高校专区
MultiTok: 可变长度分词用于高效大语言模型，源自LZW压缩
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Nokia Bell Labs（诺基亚贝尔实验室） ； Boğaziçi University（博雅大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Massachusetts Institute of Technology (MIT)（麻省理工学院（MIT））
AI总结 本文提出基于LZW压缩的MultiTok分词方法，通过压缩重复短语提升LLM训练效率，实现更高效训练与相似准确率。
通过LCEN和加权焦点可微MCC损失提升分类任务性能
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文改进了LCEN算法以适应分类任务，通过加权焦点可微MCC损失函数提升模型性能，实验显示其在F1和MCC指标上优于多数模型，且特征选择效果显著。
在杂乱中导航：基于路标的目标级规划用于多机器人系统
机构 * UC Santa Barbara（加州大学圣芭芭拉分校） ； Massachusetts Institute of Technology（麻省理工学院） ； Harvard University（哈佛大学） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室） ； Cisco Research（思科研究）
AI总结 本文提出了一种混合多机器人控制框架，通过引入路标和课程训练策略，解决多机器人任务和运动规划的联合优化问题，提升了任务成功率。
预条件DeltaNet：用于线性递归的曲率感知序列建模
机构 * MIT（麻省理工学院）
AI总结 本文提出预条件DeltaNet，通过引入预条件技术改进线性递归模型，提升序列建模性能，在合成回忆基准和大规模语言模型中表现优异。
对医疗预测中黑箱大语言模型的代理建模解释
机构 * Medical Big Data Research Center, Seoul National University Medical Research Center, Seoul National University College of Medicine（首尔国立大学医学院医学大数据研究中心，首尔国立大学医学院） ； Department of Biomedical Systems Informatics, Yonsei University College of Medicine（延世大学医学院生物医学系统信息学系） ； Laboratory for Computational Physiology, Massachusetts Institute of Technology（麻省理工学院计算生理学实验室） ； Division of Pulmonary, Critical Care and Sleep Medicine, Beth Israel Deaconess Medical Center（贝斯以色列德aconess医疗中心呼吸科、重症医学科和睡眠医学科） ； Department of Biostatistics, Harvard T.H. Chan School of Public Health（哈佛大学T.H. Chan公共卫生学院生物统计学系） ； Department of Cardiology, Yongin Severance Hospital, Yonsei University College of Medicine（延世大学医学院永宁松甫医院心内科） ； Center for Digital Health, Yongin Severance Hospital, Yonsei University Health System（延世大学健康系统永宁松甫医院数字健康中心） ； Institute for Innovation in Digital Healthcare, Severance Hospital, Seoul, Republic of Korea（首尔松甫医院数字医疗创新研究所）
AI总结 本文提出一种代理建模框架，通过输入输出对近似复杂系统，揭示LLM编码知识的范围，揭示医疗预测中潜在的不准确和偏见。
ZipFold：可扩展自适应机器人的模块化执行器
机构 * Computer Science and Artificial Intelligence Laboratory, MIT（计算机科学与人工智能实验室，麻省理工学院）
AI总结 本文提出一种紧凑易制造的可展开执行器，通过柔性3D打印塑料条的折叠与缝合实现可逆的尺寸和刚度变换，用于构建可扩展的自适应机器人。
OpenEstimate：评估语言模型在不确定性下的推理能力实现实验
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OpenEstimate基准测试，用于评估语言模型在不确定环境下进行数值估计的能力，发现模型的先验概率常不准确且过度自信，但通过改进不确定性引导方式可提升性能。
通过岭谱稀疏化实现大规模图学习的改进
机构 * SequeL team, INRIA Lille - Nord Europe, France（SequeL团队，INRIA里尔-北欧，法国） ； Facebook AI Research, Paris, France（Facebook人工智能研究，巴黎，法国） ； MIT, USA（麻省理工学院，美国） ； New Jersey Institute of Technology, USA（新泽西理工学院，美国）
AI总结 本文提出GSQUEAK算法，通过维护有效电阻的小子集高效稀疏化图拉普拉斯矩阵，在分布式流式设置中实现快速谱近似。
Comments International Conference on Machine Learning (ICML 2018)
在生成式AI时代测量创造力：区分人类与AI生成的创造力表现于招聘与人才系统
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Ignis AI
AI总结 本文提出通过嵌入空间中的创意生成与转换来量化创造力，揭示AI环境下创意输出的双峰分布特征，强调在生成式AI时代，独特性而非流畅性成为衡量人类创造力的关键指标。
Comments Research Paper Presented at the BIG.AI@MIT Conference, April 2, 2026
ESGLens：一种基于大语言模型的RAG框架，用于交互式ESG报告分析与评分预测
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出ESGLens框架，结合检索增强生成与提示工程提取，自动化提取ESG报告结构化信息、交互式问答及评分预测，通过GRI标准指导提取和回归模型预测，评估结果显示ChatGPT嵌入与神经网络模型在环境指标上的相关性达到0.48。
Comments (20 pages, 3 figures)
面向医疗系统规模的多模态与时间基础模型：虚拟患者表示
机构 * Department of Pathology, Mass General Brigham, Harvard Medical School（病理学系，马萨诸塞州总医院与哈佛医学院） ； Cancer Program, Broad Institute of Harvard and MIT（癌症计划，哈佛-麻省理工Broad研究所） ； Data Science Program, Dana-Farber Cancer Institute（数据科学计划，达纳-法伯癌症研究所） ； Health Sciences and Technology, Harvard-MIT（健康科学与技术，哈佛-麻省理工） ； Harvard John A. Paulson School of Engineering and Applied Sciences, Harvard University（哈佛约翰·A·保罗森工程与应用科学学院，哈佛大学） ； Department of Biomedical Informatics, Harvard Medical School（生物医学信息学系，哈佛医学院） ； Electrical Engineering and Computer Science, Massachusetts Institute of Technology (MIT)（电气工程与计算机科学，麻省理工学院（MIT）） ； School of Computer and Communication Sciences, EPFL, Lausanne, Switzerland（计算机与通信科学学院，EPFL，瑞士洛桑）
AI总结 本文提出Apollo模型，整合多模态和时间信息，构建虚拟患者表示，用于预测疾病风险、治疗反应等，展示其在医疗计算中的潜力。
罗德里格斯网络用于学习机器人动作
机构 * MIT（麻省理工学院） ； Stanford University（斯坦福大学） ； UC Berkeley（加州大学伯克利分校）
AI总结 本文提出罗德里格斯网络，通过引入运动学先验知识提升机器人动作学习性能，验证了其在动作预测和手部重建中的有效性。
Comments ICLR 2026
Learn2Synth: 利用超梯度学习最优数据合成用于脑图像分割
机构 * Massachusetts General Hospital and Harvard Medical School（麻省总医院和哈佛医学院） ； Danish Research Centre for Magnetic Resonance, Copenhagen University Hospital（丹麦磁共振研究中心，哥本哈根大学医院） ； Centre for Medical Image Computing, University College London（医学影像计算中心，伦敦大学学院） ； Computer Science and AI Laboratory, Massachusetts Institute of Technology（计算机科学与人工智能实验室，麻省理工学院） ； Department of Experimental Psychology, University College London（实验心理学系，伦敦大学学院）
AI总结 通过超梯度学习优化数据合成参数，提升脑图像分割网络在真实数据上的性能，避免依赖真实数据训练。
Comments 16 pages, 5 figures. Accepted by ICCV'25. Bruce Fischl and Yael Balbastre are co-senior authors
并行SFT：改进代码RL的零样本跨编程语言转移
机构 * Meta Superintelligence Labs（Meta超智能实验室） ； MIT（麻省理工学院）
AI总结 本文提出零样本跨编程语言转移任务，通过并行SFT策略提升代码RL在不同语言间的迁移能力，发现通用化SFT初始化能提升模型泛化性能。
任务依赖性的大语言模型输出同质化评估：一种基于分类学的框架
机构 * FAIR at Meta（Meta 的 FAIR 研究院） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出基于任务分类学的框架，通过任务依赖的采样技术提升输出多样性，挑战多样性与质量的权衡观念。
以生态目标为中心的个体动物自动识别
机构 * University of West Bohemia in Pilsen（西波西米亚大学） ； Massachusetts Institute of Technology（麻省理工学院） ； LUT University（卢特大学） ； Conservation X Labs（保护X实验室） ； Queen Mary University of London（伦敦玛丽女王大学） ； The Ohio State University（俄亥俄州立大学） ； Giraffe Conservation Foundation（犀牛保护基金会） ； University of Bristol（布里斯托大学） ； Czech Technical University in Prague（布拉格捷克技术大学） ； Cornell Lab of Ornithology（哥伦布鸟类实验室） ； University of Pittsburgh（匹兹堡大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Princeton University（普林斯顿大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Rensselaer Polytechnic Institute（伦斯勒理工学院） ； CNR（意大利国家研究委员会）
AI总结 本文探讨了自动识别个体动物在生态研究中的应用，指出当前方法与实际生态数据处理存在不匹配，强调需以生态问题为导向提升识别的实用性与可信度。
pAI/MSc：人机协同的机器学习理论研究系统
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Perseus Labs（Perseus实验室）
AI总结 pAI/MSc旨在通过人机协同减少将假设转化为文献支持的论文草稿所需的人力指导，专注于机器学习理论及相关量化领域。
Comments 34 pages, 7 tables
过于尖锐、过于确定：当校准跟随曲率时
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文研究了校准作为训练过程中的现象，在小视觉任务中探讨校准是否可通过干预训练过程可靠获得，发现校准、曲率和边距之间存在紧密联系，并提出一种关注边距的训练目标以提升校准性能。
Comments 33 pages, 23 figures
人类-机器人协同中的多周期空间-时间适应
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； UW Madison Department of Computer Science（威斯康星大学麦迪逊分校计算机科学系）
AI总结 本文提出RAPIDDS框架，通过联合适应任务调度和机器人运动扩散模型，提升人类-机器人协同的效率与空间适应性，通过仿真和物理机器人实验验证了其有效性。
Comments 8 pages, 7 figures
TS-Attn：多事件视频生成的时序可分离注意力
机构 * Peking University（北京大学） ； Shenzhen Graduate School（深圳研究生院） ； Zhejiang University（浙江大学） ； Nankai University（南开大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Nanjing University（南京大学） ； University of California, Santa Barbara（加州大学圣巴巴拉分校）
AI总结 本文提出TS-Attn机制，解决多事件视频生成中时序不一致与注意力冲突问题，提升生成质量，实验表明在两个数据集上效果显著。
Comments ICLR 2026, code available at: https://github.com/Hong-yu-Zhang/TS-Attn
RMGS-SLAM：基于3D高斯散射的实时多传感器SLAM
机构 * Advanced Robotics Centre, National University of Singapore（新加坡国立大学先进机器人中心） ； School of Aeronautics and Astronautics, Shanghai Jiao Tong University（上海交通大学航空宇航学院） ； College of Computer Science, Sichuan University（四川大学计算机学院） ； 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 本文提出一种实时多传感器SLAM框架，结合激光雷达、惯性导航和视觉数据，通过高斯散射实现高精度定位与真实感映射，解决了大规模环境中的实时SLAM挑战。
Comments The manuscript has been improved, with refined content and updated and corrected experimental results
ReefNet：一个大规模数据集和基准，用于细粒度珊瑚礁识别
机构 * King Abdullah University of Science and Technology (KAUST)（国王阿卜杜勒·阿齐兹科技大学） ； Massachusetts Institute of Technology (MIT)（麻省理工学院）
AI总结 本文提出ReefNet，一个大规模珊瑚礁图像数据集，用于细粒度识别。通过专家验证和过滤，构建了高置信度基准子集，揭示了多模态模型在生物多样性监测中的挑战。
多语言中否定理解差异在视觉-语言模型中的表现
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 研究探讨了视觉-语言模型在不同语言中对否定理解的差异，通过多语言基准测试发现，CLIP在非拉丁文字语言表现不佳，而MultiCLIP在多语言中表现更优，SpaceVLM在部分语言中显著提升性能。
多智能体自适应机制设计
机构 * Massachusetts Institute of Technology（麻省理工学院） ； National University of Singapore（新加坡国立大学）
AI总结 本文提出一种自适应机制框架DRAM，通过结合机制设计和在线学习，在未知代理人信念的情况下实现 truthful 报告和成本最优，证明了其在累积遗憾上的最优性能。
位置：LLM水印应使所有相关方的利益一致以实现实际应用
机构 * UC Santa Barbara（加州大学圣芭芭拉分校） ； UC Berkeley（加州大学伯克利分校） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文探讨了LLM水印技术中利益相关方激励不一致的问题，提出通过设计激励一致的水印方法，如上下文水印，来解决实际应用中的障碍，强调在特定领域内实现可靠工具的重要性。
Comments ACL2026
PuzzleWorld: 一个用于谜题 hunt 中多模态、开放式推理的基准
机构 * MIT Media Lab and MIT EECS（MIT媒体实验室和MIT电子工程与计算机科学系）
AI总结 PuzzleWorld 是一个包含667个谜题 hunt 风格问题的基准，用于评估逐步、开放式和创造性多模态推理。每个谜题都标注了最终答案、详细推理轨迹和认知技能标签，揭示了当前模型在推理中的局限性。
检测变换器中的不确定性量化：对象级校准与图像级可靠性
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文研究检测变换器中预测的可靠性问题，提出对象级校准误差作为评估模型和识别可靠预测子集的新指标。
面向需求响应服务基线估计的通用合成控制方法
机构 * Institute for Data Processing and Electronics, Karlsruhe Institute of Technology（数据处理与电子研究所，卡尔斯鲁厄理工学院） ； 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）
AI总结 本文提出通用合成控制方法，通过引入外生特征和滞后负荷数据，提升基线估计的动态预测能力，实验显示在有限数据下效果显著。
驾驶风险源自所需二维联合规避加速度
机构 * School of Vehicle and Mobility, Tsinghua University, Beijing 100084, China（车辆与移动系统学院，清华大学，北京100084，中国） ； State Key Laboratory of Intelligent Green Vehicle and Mobility, Beijing 100084, China（智能绿色车辆与移动国家重点实验室，北京100084，中国） ； School of Traffic & Transportation Engineering, Central South University, Changsha 410000, China（交通与运输工程学院，中南大学，长沙410000，中国） ； Singapore-MIT Alliance for Research and Technology (SMART), Massachusetts Institute of Technology, Singapore 138602, Singapore（新加坡-麻省理工联合研究技术联盟（SMART），麻省理工学院，新加坡138602，新加坡） ； School of Automotive Engineering, Chang’an University, Xi’an 710064, China（汽车工程学院，长安大学，西安710064，中国）
AI总结 本文提出二维规避加速度模型，用于更准确地量化碰撞风险，通过分析所有可能的规避方向，定义风险为所需最小相对加速度矢量的模，该方法在多个数据集上表现出更早的显著预警和更好的碰撞预测能力。
Comments 23 pages, 5 figures; supplementary information provided as an ancillary file
LLM催眠：利用用户反馈进行未经授权的知识注入以影响所有用户
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； IBM Research（IBM研究院）
AI总结 研究揭示语言模型通过用户反馈进行知识注入的漏洞，通过反馈信号可操控模型行为，导致事实错误、代码漏洞和虚假新闻。
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