pages, 2 figures, 4 tables. Code and analysis artefacts: this https URL (https://github.com/parsa-mz/crtitxer)

Revisiting Open-Loop Execution in Robotics: Toward Reactive, Higher-Performing Policies

机器人学中的开环执行再探讨：迈向反应式、高性能策略

Michael Zeng, Abhinav Agarwal, Ajay Bati, Brian Lee, Siddharth Ancha, Russ Tedrake

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Mundane Systems Inc.（芒德系统公司） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本研究探讨机器人开环执行机制，发现长开环执行主要助短上下文策略模仿非马尔可夫示范，专家非马尔可夫性影响远超复合误差，长上下文下闭环策略更优，推动反应式策略范式发展。

Pre-training Visual Dexterity in Simulation

在仿真环境中预训练视觉灵巧性

Sarthak Kamat, Adam Rashid, Satvik Sharma, Aseem Doriwala, Chelsea Finn, Phillip Isola, C. Karen Liu

机构 * Stanford University（斯坦福大学） ； MIT（麻省理工学院） ； Scale AI（Scale AI公司） 纠错

AI总结 该研究提出SPD仿真预训练框架，采集75小时多任务灵巧操作数据预训练因果Transformer，经微调后在真实任务中优于从头训练的行为克隆策略，为真实世界灵巧操作提供可行预训练来源。

Comments Project page: this https URL (https://spd.bot)

Rotation-Invariant Multi-IMU Activity Recognition under Independent Per-Location Orientation Shifts

独立位置方向偏移下的旋转不变多IMU活动识别

Seungyeol Baek, Yoonbyung Chai, Yonghyeon Lee, Sungjoon Choi, Sungho Suh

机构 * Korea University（高丽大学） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 针对多IMU部署时各位置独立方向偏移的问题，提出TRI-HAR框架，通过结构设计实现旋转不变性，在多IMU基准测试中优于旋转增强基线。

Comments 6 pages, 2 figures. ACM International Symposium on Wearable Computing (ISWC) 2026

Logical Embeddings for Argument Analysis

用于论证分析的逻辑嵌入

Leander Heldring, Santiago Torres

机构 * Kellogg School of Management（凯洛格商学院） ； Northwestern University（西北大学） ； MIT（麻省理工学院） 纠错

AI总结 本文提出用于论证分析的新框架，用封装论证逻辑语义的逻辑嵌入替代传统上下文词嵌入，基于RKHS理论定义，在分类任务中性能优于多数标准嵌入方法。

Training Leaves Traces: Centered Residual Signatures for Language Model Lineage Verification

训练留下痕迹：用于语言模型谱系验证的中心化残差特征

Aman Singh Thakur, Rayan Khoury

机构 * Amazon（亚马逊） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本研究提出中心化残差特征方法，通过移除残差训练产生的共享身份对齐组件，对比残差块特有结构得到谱系分数，可高效准确验证开源权重语言模型检查点的谱系

Comments Preprint

Equilibrium Forcing: Adaptive Video Generation Without Noise Conditioning

均衡强迫：无需噪声条件的自适应视频生成

Hansen Jin Lillemark, Alex Rojas, Zachary Novack, Runqian Wang, Yilun Du, Yian Ma, Taylor Berg-Kirkpatrick, Rose Yu

机构 * UC San Diego（加州大学圣地亚哥分校） ； MIT（麻省理工学院） ； Harvard University（哈佛大学） 纠错

AI总结 该研究提出无需噪声条件的均衡强迫（EqF）框架，解耦去噪场学习与采样，实现自适应闭环推理，提升自回归视频生成的质量与一致性，性能优于传统噪声条件方法。

Comments Project page: this https URL (https://equilibriumforcing.github.io/)

Interpreting "Interpretability" and Explaining "Explainability" in Machine Learning in Physics

解读物理学中机器学习的“可解释性”与解释“可解释性”

Rikab Gambhir, Luisa Lucie-Smith, Jesse Thaler

机构 * Department of Physics, University of Cincinnati（俄亥俄州辛辛那提大学物理系） ； Hamburger Sternwarte, Universität Hamburg（汉堡大学汉堡天文台） ； Center for Theoretical Physics – a Leinweber Institute, Massachusetts Institute of Technology（麻省理工学院理论物理中心——莱因韦伯研究所） ； Institut des Hautes Études Scientifiques（高等科学研究院） ； Institut de Physique Théorique, CEA Paris-Saclay（巴黎-萨克雷CEA理论物理研究所） ； NSF Institute for Artificial Intelligence and Fundamental Interactions（国家科学基金会人工智能与基本相互作用研究所） 纠错

AI总结 本文区分了机器学习在物理学中的可解释性（模型结构透明）与可解释性（映射到领域知识），讨论了权衡、应用场景及实现工具，强调它们是建模选择而非固有属性。

Comments 31 pages, 3 figures, Part of the VERaiPHY Initiative; v2: Minor revisions

SL-S4Wave: Self-Supervised Learning of Physiological Waveforms with Structured State Space Models

SL-S4Wave：基于结构化状态空间模型的生理波形自监督学习

Feng Wu, Harsh Deep, Eric Lehman, Sanyam Kapoor, Guoshuai Zhao, Rahul G. Krishnan, Gari Clifford, Li-wei H Lehman

机构 * Massachusetts Institute of Technology（麻省理工学院） ； OpenEvidence, USA（OpenEvidence（美国）） ； New York University（纽约大学） ； Xi’an Jiaotong University（西安交通大学） ； University of Toronto（多伦多大学） ； Emory University（埃默里大学） 纠错

AI总结 提出SL-S4Wave框架，结合对比学习与基于结构化状态空间模型的编码器，通过多尺度子核全局卷积捕获多通道生理波形的局部和长程依赖，在心律失常检测等任务中优于现有方法。

Mitigating Bias in Locally Constrained Decoding via Tractable Proposals

通过可处理提议缓解局部约束解码中的偏差

Meihua Dang, Linxin Song, Honghua Zhang, Jieyu Zhao, Guy Van den Broeck, Stefano Ermon

机构 * Stanford University（斯坦福大学） ； University of California, Berkeley（加州大学伯克利分校） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 针对局部约束解码中因短视掩码导致的采样偏差，提出基于张量化有限自动机的全局约束解码提议和概率全局约束解码提议，结合序贯蒙特卡洛方法实现无偏采样，在函数调用、关键词生成和SQL生成任务中显著减少所需粒子数并加速收敛。

Comments ICML 2026

World-in-World: World Models in a Closed-Loop World

世界中的世界：闭环世界中的世界模型

Jiahan Zhang, Muqing Jiang, Nanru Dai, Taiming Lu, Arda Uzunoglu, Shunchi Zhang, Yana Wei, Jiahao Wang, Vishal M. Patel, Paul Pu Liang, Daniel Khashabi, Cheng Peng, Rama Chellappa, Tianmin Shu, Alan Yuille, Yilun Du, Jieneng Chen

机构 * JHU（约翰·霍普金斯大学） ； PKU（北京大学） ； Princeton（普林斯顿大学） ； MIT（麻省理工学院） ； Harvard（哈佛大学） 纠错

AI总结 研究人员推出首个具身场景闭环世界模型基准平台World-in-World，发现视觉质量不保障任务成功，后训练缩放比升级预训练视频生成器更有效，增加推理计算可提升闭环性能。

Comments ICLR 2026 Oral. Add acknowledgement in arxiv v2. Code is at this https URL (https://github.com/World-In-World/world-in-world)

Efficient Code Embeddings from Code Generation Models

基于代码生成模型的高效代码嵌入

Daria Kryvosheieva, Saba Sturua, Michael Günther, Han Xiao

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Jina AI GmbH（Jina AI公司） 纠错

AI总结 研究提出jina-code-embeddings代码嵌入模型套件，采用文本与代码预训练的自回归主干及最后token池化，以较小规模实现最优性能，可用于代码检索、问答及相似代码识别。

Comments 9 pages. Accepted at the NeurIPS 2025 Workshop on Deep Learning for Code (DL4CODE)