高校专区
CrowdMath: 众包数学研究讨论数据集
机构 * University of Massachusetts Lowell（马萨诸塞大学洛文分校） ； San Jose State University（圣何塞州立大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Dartmouth College（达特茅斯学院） ； Amazon AGI（亚马逊人工智能研究院）
AI总结 提出CrowdMath数据集，包含164条专家标注的进展链，用于评估大语言模型在协作开放问题求解中的能力，发现模型在局部预测上表现良好但在角色分类上存在不足。
Comments 16 pages, 4 figures
人类成人与LLM作为科学家：谁从主动探索中受益？
机构 * Mila - Quebec AI Institute（魁北克人工智能研究所） ； McGill University（麦吉尔大学） ； University of California Berkeley（加州大学伯克利分校） ； New York University（纽约大学） ； Meta FAIR ； MIT Media Lab（麻省理工学院媒体实验室） ； Montreal Neurological Institute（蒙特利尔神经科学研究所）
AI总结 本研究通过主动探索实验，发现主动探索能显著提升成人对合取因果规则的推理能力，但合取规则仍需更多测试；同时比较了大型语言模型的表现，发现部分模型在假设推断准确率上接近人类，但探索策略效率较低且存在类似的合取-析取性能差距。
Comments Accepted at the 48th Annual Conference of the Cognitive Science Society (CogSci 2026)
基于结构化步态-语言表示的LLM条件病理步态合成
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； University of Toronto（多伦多大学） ； MIT Media Lab（麻省理工学院媒体实验室）
AI总结 提出一种多模态LLM引导框架，通过结构化文本描述合成病理步态3D数据，利用运动标记化、病理感知语言条件、LLM语义增强和语言到步态生成，改善下游分类性能。
Comments Accepted at CVPR MOMA Workshop 2026 and selected for spotlight presentation at the workshop
Muon的谱缩放定律
机构 * MIT（麻省理工学院）
AI总结 本文系统研究了Muon优化器中动量矩阵奇异值谱随模型大小的缩放行为，发现其遵循幂律，并据此提出层感知的牛顿-舒尔茨迭代配置选择方法以减少计算开销。
MCERF：通过增强检索推进工程文档的多模态大语言模型评估
机构 * School of Mechanical, Aerospace, and Manufacturing Engineering, University of Connecticut, Storrs, CT 06269（机械、航空航天与制造工程学院，康涅狄格大学，斯托尔斯，CT 06269） ； Department of Mechanical Engineering, Massachusetts Institute of Technology, Cambridge, MA 02139, USA（机械工程系，麻省理工学院，剑桥，MA 02139，美国）
AI总结 提出MCERF框架，结合多模态检索器ColPali与大语言模型推理，通过混合查找、视觉文本融合、高推理和自一致性决策等策略，在DesignQA基准上实现平均准确率相对提升41.1%，无需完整规则书摄入即可处理工程文档中的多模态问答。
视觉-语言模型中空间变量绑定的双重机制
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Northeastern University（东北大学） ； Sony Playstation（索尼PlayStation）
AI总结 本文揭示视觉-语言模型通过语言骨干中的内容无关空间关系编码和视觉编码器中的全局布局表示两种机制实现空间变量绑定，其中视觉编码器起主导作用。
Comments 37 pages, 53 figures
通过动力学空腔方法严格推导一阶算法的渐进行为
机构 * Statistical Physics of Computation Laboratory, École polytechnique fédérale de Lausanne (EPFL)（计算统计物理实验室，瑞士联邦理工学院（EPFL）） ； Sloan School of Management, Operations Research Center and Institute of Data, Systems and Society (IDSS), MIT（斯隆管理学院，运筹学中心和数据、系统与社会研究所（IDSS），麻省理工学院） ； CSAIL and LIDS, MIT（计算机科学与人工智能实验室（CSAIL）和麻省理工学院数据科学研究所（LIDS））
AI总结 本文通过严格形式化的动力学空腔方法，推导出一阶算法（如梯度下降和近似消息传递）的动力学主方程，为非严谨的传统方法提供数学基础。
Journal ref COLT 2026
ScenicRules：具有多目标规范和抽象场景的自动驾驶基准测试
机构 * University of California, Berkeley（加州大学伯克利分校） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 提出ScenicRules基准，通过层次化规则框架和形式化场景模型，在随机环境下评估自动驾驶系统对优先级多目标规范的满足程度。
Comments v2: Minor numerical corrections for Table V. 16 pages, 14 figures, 7 tables. Extended version of paper accepted to 2026 IEEE Intelligent Vehicles Symposium (IV 2026). ScenicRules benchmark available at https://github.com/BerkeleyLearnVerify/ScenicRules
一种人类敏感控制器：通过强化学习适应人类肌肉骨骼疾病相关约束
机构 * Fundação para a Ciência e Tecnologia（葡萄牙科学与技术基金会） ； Centro de Microssistemas Eletromecânicos da Universidade do Minho（University of Minho微机电系统中心） ； Massachusetts Institute of Technology（麻省理工学院） ； Brigham and Women’s Hospital, Harvard Medical School（哈佛医学院布莱尔妇女医院） ； GEVAB, IQS School of Engineering（GEVAB，IQS工程学院） ； LABBELS-Associate Laboratory, University of Minho（University of Minho关联实验室）
AI总结 提出基于强化学习的人类敏感机器人控制策略，使用Q学习和深度Q网络优化协作机器人的人机工效，在保持零疼痛风险下平均缩短38%任务完成时间。
重复博弈中与自适应对手的遗憾最小化
机构 * Massachusetts Institute of Technology（麻省理工学院） ； OpenAI ； University of Maryland, College Park（马里兰大学学院公园分校）
AI总结 针对重复博弈中自适应对手的遗憾最小化问题，提出重复策略遗憾（RP-Regret）指标，并设计三种算法实现次线性遗憾，同时证明所有玩家最小化该遗憾可学习子博弈完美均衡。
Agent记忆：有状态长时任务工作负载的表征与系统影响
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Stanford University（斯坦福大学） ； University of California, Berkeley（加州大学伯克利分校） ； MIT Media Lab（麻省理工学院媒体实验室）
AI总结 本文首次对LLM agent记忆系统进行系统级表征，提出四轴分类法，通过阶段感知分析框架评估10种代表性系统，并给出10条系统设计建议。
USAD 2.0：面向通用音频理解的表征蒸馏规模化
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Amazon（亚马逊）
AI总结 提出USAD 2.0通用音频编码器，通过领域感知蒸馏融合自监督和监督基础模型知识，并扩展至音乐领域，经深度缩放达到十亿参数，在探测和基于LLM的评估中取得领先性能。
Comments Accepted to Interspeech 2026
Meridian: 超越城市环境的跨视角地理定位的度量-语义基元匹配
机构 * Massachusetts Institute of Technology（麻省理工学院） ； GRASP Laboratory, University of Pennsylvania（宾夕法尼亚大学GRASP实验室） ； U.S. Army Combat Capabilities Development Command, Army Research Laboratory（美国陆军战斗能力发展指挥部，陆军研究实验室）
AI总结 提出Meridian方法，通过匹配航拍图像与地面机器人RGB-D数据中的高层度量-语义基元，无需特定区域训练即可实现跨多种环境的全局定位，平均轨迹误差2.4米。
Comments 9 pages, 6 figures
快速生长：高速藤蔓机器人尖端支架的设计与基准测试
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Lincoln Laboratory（林肯实验室） ； Stanford University（斯坦福大学） ； University of Notre Dame（圣母大学）
AI总结 提出一种三角滚轮尖端支架，通过滚动代替滑动减少生长阻力，实现TPU涂层防撕裂尼龙藤蔓机器人的一致外翻，并建立可重复的基准测试框架。
Comments Accepted to IEEE Robotics & Automation Letters
蒙特卡洛Steklov算子用于大规模野外几何处理
机构 * Brown University（布朗大学） ； Loyola Marymount University（洛约拉玛丽蒙特大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 提出一种蒙特卡洛方法估计Dirichlet-to-Neumann算子及其Steklov特征模态，实现鲁棒且高效的体积算子计算，并应用于大规模3D对比表示学习。
Comments 21 pages
少即是MoE：修剪领域专家语言模型中的专家
机构 * Carnegie Mellon University（卡内基梅隆大学） ； UCSD（加州大学圣地亚哥分校） ； MIT（麻省理工学院）
AI总结 针对MoE模型部署时参数过多的问题，提出基于Fisher重要性的中间维度修剪方法Fisher-MoE，在50%压缩比下保持模型能力，减少约45%权重内存并提升21%推理吞吐量。
MIRAI：高影响力学术研究的预测与生成
机构 * MIT Media Lab（MIT媒体实验室）
AI总结 提出MIRAI深度学习框架，利用论文标题、摘要和发表日期预测其5年PageRank和引用量，并基于此构建研究构思流程以生成高影响力研究想法。
SHALA-LLM：在对齐LLM中智能处理模糊标签
机构 * MIT Media Lab, Massachusetts Institute of Technology（麻省理工学院媒体实验室、麻省理工学院） ； National University of Singapore（新加坡国立大学）
AI总结 提出SHALA-LLM强化学习框架，通过从标注者分布中学习并动态优先处理高模糊样本，改善LLM对模糊标签的建模，在NLI和情感识别任务中提升与标注者分布的一致性及分类性能。
量化健康与疾病状态下口形红细胞的生物物理特性
机构 * Division of Applied Mathematics, Brown University（布朗大学应用数学系） ； Department of Materials Science and Engineering, Massachusetts Institute of Technology（麻省理工学院材料科学与工程系） ； College of Engineering, University of Georgia（佐治亚大学工程学院）
AI总结 通过耗散粒子动力学模拟与微流控成像结合，构建三种口形红细胞模型，揭示其几何主导的脾窦穿越行为、膜滚动抑制及高剪切粘度增加，统一解释遗传性口形红细胞增多症的脾切除悖论。
Comments 26 pages, 9 figures
诺亚方舟的知识索引
机构 * M-A-P ； Carnegie Mellon University（卡内基梅隆大学） ； Brown University（布朗大学） ； Waseda University（早稻田大学） ； The University of Tokyo（东京大学） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Arizona（亚利桑那大学） ； Northwestern University（西北大学） ； Duke-NUS Medical School（杜克-新加坡国立大学医学院）
AI总结 针对LLM知识基准的代表性、注释质量和排名稳定性问题，提出KINA基准，通过贪婪近似实现学科代表性，并证明奖金锦标赛机制优于固定支付，实验显示顶级模型性能远未饱和。
PF$Δ$: 一个用于负载、发电和拓扑变化的功率流基准数据集
机构 * Department of Electrical Engineering & Computer Science（电气工程与计算机科学系） ； Laboratory for Information & Decision Systems（信息与决策系统实验室） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出PF$Δ$基准数据集，用于评估在负载、发电和拓扑变化下的功率流计算，通过包含859,800个解决的实例，涵盖六种不同的变电站系统大小，并包含三种故障场景，以评估传统求解器和基于GNN的方法，识别现有方法的不足和未来研究的开放问题。
Comments 31 pages, 14 figures. Accepted at NeurIPS 2025
Journal ref NeurIPS 2025
在线算法在表现性预测中的稳定性
机构 * MIT（麻省理工学院） ； NYU（纽约大学）
AI总结 本文研究了在线算法在表现性预测中的稳定性问题，证明了任何在表现性设置中使用的无遗憾算法都会收敛到一种表现性稳定的均衡状态，该状态中模型主动塑造数据分布，使得其预测在事后看来是最优的。该研究避免了对模型如何影响分布的假设，并揭示了常见算法如梯度下降为何能自然稳定化并防止 runaway 反馈循环。
潜在隐式视觉推理
机构 * University of California, Berkeley（加州大学伯克利分校） ； Xero ； MIT-IBM Watson AI Lab（麻省理工-IBM Watson人工智能实验室）
AI总结 本文提出了一种任务无关的机制，训练大规模多模态模型（LMMs）在无需显式中间监督的情况下发现和使用潜在视觉推理标记，从而在多种视觉中心任务中优于直接监督微调，并在不使用辅助图像、边界框、图像裁剪、深度图或思维链注释的情况下，与或优于先前基于文本和显式视觉中间推理方法相媲美。
BrainExplore: 在人脑中大规模发现可解释的视觉表征
机构 * Weizmann Institute of Science（魏茨曼科学研究所） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出了一种大规模自动化框架，用于发现和解释人脑皮层中的视觉表征，通过无监督的数据驱动分解方法发现候选可解释模式，并通过识别最能激发这些模式的自然图像生成自然语言描述，从而揭示了数千种覆盖多种不同视觉概念的可解释模式，包括此前未报告的细粒度表征。
VOLD：通过在线蒸馏将LLM推理能力转移到视觉语言模型
机构 * Tuebingen AI Center（图宾根人工智能中心） ； University of Tuebingen（图宾根大学） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室） ； Inria, École Normale Supérieure, CNRS, PSL Research University（法国国家科学研究院、巴黎-萨克勒大学、École Normale Supérieure、PSL研究大学）
AI总结 本文提出VOLD框架，通过在线蒸馏将文本模型的推理能力转移到视觉语言模型，利用组相对策略优化与在线蒸馏结合，提升推理性能，并验证了冷启动对齐在在线训练中的重要性。
Comments www.walidbousselham.com/VOLD/
AutoLab：前沿模型能否解决长周期自动研究与工程任务？
机构 * MIT（麻省理工学院） ； Stanford University（斯坦福大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of Washington（华盛顿大学） ； University of Toronto（多伦多大学） ； University of Michigan（密歇根大学） ； National University of Singapore（新加坡国立大学） ； University of Tokyo（东京大学）
AI总结 本文提出AutoLab基准，通过36个专家策划的长周期闭环优化任务评估前沿模型，发现持续迭代和利用经验反馈比初始尝试质量更重要。
Comments Code: https://github.com/autolabhq/autolab ; Website: https://autolab.moe/
Archi: CMS实验中的代理操作
机构 * Massachusetts Institute of Technology（麻省理工学院） ； CMS Collaboration（CMS合作组） ； CERN（欧洲核子研究中心） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Fermi National Accelerator Laboratory（费米国家加速器实验室） ； Brown University（布朗大学） ； Harvard University（哈佛大学）
AI总结 提出Archi开源框架，整合异构数据源并部署可配置、私有的代理，用于CMS实验计算操作支持，在真实查询中表现有效。
SparDA: 用于高效长上下文LLM推理的稀疏解耦注意力
机构 * NVIDIA ； Thinking Machines Lab ； ByteDance Seed ； MIT
AI总结 提出SparDA架构，通过引入第四投影Forecast实现KV缓存预取与注意力解耦，减少稀疏选择开销，在长上下文推理中实现1.25倍预填充加速和1.7倍解码加速。
UMAP中的样本外嵌入
机构 * Media Lab, Massachusetts Institute of Technology（媒体实验室，麻省理工学院） ； Electrical and Computer Engineering, Princeton University（电子与计算机工程，普林斯顿大学）
AI总结 针对UMAP在添加新样本时产生的排斥效应，通过优化原始k近邻图中的成对交互，提出参数化UMAP方法以改善嵌入质量。
Comments 22 pages, 16 figures
噪声记忆编码解释了负极词幻觉
机构 * Department of Linguistics, Stanford University（斯坦福大学语言学系） ； BIO-X Interdisciplinary Biosciences Institute, Stanford University（斯坦福大学生物交叉科学研究所） ； Department of Brain and Cognitive Sciences, Massachusetts Institute of Technology（麻省理工学院脑科学与认知科学系）
AI总结 本研究利用Hahn等人(2022)的有损上下文惊奇理论，提出不完美的句子编码导致负极词幻觉，并通过六个新型限定词对的 acceptability 判断实验验证了限定词相似性增强幻觉效应的假设。
Comments 21 pages, 5 figures, submitted for journal publication
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