Massachusetts Institute of Technology（麻省理工学院）

ShapeFit and ShapeKick for Robust, Scalable Structure from Motion

形状拟合与形状踢：用于鲁棒、可扩展的结构从运动

Thomas Goldstein, Paul Hand, Choongbum Lee, Vladislav Voroninski, Stefano Soatto

机构 * Dept. of Computer Science, University of Maryland, College Park, MD（计算机科学系，马里兰大学，学院公园，MD） ； Dept. of Computational and Applied Mathematics, Rice University, Houston, TX（计算与应用数学系，里士满大学，休斯顿，TX） ； Dept. of Mathematics, Massachusetts Institute of Technology, Cambridge, MA（数学系，麻省理工学院，剑桥，MA） ； Dept. of Computer Science, University of California, Los Angeles, CA（计算机科学系，加州大学洛杉矶分校，CA） 纠错

AI总结 本文提出一种利用高效凸优化程序进行成对方向定位恢复的新方法，能有效处理对抗性异常值，且在真实场景和模拟数据上验证了其性能和灵活性。

Simultaneous Mode, Input and State Estimation for Switched Linear Stochastic Systems

切换线性随机系统的模式、输入和状态联合估计

Sze Zheng Yong, Minghui Zhu, Emilio Frazzoli

机构 * Laboratory for Information and Decision Systems, Massachusetts Institute of Technology（信息与决策系统实验室，麻省理工学院） ； Department of Electrical Engineering, Pennsylvania State University（电气工程系，宾夕法尼亚州立大学） 纠错

AI总结 本文提出了一种滤波算法，用于同时估计隐藏模式切换线性随机系统的模式、输入和状态。通过多模型方法，利用每个模式的线性输入和状态滤波器银行，通过识别关键性质实现最可能模型的估计。

Comments Submitted to SIAM Journal on Control and Optimization

Control Contraction Metrics and Universal Stabilizability

控制收缩度量与通用可控性

Ian R. Manchester, Jean-Jacques E. Slotine

机构 * ACFR, School of Aerospace, Mechanical and Mechatronic Engineering, University of Sydney, Australia（澳大利亚悉尼大学航空航天、机械与机电工程学院） ； Nonlinear Systems Laboratory, Dept. of Mechanical Engineering, Massachusetts Institute of Technology（麻省理工学院机械工程系非线性系统实验室） 纠错

AI总结 本文提出通用可控性概念，通过求解点wise线性矩阵不等式得到控制收缩度量，为非线性系统全局稳定提供了充分条件，并与控制Lyapunov函数理论有联系。

Comments Conference submission

Resource-Constrained Adaptive Inference for Sequential Pricing

资源约束下的自适应推断用于顺序定价

Ruicheng Ao, Jiashuo Jiang, David Simchi-Levi

机构 * Institute for Data, Systems, and Society, Massachusetts Institute of Technology, Cambridge, MA 02139（数据、系统与社会研究所，麻省理工学院，剑桥，马萨诸塞州，02139） ； Department of Industrial Engineering and Decision Analytics, Hong Kong University of Science and Technology, Hong Kong（工业工程与决策分析系，香港科技大学，香港） ； Department of Civil and Environmental Engineering and Operations Research Center, Massachusetts Institute of Technology, Cambridge, MA 02139（土木与环境工程系和运筹中心，麻省理工学院，剑桥，马萨诸塞州，02139） 纠错

AI总结 针对资源约束导致固定价格推断不可行的问题，提出一种目标感知定价控制器，通过认证可行目标带并记录连续局部密度，实现基于局部去偏的学生化区间，并分析遗憾-信息核算。

Dynamic Short Convolutions Improve Transformers

动态短卷积改进Transformer

Oliver Sieberling, Bharat Runwal, Rameswar Panda, Yoon Kim

机构 * Massachusetts Institute of Technology（麻省理工学院） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室） 纠错

AI总结 本文提出动态短卷积作为新的神经网络原语，通过输入依赖的滤波器增强Transformer，在语言建模中相比标准Transformer和静态短卷积变体持续提升性能，并带来计算优势。

Conformal Language Modeling via Posterior Sampling

通过后验采样的共形语言建模

Nicolas Emmenegger, Theo X. Olausson, Armando Solar-Lezama, Chara Podimata

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

AI总结 提出通过近似LLM后验采样（条件为校准的高分区域）来替代事后过滤，实现目标风险控制并提高下游效用。

Text-to-Image Models Need Less from Text Encoders Than You Think

文生图模型对文本编码器的依赖比你想象的要少

Nurit Spingarn, Noa Cohen, Tamar Rott Shaham, Tomer Michaeli

机构 * Technion – Israel Institute of Technology（技术学院 – 以色列理工学院） ； 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 本文发现基于扩散Transformer的文生图模型主要依赖文本编码器提供的单词含义和词序信息，而非完整的上下文信息，并通过构建仅含位置标记词袋的嵌入验证了这一观点。

Comments Project webpage: https://nsping13.github.io/contextless-TTI/

Fast Organic Crystal Structure Prediction with Unit Cell Flow Matching

基于晶胞流匹配的快速有机晶体结构预测

Alston Lo, Luka Mucko, Austin H. Cheng, Andy Cai, Alastair J. A. Price, Wojciech Matusik, Alán Aspuru-Guzik

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； University of Zagreb（Zagreb大学） ； University of Toronto（多伦多大学） ； Vector Institute for Artificial Intelligence（人工智能矢量研究所） ； Acceleration Consortium（加速联盟） ； Canadian Institute for Advanced Research（加拿大高级研究研究院） ； NVIDIA（NVIDIA公司） 纠错

AI总结 提出Clari模型，利用流匹配生成无冗余晶胞，以秒级速度实现有机晶体结构预测，速度提升15-30倍。

FederatedSkill: Federated Learning for Agentic Skill Evolution

FederatedSkill: 面向智能体技能演化的联邦学习

Jingbo Yang, Guanyu Yao, Yang Zhang, Ramana Rao Kompella, Gaowen Liu, Shiyu Chang

机构 * UC Santa Barbara（加州大学圣巴bara分校） ； MIT-IBM Watson AI Lab（麻省理工-IBM Watson人工智能实验室） ； Cisco Research（思科研究） 纠错

AI总结 提出FederatedSkill框架，通过语义技能差异作为通信单元，在保护隐私的同时实现个性化技能演化，相比自演化基线成功率提升44.4%，计算成本降低37.5%。

Economy of Minds: Emerging Multi-Agent Intelligence with Economic Interactions

思维经济：具有经济交互的涌现多智能体智能

Zhenting Qi, Huangyuan Su, Ao Qu, Chenyu Wang, Yu Yao, Han Zheng, Kushal Chattopadhyay, Guowei Xu, Zihan Wang, Weirui Ye, Vijay Janapa Reddi, Ju Li, Paul Pu Liang, Himabindu Lakkaraju, Sham Kakade, Yilun Du

机构 * Harvard University（哈佛大学） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 受哈耶克经济理论启发，通过拍卖和财富积累的简单经济信号实现去中心化信用分配，使弱智能体群体涌现出多步推理策略，在五个智能体任务中超越强单体基线。

Misspecified Estimate-then-Optimize Leads to Supra-Competitive Prices

错误指定的估计-优化导致超竞争价格

Jackie Baek, Vivek F. Farias, Farrell Wu

机构 * Stern School of Business, New York University（纽约大学斯特恩商学院） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 研究在多家公司市场中，使用错误指定的需求模型（忽略竞争对手价格）的短视估计-优化定价规则如何导致价格收敛至高于纳什均衡的超竞争水平，并通过流体极限常微分方程分析刻画收敛条件。

Learning Unmasking Policies for Diffusion Language Models

学习扩散语言模型的去掩码策略

Metod Jazbec, Theo X. Olausson, Louis Béthune, Pierre Ablin, Michael Kirchhof, João Monteiro, Victor Turrisi, Jason Ramapuram, Marco Cuturi

机构 * Apple（苹果公司） ； University of Amsterdam（阿姆斯特丹大学） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 针对扩散语言模型中的去掩码采样问题，提出基于强化学习训练轻量级策略，以替代手动调优的启发式方法，在保持性能的同时提升鲁棒性。

Comments V4: Accepted as an oral spotlight at ICML 2026

Automata-Conditioned Cooperative Multi-Agent Reinforcement Learning

自动机条件化协作多智能体强化学习

Beyazit Yalcinkaya, Marcell Vazquez-Chanlatte, Ameesh Shah, Hanna Krasowski, Sanjit A. Seshia

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Stanford University（斯坦福大学） 纠错

AI总结 提出自动机条件化协作多智能体强化学习框架，通过自动机分解团队目标为子任务，学习任务条件化的分散策略，实现最优任务分配和多步协调。

Learning Power Flow with Confidence: A Probabilistic Guarantee Framework for Voltage Risk

学习潮流与置信度：电压风险的概率保证框架

Parikshit Pareek, Sidhant Misra, Deepjyoti Deka

机构 * Department of Electrical Engineering, Indian Institute of Technology Roorkee, India（印度理工学院罗奥克分校电气工程系） ； Los Alamos National Laboratory, New Mexico, USA（洛斯阿拉莫斯国家实验室） ； MIT Energy Initiative, Boston, USA（麻省理工学院能源倡议） 纠错

AI总结 针对机器学习在电力系统安全应用中缺乏形式化性能保证的问题，提出基于高斯过程回归的概率保证框架，通过顶点度核和网络扫描主动学习算法实现数据高效且可靠的电压风险评估。

Comments 10 pages

BEAVR: Bimanual, multi-Embodiment, Accessible, Virtual Reality Teleoperation System for Robots

BEAVR：用于机器人的双手、多形态、可访问的虚拟现实遥操作系统

Alejandro Posadas-Nava, Alejandro Carrasco, Richard Linares

机构 * Department of Aeronautics and Astronautics, Massachusetts Institute of Technology（航空与航天系，麻省理工学院） 纠错

AI总结 提出BEAVR，一个开源的双手多形态VR遥操作系统，通过零拷贝流式架构和异步“思考-行动”控制循环，实现低延迟、多机器人实时控制与数据记录，并兼容多种视觉运动策略。

Comments Accepted for presentation on ICCR Kyoto 2025

LongLive-RAG: A General Retrieval-Augmented Framework for Long Video Generation

LongLive-RAG: 一种用于长视频生成的通用检索增强框架

Qixin Hu, Shuai Yang, Wei Huang, Song Han, Yukang Chen

机构 * NVIDIA ； USC（美国大学） ； MIT（麻省理工学院） 纠错

AI总结 提出LongLive-RAG框架，通过将自回归视频生成中的历史潜变量作为可检索记忆，利用查询嵌入检索相关历史潜变量并引入窗口时间增量损失，以减轻滑动窗口注意力导致的误差累积，提升长视频生成质量。

Comments 20 pages, 7 figures, 4 tables

SeClaw: Spec-Driven Security Task Synthesis for Evaluating Autonomous Agents

SeClaw: 面向自主代理评估的规范驱动安全任务合成

Hao Cheng, Changtao Miao, Tianle Song, Yin Wu, He Liu, Erjia Xiao, Junchi Chen, Xiaoyu Shi, Yichi Wang, Jing Yang, Taowen Wang, Jinhao Duan, Mengshu Sun, Peiyan Dong, Xuan Shen, Yang Cao, Renjing Xu, Kaidi Xu, Jindong Gu, Bo Zhang, Jize Zhang, Chenhao Lin, Philip Torr, Chao Shen

机构 * The Hong Kong University of Science and Technology（香港科技大学） ； Ant Digital Technologies, Ant Group（蚂蚁集团数字技术部） ； Xi’an Jiaotong University（西安交通大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； University of Oxford（牛津大学） ； City University of Hong Kong（香港城市大学） ； Institute of Science Tokyo（东京科学研究所） ； Zhejiang University（浙江大学） ； Massachusetts Institute of Technology（麻省理工学院） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Beijing University of Technology（北京理工大学） 纠错

AI总结 提出SeClaw框架，通过规范驱动的安全任务合成与基于执行的安全评估，实现对自主LLM代理在状态化环境中的安全风险的可扩展、可复现评估。

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 13 pages, 5 figures

MobEvolve: An Agentic Self-Evolving Heuristic System for Interpretable Human Mobility Generation

MobEvolve：用于可解释人类移动性生成的智能体自进化启发式系统

Junlin He, Yihong Tang, Tong Nie, Ao Qu, Yuebing Liang, Hamzeh Alizadeh, Bang Liu, Wei Ma, Lijun Sun

机构 * The Hong Kong Polytechnic University（香港理工大学） ； McGill University（麦吉尔大学） ； MIT（麻省理工学院） ； Tsinghua University（清华大学） ； Autorité régionale de transport métropolitain（大都会交通地区管理局） ； Université de Montréal（蒙特利尔大学） ； Mila – Quebec AI Institute（魁北克人工智能研究所） 纠错

AI总结 提出MobEvolve，首个智能体自进化启发式框架，通过LLM代理迭代演化内部逻辑，在保持可解释性和推理效率的同时，在个体轨迹保真度、群体分布对齐和行为合理性上超越现有方法。

An Enigma of Artificial Reason: Investigating the Production-Evaluation Gap in Large Reasoning Models

人工推理之谜：探究大型推理模型中的生成-评估差距

Mingzhong Sun, Teresa Yeo, Armando Solar-Lezama, Tan Zhi-Xuan

机构 * NUS Department of Computer Science（国立新加坡大学计算机科学系） ； MIT EECS（麻省理工学院电子工程与计算机科学系） ； A*STAR（新加坡科技研究局） ； Singapore-MIT Alliance for Research and Technology (SMART)（新加坡-麻省理工联合研究技术机构（SMART）） 纠错

AI总结 本文通过VAIR数据集发现大型推理模型在评估推理时存在显著缺陷，表现为答案确认偏差，即模型倾向于验证答案正确性而非仔细检查推理步骤。

Comments 10 pages, 8 figures, 2 tables (Appendix: 19 pages, 13 figures, 3 tables)

Self-Revising Discovery Systems for Science: A Categorical Framework for Agentic Artificial Intelligence

科学中的自我修正发现系统：面向主体人工智能的范畴论框架

Fiona Y. Wang, Markus J. Buehler

机构 * Laboratory for Atomistic and Molecular Mechanics（原子分子力学实验室） ； Department of Biological Engineering（生物工程系） ； Massachusetts Institute of Technology（麻省理工学院） ； Department of Civil and Environmental Engineering（土木与环境工程系） ； Department of Mechanical Engineering（机械工程系） ； Center for Computational Science and Engineering（计算科学与工程中心） ； Schwarzman College of Computing（施瓦茨曼计算学院） 纠错

AI总结 本文提出一个基于范畴论的框架，通过左Kan扩展实现科学发现中的表征体制转换，并应用于材料科学中的蛋白质力学和纤维网络建模。

Agent Skills Should Go Beyond Text: The Case for Visual Skills

Agent技能应超越文本：视觉技能的必要性

Binxiao Xu, Ruichuan An, Bocheng Zou, Hang Hua

机构 * Peking University（北京大学） ； University of Wisconsin（威斯康星大学） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室） 纠错

AI总结 针对现有技能学习方法仅存储文本经验导致视觉任务瓶颈的问题，提出多模态技能范式，结合文本逻辑与视觉支持，通过自动系统将经验转化为可复用的视觉技能，在GUI等视觉任务中显著优于纯文本技能。

A Sonar-Visual Dataset for Cross-Modal Underwater Robot Perception

用于跨模态水下机器人感知的声纳-视觉数据集

Weitung Chen, Phil Tinn, Per Gunnar Auran, Martin Ludvigsen, Peter Halland Haro

机构 * Massachusetts Institute of Technology（麻省理工学院） ； SINTEF（斯蒂纳夫） ； Norwegian University of Science and Technology（挪威科技大学） 纠错

AI总结 提出SOVIS数据集，包含76,000多对声纳-视觉帧，通过端到端管道同步和清洗数据，并利用交互式标注工具加速标注，在跨模态鱼类检测任务中实现mAP@0.10提升7倍。

Comments 6 pages, 7 figures, 3 tables. Accepted to IEEE ICRA 2026 S2S Workshop (From Sea to Space: Advancing Perception in Harsh Domains)

Dr. DocBench: A Comprehensive Benchmark for Expert-Level and Difficult Document Parsing

Dr. DocBench：专家级与困难文档解析的综合基准

Minglai Yang, Xinyan Velocity Yu, Pengyuan Li, Xinyu Guo, Zhenting Qi, Konwoo Kim, Longtian Ye, Xiaolong Luo, Jinhe Bi, Henry Zhang, Haris Riaz, Xuan Zhang, Yunze Xiao, Bangya Liu, Tom Tang, Yunfei Zhao, Qunshu Lin, Zihan Wang, Minghao Liu, Michael Lingzhi Li, Yilun Du, Jesse Thomason, Rogerio Feris, Alex Pentland, Zexue He

机构 * Stanford University（斯坦福大学） ； MIT（麻省理工学院） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Southern California（南加州大学） ； Harvard University（哈佛大学） ； IBM Research（IBM研究院） ； University of Arizona（亚利桑那大学） ； Duke University（杜克大学） ； UC Berkeley（加州大学伯克利分校） ； LMU Munich（慕尼黑路德维希-马克西米利安大学） 纠错

AI总结 提出Dr. DocBench基准，通过基于解析器失败的采样从多语言书籍语料库中选取挑战性文档，包含52个BISAC主题领域和65k高质量标注，用于评估专家级文档解析能力。

Comments 27 pages, 13 figures, 14 tables

Cohort-Scale Neural Atlases of Ultrasound Video

超声视频的队列级神经图谱

Zhuorui Zhang, Roger Pallarès-López, Xuan Wu, Praneeth Namburi, Brian W. Anthony

机构 * Department of Mechanical Engineering, MIT（麻省理工学院机械工程系） ； Institute for Medical Engineering and Science, MIT（麻省理工学院医学工程与科学研究所） ； MIT.nano Immersion Lab, MIT（麻省理工学院MIT.nano沉浸实验室） 纠错

AI总结 提出一种基于DINOv3特征空间、联合训练数千帧的队列级神经图谱方法，通过每视频生成潜在优化嵌入实现准确注释迁移，在五个心脏和肌肉骨骼数据集上达到与强基线相当的精度。

Task diversity produces systematic transfer but inhibits continual reinforcement learning

任务多样性产生系统性迁移但抑制持续强化学习

Purab Seth, Neil Shah, Kunal Jha, Samuel J. Gershman, Max Kleiman-Weiner, Wilka Carvalho

机构 * MIT（麻省理工学院） ； University of California, Berkeley（加州大学伯克利分校） ； Princeton University（普林斯顿大学） ； Harvard University（哈佛大学） 纠错

AI总结 通过引入GPU加速的持续强化学习领域Banyan，研究任务多样性（地图布局、交互对象、子目标层次结构）对智能体在分布变化下持续学习能力的影响，发现多样性促进局部迁移但导致长期任务性能停滞和遗忘。

Belief Consistency Between Foundation-Model Evidence and Geometric Perception in Persistent Robotic Maps

持久机器人地图中基础模型证据与几何感知之间的信念一致性

Christoffer Heckman, Harel Biggie, Brendan Crowe, Nicholas Roy

机构 * Department of Computer Science, University of Colorado, Boulder（科罗拉多大学博尔德分校计算机科学系） ； Computer Science and Artificial Intelligence Lab, Massachusetts Institute of Technology（麻省理工学院计算机科学与人工智能实验室） 纠错

AI总结 提出一种更新算子，通过每类校准提交门和每事件冲突丢弃窗口，解决基础模型语义通道与几何感知通道在持久地图中的矛盾，显著提升地图精度。

The Harsh Truth: Segment-Level Analysis of Harsh Driving Events in Milan Using Large-Scale Telematics, Street Networks, and Google Street View

残酷真相：基于大规模远程信息处理、街道网络和谷歌街景的米兰激烈驾驶事件路段级分析

Andrea La Grotteria, Paolo Santi, Titus Venverloo, Umberto Fugiglando, Carlo Ratti

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

AI总结 本研究结合大规模远程信息处理、交通指标、街道网络属性和谷歌街景视觉特征，通过非参数检验和机器学习回归分析米兰城市道路网络中激烈驾驶事件的路段级特征，发现更宽的车道、交叉口和公交站以及更开阔的视野与更高激烈事件强度相关，而密集建筑正面与较低强度相关，并针对自行车基础设施案例揭示了不同设施类型间的强度梯度。

FrontierOR: Benchmarking LLMs' Capacity for Efficient Algorithm Design in Large-Scale Optimization

FrontierOR：基准测试大语言模型在大规模优化中高效算法设计的能力

Minwei Kong, Chonghe Jiang, Ao Qu, Wenbin Ouyang, Zhaoming Zeng, Xiaotong Guo, Zhekai Li, Junyi Li, Yi Fan, Xinshou Zheng, Xi Jing, Yikai Zhang, Zhiwei Liang, Seonghoo Kim, Runqing Yang, Zijian Zhou, Sirui Li, Han Zheng, Wangyang Ying, Ou Zheng, Chonghuan Wang, Jinglong Zhao, Hanzhang Qin, Cathy Wu, Paul Pu Liang, Jinhua Zhao, Hai Wang

机构 * Singapore-MIT Alliance for Research and Technology（新加坡-麻省理工联盟研究技术） ； Massachusetts Institute of Technology（麻省理工学院） ； Northeastern University（东北大学） ； Uber ； Shanghai Jiaotong University（上海交通大学） ； Boston University（波士顿大学） ； Emory University（埃默里大学） ； Northwestern University（西北大学） ； National University of Singapore（国立新加坡大学） ； Microsoft（微软） ； University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Singapore Management University（新加坡管理学院） 纠错

AI总结 提出FrontierOR基准，系统评估大语言模型在现实大规模优化问题中设计可扩展算法（而非仅生成求解器代码）的能力，发现最强模型仅在31%案例中优于Gurobi。

Why Larger Models Learn More: Effects of Capacity, Interference, and Rare-Task Retention

为什么更大的模型学习得更多：容量、干扰和稀有任务保留的影响

Jing Huang, Daniel Wurgaft, Rachit Bansal, Laura Ruis, Naomi Saphra, David Alvarez-Melis, Andrew Kyle Lampinen, Christopher Potts, Ekdeep Singh Lubana

机构 * Stanford University（斯坦福大学） ； Kempner Institute at Harvard University（哈佛大学凯普纳研究所） ； MIT（麻省理工学院） ； Anthropic 纠错

AI总结 通过理论分析和合成实验，研究模型规模对学习能力的影响，发现更大模型通过减少梯度干扰来学习稀有和复杂任务，并在OLMo模型上验证。