高校专区
MOONSHOT：一种用于视觉和大语言模型多目标剪枝的框架
机构 * Google（谷歌） ； OpenAI ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 MOONSHOT通过联合优化层重建误差和训练损失的二阶泰勒近似，提升视觉和大语言模型在无重新训练下的压缩效果，显著提升模型性能。
GUIDE：用于LLM驱动航天任务中上下文决策演化的引导更新
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Universidad Politecnica de Madrid（马德里理工大学）
AI总结 GUIDE通过非参数策略改进框架实现跨回合适应，利用结构化决策规则提升航天任务性能，实验表明其在对抗性轨道拦截任务中优于静态基线。
Comments Accepted to AI4Space@CVPR Workshop in CVPR 2026
ChartNet: 一个百万级、高质量的多模态数据集，用于稳健的图表理解
机构 * MIT（麻省理工学院） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室） ； IBM Research（IBM研究院） ； Abaka AI & 2077AI（Abaka AI及2077AI）
AI总结 ChartNet通过生成150万张不同图表样本，提升图表解释和推理能力，包含代码、图像、表格、自然语言和问答数据，支持多模态对齐，公开可用。
Comments Accepted at CVPR 2026
属于谁？印度区域文化常识与大语言模型偏见
机构 * Emory University（埃默里大学） ； Brock University（布罗克大学） ； MIT（麻省理工学院）
AI总结 本文提出Indica基准测试，评估大语言模型在印度区域文化常识上的能力，发现文化常识在区域层面而非国家层面更普遍，并揭示模型存在地理偏见。
Comments Accepted to ACL 2026 Main Conference
抽象3D感知用于视觉-语言模型中的空间智能
机构 * Tsinghua University（清华大学） ； Harvard University（哈佛大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出SandboxVLM框架，通过抽象边界框编码几何结构和物理动力学，提升视觉-语言模型在3D任务中的空间智能，实验证明其在零样本设置下显著提升性能。
RoboTAG: 通过拓扑对齐图实现端到端的机器人配置估计
机构 * Tsinghua University（清华大学） ； Harvard University（哈佛大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Nanyang Technological University（南洋理工大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出RoboTAG，通过结合3D和2D分支，利用拓扑对齐图缓解对标签的依赖，提升机器人姿态估计的鲁棒性。
SPG：用于遮蔽扩散语言模型的夹心策略梯度
机构 * Meta Superintelligence Labs（Meta超智能实验室） ； MIT（麻省理工学院） ； USC（南加州大学） ； UCLA（加州大学洛杉矶分校）
AI总结 本文提出SPG策略梯度方法，通过同时利用真实对数似然的上下界，解决扩散大语言模型在强化学习中对齐人类偏好或任务奖励的难题，实验显示其在多个任务中表现优异。
Comments ICLR 2026
用380万条程序轨迹建模学生学习
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Stanford University（斯坦福大学） ； University of Florida（佛罗里达大学）
AI总结 本文通过分析380万条程序轨迹，探讨训练语言模型以理解学生编程行为及学习过程，发现基于真实轨迹的模型能更准确预测学生行为并生成更正确的代码。
Comments Accepted to 27th International Conference on AI in Education (AIED 2026)
最小子集平方求解：一种结合超平面排列改进的分支限界框架
机构 * MIT Operations Research Center（麻省理工学院运营研究中心） ； USC Daniel J. Epstein Department of Industrial and Systems Engineering（南加州大学Daniel J. Epstein工业与系统工程系） ； MIT Sloan School of Management, Operations Research Center（麻省理工学院斯隆管理学院，运营研究中心）
AI总结 本文提出一种改进的分支限界框架，用于高效求解稳健统计中的加权最小子集平方回归问题，通过超平面排列逻辑提升计算效率，实验证明在低维数据中能显著提升求解速度和精度。
离散流映射
机构 * Harvard University（哈佛大学） ； University of Oxford（牛津大学） ； MIT（麻省理工学院） ； Kempner Institute（凯普纳研究所）
AI总结 本文提出离散流映射，通过在概率单纯形几何上实现轨迹压缩，解决离散数据生成中的几何不匹配问题，提升离散流模型性能。
Olmo 3：先进全开源语言模型家族
机构 * Allen Institute for AI（Allen人工智能研究所） ； University of Washington（华盛顿大学） ； Carnegie Mellon University（卡内基梅隆大学） ； 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） ； University of Maryland（马里兰大学）
AI总结 Olmo 3是一款7B和32B参数规模的先进语言模型，专注于长上下文推理、函数调用、编程、指令遵循、通用聊天和知识回忆。
Comments minor edit updates
全局作物类型分类的不变特征
机构 * Laboratory for Information and Decision Systems, MIT（信息与决策系统实验室，麻省理工学院） ； Department of Mechanical Engineering, MIT（机械工程系，麻省理工学院） ； Institute for Data, Systems, and Society, MIT（数据、系统与社会研究所，麻省理工学院）
AI总结 本文提出CropNet，通过联合学习光谱和时间维度的不变特征，提升跨地理区域的作物分类性能，优于传统方法和基础模型。
城市混合的潜在模式：在五个全球城市中的移动分析
机构 * Department of Geography, The University of Hong Kong（香港大学地理系） ； Institute of Marine Sustainable Development, Liaoning Normal University（辽宁师范大学海洋可持续发展研究院） ； Senseable City Lab, Massachusetts Institute of Technology（麻省理工学院感知城市实验室） ； ABC Department, Politecnico di Milano（米兰理工大学ABC部门） ； Network Science Institute and Department of Physics, Northeastern University（东北大学网络科学研究院和物理系） ； Media Lab, Massachusetts Institute of Technology（麻省理工学院媒体实验室）
AI总结 研究通过大规模出行调查揭示五个全球城市中社会混合模式，发现 socioeconomic 状态和年龄对混合影响不同，构建了空间时间场所网络。
Comments Fan, Z., Loo, B.P.Y., Duarte, F., Ratti, C., & Moro, E. (2026). Latent patterns of urban mixing in mobility analysis across five global cities. Nature Cities, accepted
领域特定潜在表示提高基于扩散的医学图像超分辨率的保真度
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Department of Biomedical Engineering, Mbarara University of Science and Technology（姆巴拉大学科学与技术学院生物医学工程系） ； Johns Hopkins University（约翰霍普金斯大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Makerere University（Makerere大学） ； Federal University of São Paulo（圣保罗联邦大学） ； Technical University of Applied Sciences Lübeck (TH Lübeck)（吕贝克应用技术大学） ； Harvard T.H. Chan School of Public Health（哈佛大学T.H. Chan公共卫生学院）
AI总结 本文通过替换通用稳定扩散VAE为领域特定的MedVAE，显著提升了医学图像超分辨率的PSNR，验证了领域特定自动编码器对重建质量的关键影响。
通过其影响观测未观测的混淆：从真实世界生存数据中获得随机对照试验样的估计
机构 * Operations Research Center, Massachusetts Institute of Technology（麻省理工学院运营研究中心） ； Sloan School of Management, Massachusetts Institute of Technology（麻省理工学院斯隆管理学院） ； Department of Surgery, Memorial Sloan Kettering Cancer Center（纪念斯隆凯特琳癌症中心外科部） ； Charité-Universitätsmedizin Berlin, Corporate Member of Freie Universität Berlin and Humboldt-Universität zu Berlin（柏林夏里特医学院，柏林自由大学和洪堡大学联合成员）
AI总结 本文提出一种三步框架，通过推断和平衡潜在的预后因素来减少真实世界生存数据中的未观测混淆，提升治疗效应估计。
ReefMapGS：通过多模态SLAM与高斯点云之间的闭环实现大规模水下重建
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Woods Hole Oceanographic Institution（伍兹霍尔海洋研究所）
AI总结 本文提出ReefMapGS框架，通过多模态传感器数据与高斯点云结合，实现水下复杂场景的增量重建与全局轨迹优化，展示无COLMAP的3D重建与高精度AUV轨迹估计。
BRAIN: 一种用于视觉-脑理解的偏见缓解持续学习方法
机构 * organization= Department of Physics, J.K. Institute of Science , addressline= Jawahar Nagar , city= Trivandrum , postcode= 695013 , state= Kerala , country= India ； organization= World Scientific University , addressline= Street 29 , postcode= 1011 NX , postcodesep= , city= Amsterdam , country= The Netherlands ； organization= University of Intelligent Studies , addressline= Street 15 , city= Jabaldesh , postcode= 825001 , state= Orissa , country= India ； organization= Electrical Engineering \& Computer Science Department, University of Arkansas , addressline= 1 University of Arkansas , postcode= 72703 AR , postcodesep= , city= Fayetteville , country= USA ； organization= Department of Brain ； Cognitive Sciences, Massachusetts Institute of Technology , addressline= 77 Massachusetts Ave , postcode= 02139 MA , postcodesep= , city= Cambridge , country= USA
AI总结 本文提出BRAIN方法，通过持续学习缓解脑信号偏见问题，引入去偏对比学习损失和角度基遗忘缓解方法，提升模型性能。
SmellNet：一个大规模数据集用于现实世界中的气味识别
机构 * MIT Media Lab（麻省理工学院媒体实验室） ； MIT EECS（麻省理工学院电子工程与计算机科学系）
AI总结 本文提出SmellNet数据集，通过小气体和化学传感器收集82.8万条时间序列数据，用于训练ScentFormer模型，实现对多种物质和混合物的气味识别与分类，展示了基于传感器的嗅觉AI的应用潜力。
Comments Accepted to ICLR 2026; published as a conference paper at ICLR 2026. 32 pages; 21 figures
交叉性趋炎附势：感知的用户人口统计如何影响大语言模型中的虚假验证
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Harvard University（哈佛大学）
AI总结 研究探讨用户人口统计如何影响大语言模型的虚假验证行为，发现GPT-5-nano在哲学领域比数学领域更趋炎附势，而拉丁裔人群接受度最高，而自信的拉丁裔女性得分最低。
分布鲁棒K均值聚类
机构 * California Institute of Technology（加州理工学院） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出分布鲁棒K均值聚类方法，通过最小化最坏情况下的期望平方距离来增强鲁棒性，实验显示在异常检测和噪声鲁棒性上有显著提升。
DeepShapeMatchingKit：加速的功能映射求解器和形状匹配流程再审视
机构 * Technical University of Munich（慕尼黑工业大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； MIT（麻省理工学院） ； Adobe ； Imperial College London（帝国理工学院） ； Simon Fraser University（西蒙菲莎大学）
AI总结 本文提出了一种向量化方法，通过单次核调用解决所有线性系统，提升计算效率，并分析了DiffusionNet的空间梯度特征差异，提供了改进的开源代码库。
Comments 10 pages, 8 figures, CVPR 2026 Image Matching Workshop (IEEE proceedings)
Sumo：动态且可泛化的全身体姿操控
机构 * MIT（麻省理工学院） ； RAI Institute（RAI研究所） ； Cornell（康奈尔大学）
AI总结 本文提出一种仿真到现实的方法，使四足机器人能够动态操控大重物。通过测试时调整预训练的全身体控制策略，实现多种动态体姿操控任务，且无需额外训练即可泛化到不同物体和任务。
认知推理的混合：类脑的专业化模块推理
机构 * EPFL（瑞士联邦理工学院洛桑） ； Brain and Cognitive Sciences at MIT（麻省理工学院脑与认知科学系） ； Kempner Institute at Harvard University（哈佛大学肯普纳研究所）
AI总结 本文提出MiCRo模型，通过类脑专业化模块实现认知行为，提供可解释的推理模块，支持动态路由并优于基线模型。
Comments ICLR 2026. Project Page at https://cognitive-reasoners.epfl.ch
LoDAdaC: 一种基于局部训练的统一去中心化框架，具有自适应梯度和压缩通信
机构 * Rensselaer Polytechnic Institute（伦斯勒理工学院） ； IBM T. J. Watson Research Center（IBM T. J. Watson 研究中心） ； MIT-IBM Watson AI Lab, IBM Research（MIT-IBM Watson AI 实验室，IBM 研究院）
AI总结 LoDAdaC通过结合自适应梯度和压缩通信，在去中心化学习中实现通信成本的大幅降低和快速收敛，实验验证其在图像分类和语言模型训练中的优越性能。
Comments Accepted by TMLR
通过可验证奖励的强化学习指导大语言模型进行谈判
机构 * Purdue University（普渡大学） ； California Institute of Technology（加州理工学院） ； 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 本文探讨了通过可验证奖励的强化学习训练大语言模型进行谈判的有效性，揭示了四阶段战略演化，展示了训练后的模型在谈判中提取剩余价值的能力。
ACCIDENT：用于从交通监控视频中检测车辆事故的基准数据集
机构 * PiVa AI ； MIT（麻省理工学院） ； University of West Bohemia in Pilsen（西波希米亚大学比尔森分校） ； Czech Technical University in Prague（布拉格捷克理工大学）
AI总结 ACCIDENT数据集旨在评估模型在监督和零样本学习中的表现，包含2027个真实和2211个合成视频片段，涵盖事故时间、空间位置和碰撞类型，定义了三个核心任务并提供定制评估指标。
工程与制造中的代理AI：行业对效用、采用、挑战和机遇的看法
机构 * MIT Initiative for New Manufacturing（麻省理工学院新制造倡议）
AI总结 本文通过30多次访谈探讨AI在工程和制造中的应用，发现代理系统在结构化和重复性工作中的价值，以及多步骤工作流协同的潜力，指出数据碎片化、安全要求和工具链限制是主要障碍，强调可靠性、验证和审计性对AI采用的重要性。
Comments Funding and support from the MIT Initiative for New Manufacturing
不同类型的句法一致要求大型语言模型中的相同单元
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Kempner Institute at Harvard University（哈佛大学肯普纳研究所）
AI总结 研究探讨了不同句法现象在大型语言模型中是否共享或独立激活单元，发现句法一致构成模型表征空间中的重要类别。
Switch-JustDance: 使用商业游戏机评估完整身体运动跟踪控制器的基准测试
机构 * Georgia Tech（佐治亚理工学院） ； HKU（香港大学） ； ETH Zurich（苏黎世联邦理工学院） ； SCUT（华南理工大学） ； THU（清华大学） ； MIT（麻省理工学院） ； PNDbotics
AI总结 本文提出Switch-JustDance基准测试平台，利用Nintendo Switch上的Just Dance游戏评估机器人完整身体控制能力，验证其可靠性并对比三种先进控制器的性能。
蛋白质适应性预测的进化图谱
机构 * Zhejiang University（浙江大学） ； Peking University（北京大学） ； East China University of Science and Technology（华东理工大学） ； Chengdu University of Information Technology（成都信息工程大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Zhejiang University of Technology（浙江工业大学）
AI总结 本文提出EvoIF模型，通过整合进化信号提升蛋白质突变适应性预测性能，采用轻量结构和逆强化学习框架，在有限数据下实现高精度预测。
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