高校专区
大语言模型能够有效地说服人们相信阴谋论
机构 * Carnegie Mellon University（卡内基梅隆大学） ； York University（约克大学） ； Center for Research and Teaching in Economics（经济研究中心） ； MIT（麻省理工学院） ； Université de Montréal（蒙特利尔大学） ； Mila ； Cornell University（康奈尔大学） ； University of Regina（Regina大学）
AI总结 研究大语言模型能否有效说服人们相信阴谋论，通过四项实验发现其既能增加也能降低阴谋信念，反驳效果更佳，特定提示可降低支持阴谋论有效性，还存在信息分享上的真理不对称，有潜在技术方案减轻风险。
弥合牛顿-拉夫逊方法与正则化策略迭代之间的差距
机构 * 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） ； Department of Mechanical Engineering, Tsinghua University（机械工程系，清华大学） ； College of Artificial Intelligence and the School of Vehicle and Mobility, Tsinghua University（人工智能学院和车辆与移动系统学院，清华大学）
AI总结 研究正则化策略迭代（RPI）的理论基础，证明其与牛顿-拉夫逊方法等价，实现统一收敛分析，得出RPI局部二次收敛性等结论，还研究了不精确策略评估下的RPI并提出新算法，推进了强化学习正则化理论理解与算法设计。
从观测中学习红方代理策略用于神经符号自主网络代理
机构 * MIT（麻省理工学院）
AI总结 针对网络攻击中红方动作不可观测的问题，提出基于模仿学习的策略学习技术，从网络观测和防御动作预测红方行为，集成神经符号防御代理实现高精度预测。
Transformer记忆的吸引子几何：从冲突仲裁到自信 hallucination
机构 * Massachusetts Institute of Technology（麻省理工学院） ； University of Texas Austin（德克萨斯大学奥斯汀分校） ； Cognizant（Cognizant公司）
AI总结 研究Transformer记忆中冲突与hallucination的几何机制，揭示吸引子基底在隐藏状态空间中的作用，通过合成任务验证几何边界在区分正确回忆与hallucination中的有效性。
Comments Inadvertent premature posting before full approval of all listed co-authors
Xray-Visual模型：在产业级数据上扩展视觉模型
机构 * Meta-AI ； MIT（麻省理工学院） ； University of Maryland（马里兰大学）
AI总结 Xray-Visual通过三阶段训练流程和LLM2CLIP技术，在产业级数据上实现高效多模态视觉模型，取得最佳性能并提升鲁棒性与泛化能力。
大规模进化策略：超越强化学习的LLM微调
机构 * University of California, Los Angeles, Los Angeles, CA, USA（加州大学洛杉矶分校） ； Cognizant AI Lab, San Francisco, CA, USA（Cognizant AI实验室） ； The University of Texas at Austin, Austin, TX, USA（德克萨斯大学奥斯汀分校） ； Massachusetts Institute of Technology, Cambridge, MA, USA（麻省理工学院）
AI总结 本文提出使用进化策略进行大规模LLM微调，证明其在多个方面优于强化学习，为LLM微调提供了新的方法。
Comments Published at ICML 2026 main conference
首先，不伤害：迈向临床安全的大语言模型
机构 * Harvard Combined Dermatology Program（哈佛联合皮肤科项目） ； Department of Dermatology, Mass General Brigham（麻省总医院皮肤科） ； Harvard Medical School（哈佛医学院） ； Stanford Center for Biomedical Informatics Research（斯坦福生物医学信息学研究中心） ； Stanford University（斯坦福大学） ； Division of Hospital Medicine, Department of Medicine, Stanford University School of Medicine（斯坦福大学医学院医院医学科） ； Department of Medicine, Cambridge Health Alliance（剑桥健康联盟医学科） ； Beth Israel Deaconess Hospital–Plymouth（贝塞斯达德acons医院-普利茅斯） ； Department of Medicine, University of California, San Francisco（加州大学旧金山分校医学科） ； Department of Neurology, Stanford University School of Medicine（斯坦福大学医学院神经科） ； Department of Medicine, Beth Israel Deaconess Medical Center（贝塞斯达德acons医学中心医学科） ； Division of Cardiology, Department of Medicine, Cambridge Health Alliance（剑桥健康联盟心脏病科） ； Department of Cardiovascular Medicine, Summa Health System（Summa健康系统心血管医学科） ； Division of Allergy, Pulmonary, and Critical Care Medicine, Department of Medicine, University of Wisconsin-Madison（威斯康星大学麦迪逊分校医学科过敏、呼吸科和危重医学科） ； Division of Pulmonary and Critical Care Medicine, Department of Medicine, Massachusetts General Hospital（麻省总医院呼吸科和危重医学科） ； Center for Immunology and Inflammatory Diseases, Department of Medicine, Massachusetts General Hospital（麻省总医院免疫和炎症疾病中心） ； Broad Institute of MIT and Harvard（MIT和哈佛Broad研究所） ； Division of Pulmonary, Critical Care, and Sleep Medicine, Cambridge Health Alliance（剑桥健康联盟呼吸科、危重医学科和睡眠医学科）
AI总结 提出NOHARM基准，包含1100个初级到专科咨询案例，评估28个LLM的医疗建议安全性，发现高达22.6%的案例存在严重危害风险，其中遗漏错误占80%以上。
少些推理，多些验证：确定性门控在使用工具的语言模型智能体中恢复了一种无声的违反策略失败模式
机构 * Indian Institute of Technology Kharagpur（印度理工学院卡拉格布尔分校） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 研究使用工具的语言模型智能体违反策略问题，提出用确定性预执行门控干预，在τ²基准航空公司领域评估，该方法能提高成功率，防止无声违反策略写入，虽不保证任务成功，但有可靠性成果。
层并行推理减少了Transformer中加密的非线性深度
机构 * MBZUAI IFM（穆罕默德·本·扎耶德人工智能大学智能未来研究院） ； Red Hat AI Innovation（红帽人工智能创新实验室） ； MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室） ； Core AI, IBM（IBM核心人工智能部门） ； University of Texas at Dallas（德克萨斯大学达拉斯分校）
AI总结 研究结构化牛顿层并行性（SNLP）能否使Transformer层间组合更适合全同态加密（FHE），通过基于切比雪夫多项式近似的模拟框架测量误差积累，结果表明SNLP可减少推理步骤并降低误差放大。
Comments Code is available at https://github.com/phymhan/nanochat-snlp/tree/snlp-fhe
Meshtryoshka: 通过网格光栅化实现真实场景的可微分渲染
机构 * Massachusetts Institute of Technology（麻省理工学院） ； University of Washington（华盛顿大学） ； Google DeepMind（谷歌DeepMind）
AI总结 提出Meshtryoshka框架，利用嵌套网格壳表示和现成三角形光栅化器，通过符号距离函数间接更新顶点位置，实现大规模无界场景的高质量可微分渲染。
Comments Daniel Xu and David Charatan contributed equally; author order decided by coin flip. Project website: https://danielxu9393.github.io/meshtryoshka-website/
MemoBench: 动态变化环境中的世界建模基准测试
机构 * Harvard University（哈佛大学） ； MIT（麻省理工学院） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室） ； Boston University（波士顿大学） ； Google（谷歌） ； JHU（约翰霍普金斯大学） ； CMU（卡内基梅隆大学） ； Kempner Institute（肯普纳研究所）
AI总结 提出MemoBench基准，通过目标消失-重现范式评估视频生成模型在动态环境中的记忆一致性，涵盖合成与真实场景，揭示现有模型的关键挑战。
何时委托优于多数？一种基于委托的多样本LLM推理聚合器
机构 * MIT Media Lab（麻省理工学院媒体实验室）
AI总结 提出基于委托的聚合器PPV，利用样本的字母熵和推理几何信号，在MMLU-Pro上比多数投票高1.5个百分点，无需标签或训练。
Comments Preprint. 16 pages, 5 figures, 4 tables
递归多智能体系统
机构 * UIUC（伊利诺伊大学香槟分校） ； Stanford University（斯坦福大学） ； NVIDIA（英伟达） ； MIT（麻省理工学院）
AI总结 本文提出递归多智能体框架RecursiveMAS，通过递归计算提升多智能体协作效率，实验证明其在多个基准测试中准确率提升8.3%，推理速度提升1.2-2.4倍，token使用减少34.6%-75.6%。
Comments Project Website: https://recursivemas.github.io
从混淆到学习：第三方平台上的动态服务费用定价
机构 * MIT（麻省理工学院）
AI总结 研究第三方平台面对策略性代理时的定价行为，开发最优遗憾为$\Tilde{\mathcal{O}}(\sqrt{T}\wedge\sigma_S^{-2})$的算法，揭示供应侧噪声对需求可学习性的影响，提出新构造并通过数据说明方法的潜在收益。
人们使用快速且扁平的模拟来对新游戏进行推理
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Princeton University（普林斯顿大学） ； University of Cambridge（剑桥大学） ； Stanford University（斯坦福大学） ； New York University（纽约大学） ； The Alan Turing Institute（艾伦·图灵研究所）
AI总结 研究人们对新游戏的推理，通过超千名参与者和121种新棋盘游戏的研究，发现人们玩新游戏或评估时具系统性和适应性理性，用“直观玩家”模型解释，为新问题应对及类人AI系统设计提供见解。
条件独立测试中的元依赖性
机构 * Thayer School of Engineering Dartmouth College（达特茅斯学院工程学院） ； Schmidt Center Broad Institute of MIT and Harvard（MIT和哈佛大学Broad研究所Schmidt中心） ； 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） ； Broad Institute of MIT and Harvard（MIT和哈佛大学Broad研究所）
AI总结 研究条件独立测试中的元依赖性，利用几何直觉，通过矩投影给出易于计算的度量，该度量不依赖分布图形属性，可直接从汇总统计量计算，还展示其在调整显著性阈值和改进因果发现方面的应用。
Comments Accepted to UAI 2026
迈向可关闭的智能体：在强化学习智能体和大语言模型中推广随机选择
机构 * University of Oxford（牛津大学） ； University College London（伦敦大学学院） ； New College of Florida（佛罗里达新学院） ； Imperial College London（伦敦帝国学院） ； MIT（麻省理工学院）
AI总结 本文提出DReST奖励函数，通过惩罚重复选择相同长度轨迹来训练智能体在不同轨迹长度间随机选择并有效追求目标，实验表明DReST训练的智能体在未见过的场景中表现出更高的有用性和中立性。
通过概率性偏误校正增强人工智能和动力学亚季预测
机构 * Harvard College（哈佛学院） ； University of Toronto（多伦多大学） ； Instituto de Matemática Pura e Aplicada（数学与应用数学研究所） ； Massachusetts Institute of Technology（麻省理工学院） ； Atmospheric and Environmental Research（大气与环境研究） ； Microsoft Corporation（微软公司） ； Rhiza Research（Rhiza研究） ； Microsoft Research New England（微软新英格兰研究院） ； European Centre for Medium-Range Weather Forecasts（欧洲中期天气预报中心）
AI总结 本文提出概率性偏误校正方法，通过学习历史概率预测来减少系统性误差，显著提升亚季预测能力，应用于ECMWF模型后，AI预测系统技能翻倍，操作性去偏模型在91%压力、92%温度和98%降水目标上表现更优。
从交叉验证到SURE：调节估计器的渐近风险
机构 * Department of Economics, University of Pennsylvania（宾夕法尼亚大学经济学系） ； Department of Economics, University of Oxford（牛津大学经济学系） ； Department of Electrical Engineering and Computer Science, MIT（麻省理工学院电气工程与计算机科学系）
AI总结 本文推导了通过n折交叉验证调节的正则化经验风险最小化估计器的渐近风险函数，展示了其在正常均值模型中的预测性能。
用PCS引导的邻居嵌入揭示单细胞数据中的平滑结构
机构 * Department of Biostatistics, Harvard T.H. Chan School of Public Health（哈佛T.H. Chan公共卫生学院生物统计学系） ； Department of Data Science, Dana-Farber Cancer Institute（达纳-法伯癌症研究所数据科学系） ； Eric and Wendy Schmidt Center, Broad Institute of MIT and Harvard（MIT和哈佛大学Broad研究所埃里克和文迪·施密特中心） ； Department of Statistics, University of California, Berkeley（加州大学伯克利分校统计学系） ； Department of EECS, University of California, Berkeley（加州大学伯克利分校电子工程与计算机科学系） ； Center for Computational Biology, University of California, Berkeley（加州大学伯克利分校计算生物学中心）
AI总结 研究针对从单细胞数据提取平滑低维表示的挑战，基于PCS框架评估NE算法，引入NESS改进其表示，通过应用于六个数据集，获得如识别过渡和稳定细胞状态等生物学见解。
丢弃少量偏好可以改变大型语言模型的排名
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） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室） ； IBM Research（IBM研究院）
AI总结 研究通过评估LLM排名系统的鲁棒性，发现丢弃少量偏好数据可显著影响模型排名，揭示MT-bench偏好更稳定的原因。
校准的斯塔克尔伯格博弈：学习针对校准代理的最优承诺
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 研究校准斯塔克尔伯格博弈，将标准框架推广，其中代理依校准预测行动。虽信息减少，但委托人最优效用有界。针对校准挑战，开发新校准概念及算法，包括基于最佳响应区域的松弛，及代理自适应校准算法，助委托人更快收敛。
顺序变化检测后的无分布变化点定位
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 本文提出了一种无分布框架，在停止顺序变化检测程序后构建变化点的后检测置信集，无需任何分布假设，并保证了有限样本覆盖率和渐近有界期望大小。
EgoVerse：一个用于机器人学习的视点人类数据集
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Stanford University（斯坦福大学） ； University of California San Diego（加州大学圣地亚哥分校） ； ETH Zürich（苏黎世联邦理工学院） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Meta Reality Labs Research（Meta现实实验室） ； Mecka AI ； Scale AI
AI总结 EgoVerse通过统一的数据收集、处理和访问框架，提供丰富的人类操作行为数据，促进机器人学习，并通过大规模研究验证了人类数据与机器人学习目标的一致性对性能的影响。
用于实例分割的共形预测集
机构 * Laboratory for Information and Decision Systems, MIT（麻省理工学院信息与决策系统实验室） ； 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） ； Department of Mechanical Engineering, MIT（麻省理工学院机械工程系） ； Institute for Data, Systems, and Society, MIT（麻省理工学院数据、系统与社会研究所）
AI总结 研究针对实例分割模型缺乏不确定性量化的问题，引入共形预测算法生成自适应置信集，应用于多领域实例分割，其预测集因查询难度而异且达目标覆盖率，优于基线，还提供不同保证版本，首次捕捉实例分割中的结构不确定性。
通过轨迹自蒸馏实现少步扩散语言模型
机构 * Rutgers University（罗格斯大学） ； Red Hat AI Innovation（红帽AI创新） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室）
AI总结 本文提出通过轨迹自蒸馏框架训练少步学生模型，以匹配全步教师的生成轨迹，从而减少解码步骤带来的输出质量下降，并结合DDO提升推理任务性能。
通过环境上下文建模自主搜索稀疏分布的视觉现象
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） ； California State University（加州州立大学）
AI总结 研究如何让自主水下航行器高效定位稀疏分布的特定珊瑚物种。利用视觉环境上下文作为信号，结合补丁级DINOv2嵌入进行一次性检测，实现自适应规划，提升自主勘测效率。
Comments Accepted to the 2026 IEEE International Conference on Robotics and Automation (ICRA 2026)
视频生成中的运动归因
机构 * NVIDIA ； Princeton University（普林斯顿大学） ； MIT（麻省理工学院） ； University of Michigan（密歇根大学） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
AI总结 研究视频生成模型中数据对运动影响，提出基于梯度的运动归因框架Motive，通过运动加权损失掩码分离静态外观和时间动态，用于研究微调剪辑对时间动态的影响及指导数据策划，提升视频运动质量。
Comments See the project website at https://research.nvidia.com/labs/sil/projects/MOTIVE/
理性逆推理：通过规划推断意图进行少样本模仿
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 研究人类能从少量示范学习新操作任务，而现代机器人模仿学习需大量示范且适应性差的差距。提出理性逆推理，将少样本模仿视为对潜在解释程序的推理，通过视觉语言模型和分层规划器迭代优化候选集，在少样本设置中表现优于基线。
超环变压器
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出一种改进语言模型参数效率的超环变压器架构，通过循环Transformer和超连接技术，在较少参数下优于基线模型。
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