高校专区
PTL-Diffusion: 具有周期终端定律的流形感知扩散
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） ； Harvard University（哈佛大学） ； MIT（麻省理工学院） ； University of Washington（华盛顿大学）
AI总结 提出PTL-Diffusion，通过将前向噪声过程收敛到周期高斯终端族而非单一分布，显式嵌入相位结构，改善低维流形上的分布匹配，在点云和人脸数据集上降低误差。
探测器有限读出下非相干成像分类的端到端优化
机构 * Research Laboratory of Electronics, Massachusetts Institute of Technology（麻省理工学院电子研究实验室） ； Department of Physics, Massachusetts Institute of Technology（麻省理工学院物理系）
AI总结 针对探测器有限读出场景，通过端到端优化相位掩模提升非相干成像分类性能，理论证明全读出下无增益，有限读出下通过增强类可分性实现显著改进。
临床导向的医学语言模型隐私评估
机构 * Stanford University（斯坦福大学） ； Massachusetts Institute of Technology（麻省理工学院） ； American Board of Family Medicine（家庭医学认证委员会）
AI总结 提出临床导向框架，按对抗访问等级评估医学语言模型隐私泄露，发现常规元数据可导致高比率逐字记忆和敏感诊断恢复，但部分记忆源于模板化文档。
MilliVid: 用于视频生成中长程一致性的分层潜变量
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Toyota Research Institute（丰田研究所）
AI总结 提出一种多尺度token空间的粗到细展开方法，通过预训练层次化自编码器压缩帧为多层token，并训练视频扩散模型生成这些token，在保持几何和物体持久性长程一致性的同时降低计算开销。
Comments Ishaan Preetam Chandratreya and David Charatan contributed equally. Project page: https://davidcharatan.com/millivid/
内在选择与粒子重采样：超越领域可验证性的推理时扩展
机构 * MIT（麻省理工学院） ； Red Hat（红帽公司） ； IBM（IBM公司）
AI总结 提出基于并行样本集内在统计量（长度调整尾熵）的推理时扩展方法，通过后验候选排序和步骤级重采样，无需外部验证即可提升开放领域任务性能。
Comments preprint
语言作为传感器：从自然语言在3D场景中进行校准的空间信念估计
机构 * MIT Laboratory for Information & Decision Systems（麻省理工学院信息与决策系统实验室） ； MIT Computer Science & Artificial Intelligence Laboratory（麻省理工学院计算机科学与人工智能实验室）
AI总结 提出语言传感器模型（LSM）将自然语言描述转化为校准的空间分布，并融合到VL-Map概率框架中，实现更准确的目标定位。
Comments 18 pages, 7 figures, 3 tables
对研究者的迎合驱动了表演性失调
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Stanford University（斯坦福大学）
AI总结 本文提出语言模型在评估中表现出的对齐伪装行为更可能是对研究者的迎合而非策略性欺骗，并通过三个实验支持该假说。
测试黑箱：面向消费者的健康大语言模型独立评估的结构性障碍
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Johns Hopkins University（约翰霍普金斯大学） ； University of California, Berkeley（加州大学伯克利分校） ； Toronto General Hospital, University Health Network（多伦多综合医院，大学健康网络） ； McGill University（麦吉尔大学） ； University of Toronto（多伦多大学） ； Independent Researcher（独立研究者） ； Rutgers University（罗格斯大学） ； Beth Israel Deaconess Medical Center（贝斯以色列女执事医疗中心） ； Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院）
AI总结 本研究通过模拟用户档案，测试面向消费者的健康大语言模型在响应变异和谄媚行为方面的表现，发现五大结构性障碍阻碍独立评估。
Comments 6 pages, 1 figure. Preprint submitted for review
Muon的谱动力学与噪声几何
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 研究Muon优化器通过极分解替换矩阵梯度，证明其偏置为平坦谱，在欠定回归中导出奇异值动力学，实验表明其效果依赖于谱方向活跃度。
Comments 24 pages, 11 figures
自信记忆：具有概率保证的时空记忆不确定性量化
机构 * MIT（麻省理工学院）
AI总结 针对机器人长期操作中VLM描述噪声大、视角不一致的问题，提出目标级语义不确定性评分，并集成到UQ-DAAAM系统中，通过主动选择高质量视图和融合多视角描述来降低不确定性，同时提供概率保证。
从“可能”到“是”：语言模型改写中的确定性扭曲
机构 * University of California Irvine（加利福尼亚大学尔湾分校） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 研究语言模型在改写任务中系统性增加表达确定性的偏差，提出基于人群判断的评估指标，发现高达75%的输出存在确定性扭曲，且模型更倾向于提高确定性。
面向视觉语言模型的动态人类偏好数据集
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 提出一个评估视觉语言模型理解动态人类偏好能力的基准，通过自动化管道生成包含图像依赖变化的数据集，并评估了现有模型。
视觉Transformer对抗微调的机制分析
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 通过机制分析研究对抗微调对视觉Transformer在扰动和常规图像上性能的影响，发现微调仅改善特定类型扰动，未改变稀疏表示。
LLMs能否提取科学共识？以高温超导为例
机构 * Center for Computational Science and Engineering, MIT（MIT计算科学与工程中心） ； Department of Materials Science and Engineering, MIT（MIT材料科学与工程系） ； Department of Physics, MIT（MIT物理系） ； Department of Nuclear Science and Engineering, MIT（MIT核科学与工程系） ； John A. Paulson School of Engineering and Applied Sciences, Harvard University（哈佛大学约翰·A·保罗森工程与应用科学学院） ； Department of Chemistry, Emory University（埃默里大学化学系） ； Department of Physics, University of Connecticut（康涅狄格大学物理系） ； Department of Physics and Texas Center for Superconductivity, University of Houston（休斯顿大学物理系和德克萨斯超导中心）
AI总结 本研究以高温超导领域为测试平台，利用近18,000篇高被引文献构建知识图谱，发现LLM提取的表征能恢复出连贯且物理可解释的结构，表明LLM可作为解码竞争性科学知识的可扩展工具。
Comments 23 pages, 4 figures
值得记住：基于惊讶门控的机器人情景记忆
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Lockheed Martin（洛克希德·马丁公司）
AI总结 提出基于贝叶斯惊讶的门控机制来选择性地存储高效用情景记忆，利用V-JEPA-2潜在空间计算惊讶，在机器人问答任务中提升12%以上性能。
Comments 14 pages, 2 figures, 4 tables
通过扩散强迫实现统一且稳健的数据同化：ForcingDAS
机构 * University of Michigan（密歇根大学） ； University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出ForcingDAS，一种基于扩散强迫的统一数据同化框架，能够捕捉长时序依赖并减少误差积累，同时在推理时无需重新训练即可实现滤波到平滑的全谱应用。
高速率量化矩阵乘法II
机构 * Hebrew University of Jerusalem（希伯来大学杰里科分校） ； MIT（麻省理工学院）
AI总结 本文研究在已知第二因子列协方差矩阵情况下高速率量化矩阵乘法，通过水填充算法改进LLM量化方法，展示WaterSIC方案在信息论极限下的性能。
CADFit：基于混合优化的精确网格到CAD程序生成
机构 * Department of Mechanical Engineering, Massachusetts Institute of Technology, Cambridge, MA 02139, USA（麻省理工学院机械工程系）
AI总结 提出CADFit框架，通过基于几何反馈的增量拟合和验证参数化操作，从网格中恢复复杂可编辑的CAD构造序列，在多个基准上优于现有方法，并显著降低无效比率。
城市洪水观测：一个手标注的训练和验证数据集，用于洪水后淹没区域
机构 * Pacific Northwest National Laboratory（太平洋西北国家实验室） ； University of Arizona（亚利桑那大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Utah State University（犹他州立大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Columbia University（哥伦比亚大学） ； University of Virginia（弗吉尼亚大学）
AI总结 本文提出UFO数据集，用于复杂城市环境中从卫星图像中映射洪水淹没区域，通过手标注数据集验证了分割模型，达到77.3的平均IoU，并评估了两种常用水体产品。
Comments 15 pages, 8 figures
TraversalBench: 为视觉语言模型设计的复杂路径挑战测试集
机构 * Massachusetts Institute of Technology, Department of Physics（麻省理工学院物理系） ； Massachusetts Institute of Technology, Institute for Data, Systems, and Society（麻省理工学院数据、系统与社会研究所） ； NSF AI 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AI研究所）
AI总结 本文提出TraversalBench，一个用于评估视觉语言模型复杂视觉路径跟随能力的受控基准测试集，发现自相交是主要困难来源，揭示了模型在路径感知上的局限性。
学习真实内容：在多传感器数据中分离信号和测量伪影，应用于天体物理学
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Flatiron Institute, Simons Foundation（Flatiron研究所，Simons基金会） ； Institute for Advanced Studies（高级研究 institute） ； Harvard University（哈佛大学） ； New York University（纽约大学） ； Instituto de Astrofísica de Canarias（加那利大天文台）
AI总结 本文提出一种深度学习框架，通过重叠观测、双编码器架构和反事实生成目标，分离多传感器数据中的信号与伪影，提升天体物理学研究的准确性。
Comments Accepted at the 2nd Workshop on Foundation Models for Science at ICLR 2026. 10 pages, 7 figures (main text), plus appendix
利用预训练模型中的弱影子变量在缺失数据下的部分识别
机构 * Massachusetts Institute of Technology, Cambridge, MA 02139（麻省理工学院） ； Emory University, Atlanta, GA 30322（埃默里大学）
AI总结 针对缺失非随机（MNAR）导致的估计偏差，提出部分识别框架，通过线性规划结合预训练模型（如LLM）的预测作为弱影子变量收紧边界，并设计集合扩张估计器保证覆盖，实验显示识别区间缩小75-83%。
AlphaOPT: 利用自改进LLM经验库构建优化问题
机构 * Singapore-MIT Alliance for Research and Technology（新加坡-麻省理工联合研究技术联盟） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Florida（佛罗里达大学） ； Northeastern University（东北大学） ； Singapore Management University（新加坡管理学院）
AI总结 提出AlphaOPT，一种自改进经验库，使LLM能从有限监督中学习优化建模知识，通过库学习和库演化两阶段循环，逐步提升性能，在多个基准上超越基线方法。
学习什么是重要的：通过互信息的概率任务选择用于模型微调
机构 * IIT Bombay（印度理工学院班加罗尔分校） ； IBM Research（IBM研究） ； Red Hat AI Innovation（红帽AI创新） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森AI实验室）
AI总结 本文提出TaskPGM框架，通过基于能量的任务模型学习连续任务混合，利用互信息和行为分歧来捕捉任务间的关系，从而在任务覆盖和冗余之间取得平衡，提升大语言模型的监督微调性能。
Comments 9, 8 tables, 7 figures
TripNet：利用三平面网络学习大规模高保真3D汽车空气动力学
机构 * Department of Mechanical Engineering（机械工程系） ； Massachusetts Institute of Technology（麻省理工学院） ； Department of Computer Science（计算机科学系） ； Technical University of Munich（慕尼黑技术大学）
AI总结 TripNet通过三平面网络实现高分辨率3D汽车空气动力学模拟，无需依赖网格结构，提供高效准确的CFD预测。
隐式数据合成用于对比无监督数据增强
机构 * School of Informatics, The University of Edinburgh（信息学院） ； Massachusetts Institute of Technology Lincoln Laboratory（麻省理工学院林肯实验室）
AI总结 针对科学观测数据难以标注的问题，提出通过扰动网络权重而非数据生成对比样本，在雷达流星观测上使用SimCLR管道验证性能提升。
Comments 11 pages, 3 figures, 2 tables
从级联数据中恢复网络：一种基于去偏雅可比矩阵的机器学习方法
机构 * MIT Sloan School of Management（麻省理工学院斯隆管理学院）
AI总结 提出CascadeNet框架，通过去偏雅可比矩阵估计一步转移函数，无需指定扩散模型即可恢复隐藏影响网络，在模拟和COVID-19传播数据中优于现有方法。
Dash2Sim: 来自野外行车记录仪视频的闭环驾驶仿真
机构 * Carnegie Mellon University（卡内基梅隆大学） ； NEC Labs America（NEC美国实验室） ； MIT（麻省理工学院） ； UC San Diego（加州大学圣地亚哥分校）
AI总结 提出Dash2Sim框架，将单目行车记录仪视频转化为度量级、地理参考的4D驾驶日志，用于闭环仿真，并构建ROADWork4D基准数据集，验证了施工区场景对规划器的挑战。
流式注意力机制的紧界
机构 * MIT（麻省理工学院） ； EPFL（苏黎世联邦理工学院）
AI总结 本文通过核密度估计的三种方法（差异理论、多项式方法和空间划分）的紧密结合，几乎确定了流式注意力近似问题的空间复杂度紧界，并引入带大量辅助信息的INDEX问题新下界技术。
在日常生活人类视频上协同训练机器人操作策略时什么因素重要？
机构 * Massachusetts Institute of Technology（麻省理工学院） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Harvard University（哈佛大学）
AI总结 研究利用日常互联网视频协同训练机器人操作策略时，手部姿态质量和运动差距对迁移的影响，提出一种协同训练方法，在低机器人数据场景下六个操作任务中绝对成功率提升29.7%。
Comments The project website is here: https://richardrl.github.io/what-matters-cotraining-human-videos/index.html
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈