Bridging Compute- and Data-Optimal Pretraining
弥合计算最优和数据最优预训练之间的差距
机构 * Harvard University（哈佛大学） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
AI总结 研究针对计算增长快于高质量数据可用性的问题，提出计算-数据（CD）缩放定律框架，通过引入令牌有效性函数η拟合数据扩展策略，划分训练操作模式，指出经典计算最优分配在多数实际设置下次优。
高校专区
Massachusetts Institute of Technology（麻省理工学院）
Leveraging Semantic Maps for City-Scale Cross-View Localization
利用语义地图进行城市尺度的跨视图定位
机构 * CSAIL, MIT（麻省理工学院计算机科学与人工智能实验室） ； DEVCOM Army Research Laboratory (ARL)（陆军研究实验室）
AI总结 研究如何让机器人在未遍历环境中利用先验数据定位，提出克服提取语义信息和关联观测与先验地图两挑战的方法，即从视觉语言模型提炼轻量级匹配器，结合贝叶斯滤波器创建姿态估计，发布数据集并证明方法可泛化。
Comments Equal contribution by Ethan Fahnestock and Erick Fuentes. 13 pages, 7 figures, and 5 tables
Picasso: Holistic Scene Reconstruction with Physics-Constrained Sampling
Picasso: 基于物理约束采样的整体场景重建
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 提出Picasso，一种通过快速拒绝采样推理多物体交互并考虑几何、非穿透和物理约束的整体场景重建方法，在物理合理性和重建精度上显著优于现有技术。
Comments 15 pages, accepted to Robotics: Science and Systems (RSS) 2026
Measuring the State of Open Science in Transportation Using Large Language Models
利用大型语言模型衡量交通运输领域开放科学的状态
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Vanderbilt University（范德比大学） ； Portland State University（波特兰州立大学） ； Delft University of Technology（代尔夫特理工大学） ； Brigham Young University（Brigham Young 大学）
AI总结 本文利用大型语言模型自动评估交通研究中数据和代码的开放科学实践，发现仅有少数论文共享代码或数据，揭示了开放科学与传统学术指标之间的不一致，需通过结构性干预促进实践改进。
Nanobot Algorithms for Treatment of Diffuse Cancer
用于治疗弥漫性癌症的纳米机器人算法
机构 * Massachusetts Institute of Technology (MIT)（麻省理工学院）
AI总结 研究弥漫性癌症中纳米机器人定位并治疗多个部位的问题，提出纳米机器人行为数学模型及KM、KMA、KMAR三种算法，通过模拟不同癌症布局下算法效果，发现KMAR算法在各模式下表现出色，具有鲁棒性和适应性。
Comments 34 pages, 9 figures (plus 1 table)
Efficiency Matters in Autonomous Research
自主研究中的效率问题
机构 * MIT（麻省理工学院）
AI总结 研究自主研究中解决方案搜索过程的效率问题，提出用帕累托前沿曲线下面积评估AR系统，比较多种搜索算法，发现无单一最优结构，且效率与结果质量是不同维度，引入流体搜索，该方法在评估任务中总体搜索效率最高。
A Few Words Go a Long Way: Language Guided Robot Policy Synthesis
寥寥数语，成效显著：语言引导的机器人策略合成
机构 * University of Washington（华盛顿大学） ； Microsoft Research（微软研究院） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 研究针对视觉-语言-动作模型难以解释等问题，提出ARCHITECT框架，利用大语言模型编码代理合成模块化机器人程序，通过人类自然语言修正引导策略并积累技能库，在机器人基准评估中表现出色，提供了新的机器人学习方案。
Semantic Semi-Incremental Data-Association-Free Object SLAM
语义半增量无数据关联目标 SLAM
机构 * Computer Science and Artificial Intelligence Laboratory, Massachusetts Institute of Technology（计算机科学与人工智能实验室，麻省理工学院）
AI总结 研究针对 SLAM 中数据关联难题，提出广义无数据关联 SLAM 框架，利用深度学习语义信息，通过半增量估计方案联合估计多要素，经合成与真实数据集评估，相比基线展现出卓越性能，提升框架实用性与可解释性。
Neural operator discovery from heterogeneous trajectories
从异构轨迹中发现神经算子
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Zhejiang University（浙江大学）
AI总结 研究如何从异构轨迹发现神经算子，提出因式分解潜在条件公式，联合学习神经算子与低维潜在表示，能捕获系统变化内在维度，实现零样本外推等泛化，为无显式监督的算子学习建立可解释范式。
Training with (Swap) Regret Loss in a Single-Layer Self-Attention Model: A Case Study on the Probability Simplex
在单层自注意力模型中使用（交换）遗憾损失进行训练：概率单纯形的案例研究
机构 * MIT EECS（麻省理工学院电子工程与计算机科学系）
AI总结 研究通过概率单纯形策略视角重审视遗憾损失框架，用其训练单层自注意力模型，新引入交换遗憾损失函数，表明基于遗憾训练的注意力能实现可微机制，使最小注意力架构具备博弈论保证的在线学习动态。
Share No More Than the Request Requires: Federated Disclosure for Perspective-Aware AI
按需共享：面向视角感知人工智能的联邦披露
机构 * Toronto Metropolitan University（多伦多都会大学） ； Flybits Labs（Flybits实验室） ； MIT Media Lab（麻省理工学院媒体实验室）
AI总结 研究跨域边界最小必要披露问题，提出“来源保留编年史”协议，通过编译持有者编年史为授权证据子图，遵循“按需共享”规则，保持本地主权并分阶段返回数据，实现安全披露上下文。
EventOD: Event-Aware OD Flow Generation via LLM-Guided Semantic Modulation
EventOD：通过大语言模型引导的语义调制实现事件感知的OD流生成
机构 * Department of Electronic Engineering, Tsinghua University（清华大学电子工程系） ； Zhongguancun Academy（中关村科学城研究院） ； Singapore-MIT Alliance for Research and Technology（新加坡-麻省理工学院科研与技术联盟） ； Xiuzhong College, Tsinghua University（清华大学致理书院） ； Department of Automation, Central South University（中南大学自动化学院）
AI总结 研究在破坏性事件下估计OD流的问题，提出EventOD框架，利用大语言模型和轻量级适应模块，通过输入级调制实现事件感知适应，实验表明该方法能提高重建精度和分布保真度。
FRIGID: Scaling Diffusion-Based Molecular Generation from Mass Spectra at Training and Inference Time
FRIGID：在训练和推理时通过质谱进行扩散分子生成的扩展
机构 * Massachusetts Institute of Technology, Cambridge, MA, United States ； Texas A\&M University, College Station, TX, United States
AI总结 FRIGID通过中间指纹表示和确定的化学式生成分子结构，利用扩散模型在大规模无标签数据上训练，推理时通过碎片修复提升准确性，达到18%的Top-1准确率。
Reverso: Efficient Time Series Foundation Models for Zero-shot Forecasting
Reverso：用于零样本预测的高效时间序列基础模型
机构 * Qube Research \& Technologies ； Allen Institute for AI ； Massachusetts Institute of Technology
AI总结 Reverso通过高效的小型混合模型实现零样本时间序列预测，显著提升性能-效率平衡。
VLASH: Real-Time VLAs via Future-State-Aware Asynchronous Inference
VLASH: 通过未来状态感知的异步推断实现实时VLAs
机构 * MIT（麻省理工学院） ； NVIDIA（英伟达） ； Tsinghua University（清华大学） ； UC Berkeley（加州大学伯克利分校） ； UCSD（加州大学圣地亚哥分校） ； Caltech（加州理工学院）
AI总结 VLASH通过未来状态感知的异步推断框架，实现高效、准确的实时VLAs控制，显著提升反应速度和任务执行精度。
Humanly: A Configurable and Traceable Environment for Human-AI Collaborative Writing
Humanly：一个用于人机协作写作的可配置且可追溯的环境
机构 * UT Austin（德克萨斯大学奥斯汀分校） ； University of Toronto（多伦多大学） ； Stanford University（斯坦福大学） ； MIT（麻省理工学院） ； USC（南加州大学） ； KAUST（阿卜杜拉国王科技大学）
AI总结 研究针对人机协作写作难以判断创作过程的问题，提出Humanly写作平台，用户能配置环境，平台记录活动与辅助，可打包会话生成证书，支持多种场景，经研究验证对各角色有帮助且能区分打字方式。
Do Modules Stay in Their Lane? Role Drift in Compound LLM Systems
模块各司其职吗？复合语言模型系统中的角色漂移
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Harvard University（哈佛大学）
AI总结 研究复合语言模型系统中模块的角色漂移问题，提出角色锚定正则化方法，通过实验揭示仅准确性无法检测的角色漂移，该方法能以可调成本减轻漂移，且减少与角色漂移方向的对齐，而非简单抑制学习。
A Defense of the Quadratic Model
二次模型的辩护
机构 * Kempner Institute at Harvard University（哈佛大学坎普纳研究所） ； MIT（麻省理工学院）
AI总结 研究对二次模型进行压力测试，通过泰勒展开预测优化动态，利用兰索斯求积法分析海森矩阵谱和局部稳定性，发现其在语言模型中能准确反映优化情况，或可作为预训练优化动态的理论易处理代理。
Pretraining Recurrent Networks without Recurrence
无递归预训练循环网络
机构 * MIT（麻省理工学院）
AI总结 提出监督记忆训练（SMT）方法，通过将循环神经网络训练转化为一步记忆转换标签上的监督学习，实现时间并行训练和稳定梯度路径，优于反向传播通过时间（BPTT）方法。
Comments 30 pages, 23 figures
RAD: A Dataset and Benchmark for Real-Life Anomaly Detection with Robotic Observations
RAD：面向机器人观测的真实异常检测数据集与基准
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Peking University（北京大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Great Bay University（大湾大学） ； Harvard University（哈佛大学） ； Tsinghua University（清华大学） ； Nanjing University（南京大学） ； Deakin University（德克萨斯大学）
AI总结 提出RAD数据集，包含13类日常物体和4种缺陷，从60多个机器人视角在非受控光照下采集，用于评估2D特征、3D重建和视觉语言模型在姿态无关的异常检测中的表现，发现2D方法优于3D和VLM方法。
CRAG-MM-Diagnostics: Enabling Stage-Wise Analysis of Knowledge-Intensive VQA
CRAG-MM诊断：实现对知识密集型视觉问答的逐阶段分析
机构 * New York University（纽约大学） ； McGill University（麦吉尔大学） ； Mila - Quebec AI Institute（米拉-魁北克人工智能研究所） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； MIT（麻省理工学院）
AI总结 研究知识密集型视觉问答流程，引入CRAG-MM-Diagnostics诊断基准，通过逐阶段数据注释分离子问题，评估VLM并进行细粒度分析，指出知识检索和推理是主要瓶颈，还提出改进流程提升准确率。
Comments Accepted to ECCV 2026
Ms. Forcing: Efficient Streaming Video Generation with Multi-Scale Patchification and Attention
Ms. Forcing：通过多尺度分块和注意力实现高效流视频生成
机构 * Brown University（布朗大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Meta
AI总结 研究针对流视频生成中传统方法的不足，提出Ms. Forcing范式，通过多尺度分块和注意力调整空间粒度，引入均匀噪声水平DMD减少不匹配，该方法提升了效率，在单个H200 GPU上性能显著优于Rolling Forcing。
Sidewalk Moments: Are Richer Representations Always More Human-Aligned? Evidence from City-Walk Videos
人行道时刻：更丰富的表示总是更符合人类认知吗？来自城市漫步视频的证据
机构 * Massachusetts Institute of Technology（麻省理工学院） ； City Form Lab, MIT（麻省理工学院城市形态实验室） ； Senseable City Lab, MIT（麻省理工学院可感知城市实验室）
AI总结 研究借助多种模态表示的城市漫步视频，探讨更丰富视觉表示与人类认知的关系。通过相关性分析等方法，发现不同模态在不同场景表现有别，挑战了丰富表示更符合人类认知的假设，提出时间压缩可替代全视频编码。
Comments 35 pages, 18 figures. Under review at Scientific Reports
Safe and Scalable Multi-Drone Payload Transport via CBF-based Reinforcement Learning with Zero-Shot Sim-to-Real Transfer
通过基于CBF的强化学习实现安全且可扩展的多无人机载荷运输及零样本模拟到现实的迁移
机构 * Reliable Autonomous Systems Lab, Massachusetts Institute of Technology（可靠自主系统实验室，麻省理工学院）
AI总结 研究多无人机载荷运输问题，提出基于学习的框架，引入二维抽象，用离散图控制障碍函数近端策略优化训练全分布式策略，实现零样本模拟到现实的迁移，能在不同团队规模和任务场景泛化，在动态环境安全运行。
Comments Published in IEEE Robotics and Automation Letters (Early Access), 2026
Crashing Waves vs. Rising Tides: Findings on AI Automation from Thousands of Worker Evaluations of Labor Market Tasks
巨浪与潮汐：来自数千名工人对劳动力市场任务评估的初步发现
机构 * MIT FutureTech（麻省理工学院未来科技）
AI总结 本文通过分析超过3000项基于文本的任务评估，发现AI自动化主要表现为持续上升的浪潮而非突发的巨浪，AI在广泛任务上的表现迅速提升，预计到2029年将能以80%-95%的成功率完成大部分文本任务。
Interpretable Embeddings with Sparse Autoencoders: A Data Analysis Toolkit
使用稀疏自动编码器的可解释嵌入：一种数据分析工具包
机构 * University of California, Berkeley（加州大学伯克利分校） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 研究针对大规模文本语料库分析难题，提出用稀疏自动编码器创建SAE嵌入，经四个任务验证其比大语言模型更具性价比、比密集嵌入更可控，通过案例研究展示其在研究模型行为上的作用，是用于非结构化数据分析的通用工具。
Comments ICML 2026. Project page and code: https://interp-embed.com
Distributed Acoustic Localization Array Deployed Using a Soft Everting Vine Robot
使用软外翻藤蔓机器人部署的分布式声学定位阵列
机构 * University of Notre Dame（圣母大学） ； Pontifical Catholic University of Chile（智利天主教大学） ； Lincoln Laboratory, Massachusetts Institute of Technology（麻省理工学院林肯实验室）
AI总结 研究在受限非结构化环境中用软外翻藤蔓机器人定位灾难受害者，提出动态转向响应功率与相位变换框架，通过实验测量不同放置和配置下的定位准确性，展示藤蔓机器人生长定位声源能力，凸显分布式声学传感潜力。
Comments Sebastian Lorca Godoy, Ciera McFarland, Michael Val, Antonio Alvarez Valdivia, Nathaniel Hanson, and Margaret McGuinness, "Distributed Acoustic Localization Array Deployed Using a Soft Everting Vine Robot", in IEEE International Conference on Intelligent Robots and Systems, 2026
Distributed Motion Planning with Safety Guarantees for Self-Reconfiguring Robotic Boats
具有安全保障的自重构机器人船分布式运动规划
机构 * KU Leuven（鲁汶大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Nanyang Technological University（南洋理工大学） ； SMART（新加坡制造技术研究院） ； SENSEable City Laboratory, Massachusetts Institute of Technology（麻省理工学院可感知城市实验室） ； Computer Science and Artificial Intelligence Lab (CSAIL), Massachusetts Institute of Technology（麻省理工学院计算机科学与人工智能实验室）
AI总结 研究水生自重构机器人多智能体形状形成与重构问题，提出将分布式MPC与CBF相结合的混合框架，利用ADMM求解MPC方案，通过局部优化和信息交换计算轨迹，并应用基于CBF的滤波器保障安全，经仿真和实验验证了框架的有效性与可扩展性。
Comments Submitted to IEEE
PerfAgent: Profiler-Guided Iterative Refinement for Repository-Level Code Optimization
PerfAgent：用于仓库级代码优化的分析器引导迭代优化
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Rensselaer Polytechnic Institute（罗切斯特理工学院） ； IBM（IBM公司） ； Michigan State University（密歇根州立大学）
AI总结 研究针对仓库级代码优化难题，提出PerfAgent分析器引导迭代优化方法，该方法能让编码代理找到热点并改进，在两个优化基准测试中大幅提升专家匹配补丁率，且以低成本超越基线。
Machine Can Automatically Discover Parametric Functions to Model HEP Data
机器可自动发现参数函数以对高能物理数据建模
机构 * University of Pennsylvania, USA（宾夕法尼亚大学） ； European Organization for Nuclear Research (CERN), Switzerland（欧洲核子研究中心） ； University of Cambridge, UK（剑桥大学） ； University of Wisconsin-Madison, USA（威斯康星大学麦迪逊分校） ； University of California San Diego, USA（加州大学圣地亚哥分校） ； Massachusetts Institute of Technology, USA（麻省理工学院） ； Institute for Artificial Intelligence（人工智能研究所）
AI总结 研究高能物理数据分析中为分箱数据找合适函数建模的问题，核心方法是用符号回归实现自动化，主要贡献是展示SymbolFit软件包，在双喷注谱演示中取得良好效果，如生成众多拟合函数，部分运行重新发现已用函数。
Comments 6 pages. to be presented at ICHEP 2026
