高校专区
基于投影的无梯度和并行学习框架
机构 * TU Munich（慕尼黑工业大学） ； MCML（麦肯锡实验室） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； MIT LIDS（麻省理工学院计算机科学与人工智能实验室）
AI总结 本文提出了一种基于投影的无梯度学习框架，通过将神经网络训练转化为大规模可行性问题，利用并行化投影操作提升训练效率，展示了PJAX框架在多种网络结构上的应用效果。
ActiveDPO: 用于高效对齐的主动直接偏好优化
机构 * Department of Computer Science, National University of Singapore（新加坡国立大学计算机科学系） ； Singapore-MIT Alliance for Research and Technology Centre（新加坡-麻省理工联盟研究技术中心） ； The Chinese University of Hong Kong, Shenzhen, China（香港中文大学（深圳）） ； CSAIL, Massachusetts Institute of Technology（麻省理工学院计算机科学与人工智能实验室） ； Institute of Data Science, National University of Singapore（新加坡国立大学数据科学研究院）
AI总结 ActiveDPO通过理论支撑的非线性奖励函数选择方法，利用LLM自身参数化奖励模型，提升对齐效率和数据收集效果。
Comments Accepted at ICLR 2026
饼干师：用于可发现、可治理和可重用的机器学习数据集元数据生成
机构 * Technical University of Munich（慕尼黑技术大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Helmholtz Munich（海德堡-慕尼黑研究所以及医学中心） ； Barcelona Supercomputing Center（巴塞罗那超级计算中心） ； Google（谷歌） ； Couchbase（Couchbase公司） ； University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校） ； Nutanix（Nutanix公司） ； Georg-August-University Göttingen（哥廷根大学） ； Salesforce（Salesforce公司） ； Sage Bionetworks（Sage Bionetworks公司） ； Dotphoton（Dotphoton公司） ； Harvard University（哈佛大学） ； Eindhoven University of Technology（埃因霍温理工大学） ； Bayer AG（拜耳公司） ； Independent Researcher（独立研究者） ； Massachusetts General Hospital（麻省总医院） ； Columbia University（哥伦比亚大学）
AI总结 本文提出Croissant Baker，一种本地优先的开源命令行工具，可直接从数据集目录生成验证过的Croissant元数据，通过模块化处理程序注册表，支持大规模数据集，如MIMIC-IV，达到97-100%的准确率。
Comments 23 pages, 5 figures, 11 tables. Project: https://lcp.mit.edu/croissant-baker/ Code: https://github.com/MIT-LCP/croissant-baker
为LLM服务中的推测解码开发一个可解释的延迟模型
机构 * MIT（麻省理工学院） ； Red Hat AI（红帽人工智能）
AI总结 本文提出一个可解释的延迟模型，用于LLM服务中的推测解码，通过Little定律推断有效批处理大小，并分解预填充、草稿和验证的请求需求，以解释延迟变化及系统配置影响。
Comments 10 pages, 8 figures
MoMo：基于偏好调节的对比表征学习用于偏好调节规划
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 MoMo通过特征线性调制和低秩神经调制，实现基于偏好调节的对比表征学习，使规划保守性在推理时可连续调节，提升时间与偏好一致性。
Meschers: 不可能物体的几何处理
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； MIT（麻省理工学院）
AI总结 本文提出Meschers，一种能表示类似M.C.埃舍尔木刻中不可能构造的网格，基于离散外微积分理论，支持逆渲染和几何处理，解决了传统切割和弯曲方法的局限。
Journal ref ACM Trans. Graph. 44, 4, Article 70 (August 2025)
基于递归神经网络的单智能体与多智能体强化学习的概率验证
机构 * TU Wien（维也纳技术大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出RNN-ProVe框架，通过策略驱动采样和统计误差界估计，为递归神经网络策略提供更精确的概率保证，适用于部分可观测的单智能体和多智能体强化学习任务。
Comments Accepted at the 35th International Joint Conference on Artificial Intelligence (IJCAI) 2026
NeuroAtlas：用于临床EEG和脑机接口的基础模型基准测试
机构 * KU Leuven（鲁文大学） ； MIT（麻省理工学院）
AI总结 NeuroAtlas是首个大规模EEG基准测试，包含42个数据集和260万小时的数据，涵盖癫痫、睡眠医学和脑年龄估计等领域，评估了EEG基础模型与通用时间序列模型的性能，揭示了现有模型在统一EEG模型上的不足。
消除行动瓶颈：由令牌级能量指导的代理强化学习
机构 * University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； Potsdam Institute for Climate Impact Research（波茨坦气候影响研究所） ； Technical University of Berlin（柏林技术大学） ； University of Southern California（南加州大学） ； University of Hong Kong（香港大学） ； Broad Institute of MIT and Harvard（MIT和哈佛大学Broad研究所）
AI总结 本文提出ActFocus方法，通过令牌级能量建模解决强化学习中令牌级训练信号分配不均的问题，显著提升性能。
Comments Preprint
FrontierSmith: 批量合成开放性编程问题
机构 * University of Washington（华盛顿大学） ； Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Bespoke Labs（Bespoke实验室）
AI总结 本文提出FrontierSmith系统，通过迭代演化现有封闭性编程任务生成开放性问题，提升LLM编程能力，在两个基准测试中显著提升模型性能。
TILT：在协变量偏移下由目标诱导的损失倾斜
机构 * Lab for Information and Decision Systems（信息与决策系统实验室） ； Statistics and Data Science Center（统计与数据科学中心） ； EECS, Massachusetts Institute of Technology（麻省理工学院电子工程与计算机科学系） ； Mathematics and EECS, Massachusetts Institute of Technology（数学与电子工程与计算机科学系, 麻省理工学院）
AI总结 本文提出TILT方法用于无监督域适应，通过分解源预测器为f+b，并在带标签源数据上拟合f+b同时惩罚无标签目标输入的辅助组件b，从而提升目标域性能。
Comments 32 pages, 17 figures. Submitted to NeurIPS 2026
EnergyLens: 多GPU LLM推理优化中的预测能效探索
机构 * Massachusetts Institute of Technology（麻省理工学院） ； IBM Research（IBM研究院）
AI总结 EnergyLens通过einsum接口和MoE建模优化多GPULLM推理能耗，实现9.25%-13.19%的能耗预测精度，揭示配置间能效差异并推动分布式服务。
DT-Transformer：一种用于真实世界健康系统中疾病轨迹预测的基础模型
机构 * Division of Pharmacoepidemiology and Pharmacoeconomics, Department of Medicine, Brigham and Women’s Hospital, Harvard Medical School（药理流行病学与药效学部，医学部，布里奇沃特医院，哈佛医学院） ； Harvard T.H. Chan School of Public Health, Harvard University（哈佛大学T.H. 陈公共卫生学院） ； Kempner Institute for the Study of Natural and Artificial Intelligence, Harvard University（自然与人工智能研究学院，哈佛大学） ； Broad Institute of MIT and Harvard, Cambridge, MA, USA（MIT与哈佛大学Broad研究所，剑桥，马萨诸塞州，美国） ； Harvard Data Science Initiative, Harvard University（哈佛大学数据科学计划）
AI总结 本文提出DT-Transformer模型，基于大规模多医院健康数据预测疾病轨迹，验证了其在不同场景下的预测能力，展示了在896种疾病类别上的高AUC表现。
Comments Work in Progress
为何检索增强生成失败：一种图视角
机构 * Michigan State University（密歇根州立大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文从图视角分析检索增强生成失败原因，发现正确回答具有更深层推理路径和更分布的证据流，而失败回答则表现出碎片化和集中化的证据流。
层次化变换器预处理用于交互式物理模拟
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
AI总结 本文提出层次化变换器预处理方法，通过多尺度结构先验和低秩远场因子提升物理模拟效率，实现O(N)缩放和高效求解。
Comments 10 pages, 7 figures. Includes supplementary video and material
提示激活二元性：通过注意力层面干预改进激活引导
机构 * Southern University of Science and Technology（南方科技大学） ； University of Notre Dame（Notre Dame 大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出GCAD方法，通过提取系统提示对自注意力的影响并应用token级门控，提升长周期连贯性与特质表达。
Comments 23 pages, 5 figures. This paper proposes GCAD, an attention-level activation steering method for more stable multi-turn behavior control
M$^2$RNN：基于矩阵值状态的非线性RNN用于可扩展的语言建模
机构 * MIT-IBM Watson Lab（MIT-IBM沃森实验室） ； Princeton University（普林斯顿大学） ； Together AI
AI总结 本文提出M$^2$RNN，通过矩阵值状态和非线性状态转移提升语言建模性能，实验证明其在长序列泛化和大规模语言建模中的优势。
生成对抗网络在4D流体磁共振成像超分辨率中的潜力与挑战
机构 * Surgery, Karolinska Institutet , addressline= Karolinska Universitetssjukhuset Solna (L1:00) , city= Stockholm , postcode= 171 76 , country= Sweden ； organization= FLOW, Engineering Mechanics, KTH Royal Institute of Technology , addressline= Osquars Backe 18 , city= Stockholm , postcode= 100 44 , country= Sweden ； organization= Department of Radiology ； Biomedical Imaging, University of California San Francisco , addressline= 505 Parnassus Avenue , city= San Francisco , postcode= 94143 , state= CA , country= USA ； organization= Faculty of Informatics, Telkom University , addressline= Jl.Telekomunikasi No. 1, Terusan Buahbatu , city= Bandung , postcode= 40257 , state= West Java , country= Indonesia ； organization= Auckland Bioengineering Institute, University of Auckland , addressline= Bioengineering House, 70 Symonds St , city= Grafton , postcode= 1010 , country= New Zealand ； organization= School of Biomedical Engineering \& Imaging Sciences, King's College London , addressline= 1 Lambeth Palace Rd, South Bank , city= London , postcode= SE1 7EU , country= UK ； organization= Department of Biomedical Engineering, University of Michigan , addressline= 1107 Carl A. Gerstacker Bldg 2200 Bonisteel Blvd. , city= Ann Arbor , postcode= 48109-2099 , state= MI , country= USA ； organization= Department of Physics, University of Greifswald , addressline= Felix-Hausdorff-Str. 6 , city= Greifswald , postcode= 174 89 , country= Germany ； organization= Department of Aerospace Engineering, University of Michigan , addressline= 1320 Beal Avenue , city= Ann Arbor , postcode= 48109-2140 , state= MI , country= USA ； organization= Department of Neuroradiology, Karolinska University Hospital , addressline= Hälsovägen 13, O42 , city= Stockholm , postcode= 141 86 , country= Sweden ； organization= Department of Clinical Physiology, Karolinska University Hospital , addressline= Eugeniavägen 3, A8:01 , city= Solna , postcode= 171 64 , country= Sweden ； organization= Institute for Medical Engineering ； Science, Massachusetts Institute of Technology , addressline= 45 Carleton St , city= Cambridge , postcode= 02142 , state= MA , country= USA
AI总结 本文研究了生成对抗网络在4D流体磁共振成像超分辨率中的应用，通过对比不同对抗损失函数，发现Wasserstein GAN在稳定性和性能上表现最佳，提升了近壁速度恢复效果。
Comments 26 pages, 10 figures
Journal ref Computers in Biology and Medicine 211 (2026) 111745
有限样本界限下的分数匹配学习
机构 * Operations Research Center, Massachusetts Institute of Technology（麻省理工学院运筹学研究中心） ； Theoretical division, Los Alamos National Lab（洛斯阿拉莫斯国家实验室理论部）
AI总结 本文研究了分数匹配在高维统计中学习指数族分布的有限样本界限，提出首个非渐近样本复杂度分析，揭示模型维度的多项式依赖关系。
Comments 22 pages
代理系统作为增强弱推理模型
机构 * Texas A&M University（德克萨斯A&M大学） ； MIT（麻省理工学院）
AI总结 研究通过验证器支持的委员会搜索方法提升弱推理模型性能，证明通过多次采样可增强覆盖度，但需额外局部正确性信号以生成可靠批评者和比较者，实验显示弱模型提案池中存在大量正确补丁，关键挑战在于有效选择。
持续离散化：用于贝叶斯推断的均值偏移交互粒子系统
机构 * Center for Computational Science and Engineering（计算科学中心） ； Laboratory for Information and 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 本文提出基于均值偏移交互粒子系统的新型方法，用于近似概率分布的积分，该方法通过最小化最大均差来构建权重样本，适用于连续分布的贝叶斯推断。
合成社会性：生成模型如何私有化社会织体
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Harvard University（哈佛大学）
AI总结 本文提出分析生成模型的理论框架，探讨生成模型自动化生产社会能力，提出'合成社会性'概念，分析其对社会关系的影响及未来设计方向。
Vibe Code Bench：评估AI模型在端到端Web应用开发中的表现
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出Vibe Code Bench，通过100个Web应用规格和964个浏览器工作流评估AI模型在端到端应用开发中的性能，揭示了可靠开发仍为前沿挑战，并提出评估协议和人类对齐研究。
Comments 23 pages, 8 figures. Accepted to ACM CAIS 2026. Live leaderboard: https://www.vals.ai/benchmarks/vibe-code. Benchmark first released Nov 2025
Robometer：通过轨迹比较扩展通用机器人奖励模型
机构 * Univ. of Southern California（南加州大学） ； UT Dallas（德克萨斯大学达拉斯分校） ； MIT（麻省理工学院） ； Indep. Researcher（独立研究员） ； Univ. of Washington（华盛顿大学） ； Ai2 ； NVIDIA（英伟达）
AI总结 Robometer通过结合轨迹内进步监督与轨迹间偏好监督，提升大规模机器人数据集中的奖励模型学习能力，实现更通用的奖励函数和更好的机器人学习性能。
Comments 33 pages, 17 figures
Journal ref RSS 2026
贝尔曼值分解用于安全最优控制中的任务逻辑
机构 * UCSD（加州大学圣地亚哥分校） ； MIT（麻省理工学院）
AI总结 本文提出通过贝尔曼值的结构分解来优化高维任务中的安全性和性能，引入新的贝尔曼方程并提出VDPPO算法，通过神经网络实现隐含依赖的 bootstrap，验证了在复杂任务中的有效性。
Iskra：一种反向几何处理系统
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
AI总结 Iskra系统通过散装-聚集方法与张量工作流结合，利用伴随方法实现高效反向传播，支持多种几何处理算法的微分，降低实现难度并提升性能。
Kolmogorov-Arnold 化学反应神经网络用于学习压力依赖的速率定律
机构 * Department of Mechanical Engineering, Massachusetts Institute of Technology（麻省理工学院机械工程系）
AI总结 本文提出Kolmogorov-Arnold化学反应神经网络，通过将动力学参数建模为第三体浓度的可学习函数，解决压力依赖和混合物速率行为问题，优于插值方法，实现可解释的速率定律学习。
Comments 12 pages, 8 figures
AnyFlow: 任意步视频扩散模型与在线策略流图蒸馏
机构 * NVIDIA ； Show Lab, National University of Singapore（新加坡国立大学Show实验室） ； MIT（麻省理工学院）
AI总结 AnyFlow通过优化完整ODE采样轨迹，解决一致性蒸馏在任意步视频生成中的性能退化问题，实现高效在线蒸馏以减少测试时误差。
Comments Project page at https://nvlabs.github.io/AnyFlow/
具有可预测扩展规律和推理证明益处的分层语言模型
机构 * Duke University（杜克大学） ； University of Chicago（芝加哥大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Princeton University（普林斯顿大学）
AI总结 本文提出了一种合成语言家族，通过树上的广播过程生成，分析上下文长度和推理在自回归生成中的作用。通过精确k-gram假设，证明了在特定条件下，上下文深度与序列生成的方差和峰度关系，展示了推理模型在有限内存下能精确生成真实语言。
FlowCompile: 一种用于结构化大语言模型工作流的优化编译器
机构 * UMass Amherst（马萨诸塞大学阿姆赫斯特分校） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室）
AI总结 本文提出FlowCompile，一种优化结构化大语言模型工作流的编译器，通过编译时设计空间探索生成高质量可重用配置集，实现准确率与延迟的平衡，实验表明其在多种工作流和基准测试中表现优异，速度提升达6.4倍。
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