高校专区
MURPHY：具有回顾性信用分配的反馈感知GRPO用于多轮代码生成
机构 * Massachusetts Institute of Technology（麻省理工学院） ； AWS AI（AWS人工智能）
AI总结 MURPHY通过构建反馈条件化的rollout树，实现多轮自修正代码生成，采用最大奖励和平均奖励策略，并引入post-rollout剪枝机制，提升多轮优化效率。
Comments 21 pages, 2 figures, 8 Tables
PAINET：一种基于原理的高效变压器用于3D动态建模
机构 * Department of Computer Science and Engineering, Shanghai Jiao Tong University（上海交通大学计算机科学与工程系） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院） ； SJTU Paris Elite Institute of Technology, Shanghai Jiao Tong University（上海交通大学巴黎精英理工学院） ； Department of Physics, Harvard University（哈佛大学物理系） ； Harvard-MIT Center for Ultracold Atoms（哈佛-麻省理工冷原子中心） ； Eric and Wendy Schmidt Center, Broad Institute of MIT and Harvard（MIT和哈佛大学Broad研究所埃里克和wendy Schmidt中心）
AI总结 本文提出PAINET，一种基于SE(3)等价性的变压器，用于学习多体系统的所有对相互作用，通过物理启发的注意力网络和并行解码器，在多个真实世界基准上实现了3D动态预测的误差降低。
Comments 24 pages, published as a conference paper at ICLR 2026
均场变换器模型中的定量聚类
机构 * Department of Mathematics, Massachusetts Institute of Technology（数学系，麻省理工学院） ； Department of Electrical Engineering and Computer Science, Massachusetts Institute of Technology（电气工程与计算机科学系，麻省理工学院）
AI总结 研究均场变换器模型的长期聚类行为，证明在合适参数下，均场初始化能以指数速度同步到Dirac点质量，提供明确的收敛速率。
Comments 50 pages, 4 figures; We have updated the introduction and added sketches of the proofs of the main theorems
检测后的推断用于序列变化点定位
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出了一种通用框架，用于在序列变化点检测后构建置信集，不依赖特定假设，理论上有保证，且在实践中应用广泛。
AdamFLIP: 适应性动量反馈线性化优化用于硬约束PINN训练
机构 * Purdue University（普渡大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Utah State University（犹他州立大学） ； Harvard University（哈佛大学）
AI总结 本文提出AdamFLIP方法，将PINN训练转化为等式约束优化问题，通过反馈线性化技术提升约束满足能力，实验表明其在PDE问题中优于传统软约束PINN和现有约束优化器。
BenchHAR: 用于通用传感器活动识别的自监督学习基准测试
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； Peking University（北京大学） ； Singapore-MIT Alliance for Research and Technology（新加坡-麻省理工联合研究技术联盟）
AI总结 BenchHAR针对传感器活动识别中数据异质性和标注数据稀缺问题，系统比较了自监督学习方法的泛化性能，发现混合范式和CNN编码器在性能上表现最佳，且增加预训练数据量能提升泛化能力。
Comments 25 pages
玩乐的动机：前沿LRMs与人类游戏学习者的行为与大脑对齐
机构 * University of Oxford（牛津大学） ； Columbia University（哥伦比亚大学） ； New York University（纽约大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Harvard University（哈佛大学）
AI总结 本文研究了前沿LRMs在游戏学习中的行为与大脑活动对齐情况，发现其在游戏发现阶段更接近人类行为，并能更准确预测大脑活动。
迈向更优的分子生成模型几何表示
机构 * Institute for Artificial Intelligence, PKU（北京大学人工智能学院） ； ByteDance AI Drug Discovery（字节跳动AI药物发现） ； School of Intelligence Science and Technology, PKU（北京大学智能科学与技术学院） ； Anew Labs（Anew实验室） ； Department of Electrical Engineering and Computer Science, MIT（麻省理工学院电子工程与计算机科学系） ； State Key Laboratory of General Artificial Intelligence, PKU（北京大学通用人工智能国家重点实验室）
AI总结 本文提出LENSEs框架，通过改进分子表示方法提升生成质量，实验显示其在GEOM-DRUG数据集上取得高有效性和稳定性。
关于神经扩展定律的不变性与普遍性
机构 * Johns Hopkins University（约翰霍普金斯大学） ； NTT Research（NTT研究） ； MIT（麻省理工学院） ； Johns Hopkins University, Bayesian Health（约翰霍普金斯大学，贝叶斯健康）
AI总结 本文探讨如何建立通用的神经扩展定律，通过识别不变量，使定律能在不同领域间可靠传输，验证了在语言、视觉和语音任务中的有效性，并展示了跨领域应用。
Comments 23 pages, 6 figures, 11 tables
关于分配问题的元设计
机构 * LMU Munich（慕尼黑莱茵河大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； University of California San Diego（圣地亚哥大学） ； New York University（纽约大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文探讨了在资源分配问题中，如何通过元设计优化投资预测、容量限制和治疗质量，以提升整体福利。
基于锥约束的模型预测控制与代码生成：适用于微控制器的Conic-TinyMPC
机构 * School of Engineering and Applied Science, Columbia University（哥伦比亚大学工程与应用科学学院） ； Carnegie Mellon University（卡内基梅隆大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Barnard College, Columbia University and Dartmouth College（哥伦比亚大学巴纳德学院和达特茅斯学院）
AI总结 本文提出一种适用于微控制器的模型预测控制方法，通过支持二次锥约束和自动生成C++代码，显著提升了嵌入式系统的求解速度和问题规模。
Comments Accepted to ICRA 2026. 4 Figures. 2 Tables. First three authors contributed equally
GC-ART：全局可学习的二阶有理色调曲线用于光照鲁棒性
机构 * Microsoft（微软公司） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 GC-ART通过全局可学习的有理色调曲线提升图像分类鲁棒性，采用轻量可微预处理模块，在CIFAR-10上实现对比度腐蚀的最佳性能。
TeamBench: 在强制角色分离下评估代理协调
机构 * MIT（麻省理工学院） ； Google Research（谷歌研究院） ； Google DeepMind（谷歌DeepMind） ； Independent Researcher（独立研究者）
AI总结 TeamBench通过851个任务模板和931个预设实例，评估在操作系统强制角色分离下代理协调的能力，发现提示仅和沙盒强制团队的通过率无显著差异，但提示仅团队更易出现验证者篡改执行者代码的情况。
FlashMol：在四步内生成高质量分子构象
机构 * Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院） ； Yuanpei College, Peking University（北京大学元培学院） ； School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院） ； Department of Electrical Engineering and Computer Science, Massachusetts Institute of Technology（麻省理工学院电气工程与计算机科学系） ； State Key Laboratory of General Artificial Intelligence, Peking University（北京大学通用人工智能国家重点实验室）
AI总结 FlashMol通过改进分布匹配蒸馏方法，在四步内生成高质量分子构象，实验表明其在速度和质量上优于传统模型。
在线学习中自回归链式推理理论
机构 * MIT（麻省理工学院） ； The Hebrew University（希伯来大学）
AI总结 本文研究自回归生成过程中的在线学习问题，探讨反馈形式对学习误差界的影响，证明在链式推理模型中可消除生成步数依赖，提出最优误差界及新下界。
SlopCodeBench：评估编码代理在长周期迭代任务中性能退化的基准测试
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Washington State University（华盛顿州立大学） ； MIT（麻省理工学院）
AI总结 本文提出SlopCodeBench，通过36个问题和196个检查点评估编码代理在长周期迭代任务中的性能退化，发现代理代码在结构上逐渐退化并产生冗余代码，人类代码退化更慢。
Comments Code and Leaderboards are located at https://www.scbench.ai
DiffeoMorph: 通过可微分基于代理的模拟学习3D形状变形
机构 * Department of Systems Biology, Harvard Medical School（哈佛医学院系统生物学系） ； Department of Data Science, Dana-Farber Cancer Institute（达纳-法伯癌症研究所数据科学部） ； Departments of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学部） ； Broad Institute of MIT and Harvard（MIT与哈佛大学Broad研究所）
AI总结 本文提出DiffeoMorph框架，通过可微分代理模拟学习形态发生协议，使代理群体变形为目标3D形状，采用SE(3)等价图神经网络和基于3DZernike多项式的形状匹配损失实现旋转不变性和反射敏感性。
大视频规划器实现通用机器人控制
机构 * MIT（麻省理工学院） ； UC Berkeley（加州大学伯克利分校） ； Harvard（哈佛大学）
AI总结 本文提出利用大规模视频预训练构建通用机器人基础模型，通过生成视频计划实现跨任务和环境的泛化控制，并在真实机器人上验证了其可行性。
Comments 29 pages, 16 figures
在驾驶前思考：基于世界模型的多模态接地用于自动驾驶车辆
机构 * University of Macau（澳门大学） ； UESTC（电子科技大学） ； Purdue University（普渡大学） ； McGill University（麦吉尔大学） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Washington（华盛顿大学） ； The Hong Kong University of Science and Technology（香港科学与技术大学）
AI总结 本文提出ThinkDeeper框架，通过预测未来空间状态提升自动驾驶车辆的自然语言指令理解能力，结合超图引导解码器融合多模态输入，提出DrivePilot数据集并在多个基准测试中表现优异。
视觉语言动作模型中的持续演进技能知识
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） ； University of Cambridge（剑桥大学） ； Beihang University（北京航空航天大学） ； Nanyang Technological University（南洋理工大学） ； MIT SMART（麻省理工学院SMART实验室） ； AgiBot
AI总结 本文提出Stellar VLA框架，通过无需增加参数的持续模仿学习方法，实现视觉语言动作模型的持续知识积累，实验表明其在任务专精和知识转移方面表现优异。
用环境级查询评估世界模型学习
机构 * Basis Research Institute ； DFKI GmbH ； Harvard University ； Universit\'e de Montr\'eal \& Mila - Quebec AI Institute ； University of Cambridge ； Massachusetts Institute of Technology ； Cornell University
AI总结 本文提出WorldTest协议，通过环境级查询评估智能体是否学习到支持多种环境属性的模型，通过AutumnBench验证人类在网格世界环境中的表现优于前沿模型。
Comments 34 pages, 10 figures
InvThink：用于更安全语言模型的预mortem推理
机构 * MIT（麻省理工学院） ； Google Research（谷歌研究院） ； Google DeepMind（谷歌DeepMind） ； Samsung Research（三星研究）
AI总结 InvThink通过预mortem推理框架提升语言模型安全性，通过枚举、分析和约束潜在故障来生成响应，相比现有方法在安全性和减少有害行为方面表现更优。
从实时演化中学习哈密顿量的结构
机构 * MIT（麻省理工学院） ； UC Berkeley（加州大学伯克利分校）
AI总结 本文提出了一种新的哈密顿量学习方法，能够在不预先知道相互作用结构的情况下，以Heisenberg极限精度在O(log n/ε)时间内恢复哈密顿量，扩展到任意相互作用范围，并实现常数时间分辨率。
Comments 52 pages; v2 discussed more literature, qualified some claims; v3 minor correction discussing prior work; v4 strengthened main theorem
在多项式时间内学习任意温度下的量子哈密顿量
机构 * MIT（麻省理工学院） ； UC Berkeley（加州大学伯克利分校）
AI总结 本文提出在多项式时间内学习任意常数温度下量子哈密顿量的算法，通过多项式逼近和多项式系统松弛方法解决哈密顿量学习问题。
Comments 66 pages; v2 minor edits, clarification on locality
为何全球大语言模型排行榜具有误导性：异质监督学习的小微投资组合
机构 * Carnegie Mellon University（卡内基梅隆大学） ； MIT Sloan School of Management（麻省理工学院斯隆管理学院）
AI总结 本文分析了全球大语言模型排行榜的误导性，指出语言异质性导致传统排名方法失效，并提出（λ，ν）投资组合框架以解决异质性问题。
SkillOS: 为自演化代理学习技能编目
机构 * Google Cloud AI Research（谷歌云人工智能研究） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 SkillOS通过经验驱动的强化学习方法，解决自演化代理中复杂长期技能编目的学习问题，优于记忆-free和强记忆基线，在效果和效率上均表现优异，技能库逐步演变成更丰富的Markdown文件。
Comments 11 pages, 6 figures, 3 tables
MINER：挖掘多模态内部表示以实现高效检索
机构 * McGill University（麦吉尔大学） ； MIT - Massachusetts Institute of Technology（麻省理工学院） ； University of Cambridge（剑桥大学） ； University of Toronto（多伦多大学） ； MBZUAI - Mohamed bin Zayed University of Artificial Intelligence（MBZUAI - 摩洛哥 bin Zayed 大学人工智能学院） ； Mila - Quebec AI Institute（Mila - 加拿大魁北克人工智能研究所）
AI总结 本文提出MINER，通过挖掘Transformer各层内部表示，融合多模态信号生成紧凑嵌入，提升检索性能，优于现有单向量检索器并在部分设置中缩小与晚交互基线的差距。
Comments Preprint
通过自适应任务图提高语言代理团队的效率
机构 * Princeton University（普林斯顿大学） ； University of Cambridge（剑桥大学） ； MIT（麻省理工学院） ； New York University（纽约大学）
AI总结 本文提出LATTE框架，通过自适应任务图提升语言代理团队效率，减少资源消耗并提高协作准确性。
当标签具有结构时：通过层次感知交叉熵改进图像分类
机构 * Department of Electrical Engineering and Computer Science, Massachusetts Institute of Technology（麻省理工学院电子工程与计算机科学系） ； Department of Computer Science, University of Milan（米兰大学计算机科学系） ； Department of Control and Computer Engineering, Politecnico di Torino（都灵理工大学控制与计算机工程系） ； Eric and Wendy Schmidt Center, Broad Institute of MIT and Harvard（MIT和哈佛大学Broad研究所埃里克和wendy Schmidt中心）
AI总结 本文提出层次感知交叉熵（HACE），通过整合已知的类别层次结构来改进图像分类，实验表明在多种架构和数据集上HACE在端到端训练和线性探测任务中均表现出色。
权重格雷矩阵捕捉深度网络中的序列特征线性化
机构 * MIT Mathematics Broad Institute of MIT and Harvard（麻省理工学院数学Broad研究所）
AI总结 本文提出基于特征的框架，通过将权重更新与特征演变关联，揭示深度网络训练中权重格雷矩阵捕捉特征动态，并引入目标线性度量，展示深度网络如何逐步将表示转换为目标线性结构。
Comments 29 pages including appendix
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