高校专区
为历时语言变化发现预训练语言模型
机构 * University of Hamburg（汉堡大学） ； Center for Digital Humanities, Johns Hopkins University（约翰霍普金斯大学数字人文中心） ； IBM Research, MIT（麻省理工学院IBM研究院）
AI总结 本文提出通过预训练语言模型发现历时语言变化，通过高效预训练技术处理大规模语料，发现预训练模型在训练速度和历史划分尊重方面优于微调基线，展示了在历时语言学中检测词汇变化等现象的能力。
Comments Accepted to Findings of the EACL 2026
神经ODE训练中自动微分的修正
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 研究探讨了在神经ODE架构中使用自动微分对深度神经网络更新的影响，发现高阶方法可能导致梯度震荡，提出后处理技术以消除震荡并提升收敛性。
Comments Accepted for publication in SIAM Journal on Applied Mathematics. This version corresponds to the final draft, prior to copyediting and production
少即是多：重新思考少样本学习与循环神经网络
机构 * Wellman Center for Photomedicine MGH, Harvard Medical School, and MIT CSAIL（麻省总医院韦尔曼光医学中心、哈佛医学院、麻省理工学院计算机科学与人工智能实验室）
AI总结 本文探讨了少样本学习与循环神经网络的理论基础，提出低熵算法提升学习效率，并通过图像去模糊和OCT去斑处理验证了方法的有效性。
Comments Version 3 is focused exclusively on the first part of v1 and v2, correcting minor mathematical errors. The original co-authors have transitioned in separate follow-up works
用卫星影像和生成式AI展望全球城市发展
机构 * Singapore–MIT Alliance for Research and Technology Centre (SMART)（新加坡-麻省理工学院研究与技术联盟中心） ； Department of Urban Planning, Tsinghua University（清华大学城市规划系） ； Department of Urban Studies and Planning, Massachusetts Institute of Technology（麻省理工学院城市研究与规划系） ； College of Urban and Environmental Sciences, Peking University（北京大学城市与环境学院） ； Department of Urban and Regional Planning, University of Florida（佛罗里达大学城市与区域规划系） ； Stanford Institute for Human-Centered Artificial Intelligence, Stanford University（斯坦福大学以人为本人工智能研究所）
AI总结 本文提出一种多模态生成式AI框架，通过整合提示和地理空间控制，生成全球500个最大都会区的高保真城市卫星影像，支持可持续城市发展和场景规划。
在成本和容量限制下大型语言模型的鲁棒批量级查询路由
机构 * LinkedIn（领英） ； MIT（麻省理工学院）
AI总结 本文提出一种考虑资源的批量级查询路由框架，通过优化模型分配以提高鲁棒性和效率，实验显示在对抗性批处理下性能提升显著。
评估人机安全：衡量有害能力提升的框架
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出通过测量前沿模型带来的有害能力提升，推动人中心的AI安全评估，提供系统性测量方法和行动步骤。
TaxaAdapter：视觉分类模型是生命树上细粒度图像生成的关键
机构 * Virginia Tech（弗吉尼亚理工大学） ； The Ohio State University（俄亥俄州立大学） ； MIT（麻省理工学院） ； Boston University（波士顿大学）
AI总结 本文提出TaxaAdapter，通过整合视觉分类模型提升细粒度物种生成的精度与一致性，实验表明其在形态学和物种识别准确性上优于现有方法，且具备良好的泛化能力。
基于监控视频的室内占用测量实验研究：以以 occupant-centric 控制为中心
机构 * Center for Intelligent and Networked Systems, Department of Automation, BNRist, Tsinghua University（清华大学自动化系智能与网络化系统中心，北京信息科学与技术国家研究中心） ； Urban Mobility Lab, Massachusetts Institute of Technology（麻省理工学院城市移动实验室） ； Singapore-MIT Alliance for Research and Technology Centre, Massachusetts Institute of Technology（麻省理工学院新加坡-麻省理工学院研究与技术联盟中心）
AI总结 本文研究了基于监控视频的室内占用测量方法，通过比较检测、跟踪和LLM优化流程，展示了LLM对提高测量精度和减少误报的影响，最终在HVAC控制中实现了17.94%的节能潜力。
GLU：全局-局部-不确定性融合用于可扩展的空间时间重建与预测
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 GLU通过统一状态表示问题，结合全局总结、局部测量锚点和不确定性驱动的重要性场，提升空间时间重建与预测的精度和可扩展性。
二进制展开群交网络
机构 * Massachusetts Institute of Technology（麻省理工学院） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 本文提出二进制展开群交网络（BEGIN），一种用于多变量二进制数据和位编码多项式变量的分布无关图表示。通过证明条件独立性与稀疏线性表示、块分解交互协方差矩阵和块对角化广义Schur补的等价性，拓展了高斯图模型的应用范围。
按序列而非token路由专家
机构 * Stony Brook University（石溪大学） ； Xidian University（西安电子科技大学） ； MIT（麻省理工学院） ； Yale University（耶鲁大学）
AI总结 本文提出SeqTopK方法，通过将专家预算从token层面转移到序列层面，实现动态分配，提升大语言模型在数学、编程、法律和写作任务中的性能，尤其在高稀疏度下表现更优。
高斯映射用于动态场景
机构 * University of Amsterdam（阿姆斯特丹大学） ； University of Technology Nuremberg（纽伦堡工业大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出GaME方法，通过动态场景适应机制持续更新3DGS，结合新颖的关键帧管理机制，提升动态场景重建性能，在PSNR和L1深度误差上分别提升29.7%和3倍。
用于从触觉信号中估计3D姿态、动作分类和运动进度预测的共享表示
机构 * Gwangju Institute of Science and Technology (GIST)（光州科学技术院） ； University of Washington（华盛顿大学） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
AI总结 本文提出SCOTTI模型，通过共享表示同时处理3D姿态估计、动作分类和运动进度预测，利用多任务学习提升性能，实验表明其在三项任务中均优于独立学习方法。
DRiffusion：通过草稿与精修过程轻松并行化扩散模型
机构 * CSAIL, MIT（麻省理工学院计算机科学与人工智能实验室） ； Tsinghua University（清华大学） ； IST, Nanjing University（南京大学智能科学与技术学院） ； School of Software, Tsinghua University（清华大学软件学院） ； FuturististAI Lab, Shanghai Tsinghua International Innovation Center（上海清华国际创新中心未来人工智能实验室）
AI总结 DRiffusion通过草稿与精修过程并行化扩散模型，提升采样速度同时保持生成质量，实验显示在多个模型上实现1.4至3.7倍加速，质量指标仅小幅下降。
基于多智能体助手的证据驱动诊断推理
机构 * Health Sciences and Technology, Harvard-MIT（哈佛-MIT健康科学与技术） ； Department of Pathology, Massachusetts General Hospital, Harvard Medical School（麻省总医院病理科，哈佛医学院） ； Cancer Program, Broad Institute of Harvard and MIT（哈佛-MIT博德研究所癌症项目） ； Harvard John A. Paulson School of Engineering and Applied Sciences, Harvard University（哈佛大学约翰·A·保尔森工程与应用科学学院） ； Electrical Engineering and Computer Science, Massachusetts Institute of Technology (MIT)（麻省理工学院电气工程与计算机科学） ； Harvard Data Science Initiative, Harvard University（哈佛大学数据科学计划）
AI总结 本文提出PathChat+，一种专为人类病理设计的多模态大语言模型，通过大量病理特定指令样本训练，显著优于现有模型，在多图像理解与自主诊断推理方面表现突出。
经典规划中探索与利用的尺度自适应平衡
机构 * University of New Hampshire（新罕布什尔大学） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室）
AI总结 本文提出GreedyUCT-Normal算法，通过UCB1-Normal带宽解决经典规划中奖励尺度差异问题，提升规划效率。
Comments Outstanding paper award in ECAI 2024
UNIC：基于神经变形场的神经服装变形用于实时穿衣角色动画
机构 * HKUST（香港科技大学） ； Waseda（早稻田大学） ； MIT（麻省理工学院） ； CMU（卡内基梅隆大学） ； HKU（香港大学） ； NTU（南洋理工大学） ； TAMU（德克萨斯农工大学）
AI总结 本文提出UNIC方法，通过实例特定的神经变形场实时动画角色服装，无需泛化到新服装，提升变形质量和训练效率。
Comments Project page: https://igl-hkust.github.io/UNIC/
残差作为教师：减轻学生-教师估计中的偏差传播
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出残差-教师方法，通过估计学生预测的残差来减少教师偏差影响，理论分析显示其优于直接匹配方法，且在核基学生-教师对中达到最优率。
基于图神经网络的自适应学习图像压缩
机构 * Shanghai Jiao Tong University（上海交通大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Alibaba Group（阿里巴巴集团） ； Shanghai AI Laboratory（上海人工智能实验室）
AI总结 本文提出基于图神经网络的自适应学习图像压缩框架，通过构建双尺度图结构和动态连接性，实现灵活的数据驱动感受野，从而更高效地建模图像中的多样性冗余，提升压缩性能。
Comments Accepted by CVPR 2026
翻译还是背诵？为极低资源语言的机器翻译校准评估分数
机构 * UC San Diego（加州大学圣迭戈分校） ； New York University（纽约大学） ； Durham University（杜伦大学） ； MIT（麻省理工学院） ； University of Waterloo（滑铁卢大学） ； Vector Institute（向量研究所）
AI总结 本文提出FRED难度指标，用于解释极低资源语言机器翻译结果的变异性，揭示训练测试重叠和预训练暴露是主要因素，同时指出某些语言存在分词覆盖不足的问题。
基于系统锚点的低成本上下文窗口选择方法用于PDE预测
机构 * School of Future Technology, South China University of Technology（华南理工大学未来技术学院） ； State Key Laboratory of Ocean Sensing & Ocean College, Zhejiang University（浙江大学海洋学院海洋传感国家重点实验室） ； Kavli Institute for Astrophysics and Space Research, Massachusetts Institute of Technology（麻省理工学院卡弗里天体物理与空间研究所）
AI总结 本文提出SAKE方法，通过系统锚点识别和膝点感知选择，实现低成本上下文窗口选择，提升PDE预测性能。
信息价值在资源受限定价中的作用
机构 * Institute for Data, Systems, and Society, Massachusetts Institute of Technology（麻省理工学院数据、系统与社会研究所） ； Department of Civil and Environmental Engineering and Operations Research Center, MIT（麻省理工学院土木与环境工程系及运筹学研究中心） ； Department of Industrial Engineering and Decision Analytics, Hong Kong University of Science and Technology（香港科技大学工业工程与决策分析系）
AI总结 本文研究了在资源受限条件下，预测不确定性如何影响动态定价决策，通过线性需求、随机噪声和有限容量，证明了预测误差阈值对 regret 的影响，并展示了代理模型在降低方差中的作用。
Comments Extended version of the NeurIPS 2025 paper (arXiv:2501.14155). This version adds phase transition, surrogate-assisted variance reduction under model misspecification, and numerical experiments
超越模式：语言模型中的分布推理强化学习
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出一种多答案强化学习方法，使语言模型在推理时能生成多个可能的假设并评估其置信度，提升多样性和准确性。
一种生成语义模糊图像的框架以探测人类和机器感知
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 该研究通过生成语义模糊图像探讨人类和机器感知的边界，揭示模型在概念区分上的偏差，展示控制模糊性作为诊断工具的价值。
MIGHTY：基于Hermite样条的高效轨迹规划
机构 * Department of Aeronautics and Astronautics, Massachusetts Institute of Technology（航空航天系，麻省理工学院） ； Department of Electrical and Systems Engineering, University of Pennsylvania（电气与系统工程系，宾夕法尼亚大学）
AI总结 MIGHTY通过Hermite样条实现时空优化，利用连续搜索空间提升效率，仿真中计算时间与旅行时间分别减少9.3%和13.1%，硬件测试中实现高速飞行和动态障碍物应对。
Comments 10 pages, 12 figures
计划扩散
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Google（谷歌）
AI总结 计划扩散通过训练模型自主决定去噪顺序，实现并行生成，提升效率并保持质量，建立新的帕累托前沿。
Comments 10 pages, 7 figures
随机空隙：一种马尔可夫框架，用于代理人工智能的预部署可靠性和监督成本审计
机构 * CARDS (Center for Real-Time Distributed Sensing and Autonomy), University of Maryland Baltimore County, Baltimore, MD, USA（实时分布式传感与自主性中心，马里兰大学巴尔的摩县） ； Massachusetts Institute of Technology, Cambridge, MA, USA（麻省理工学院）
AI总结 本文提出一种马尔可夫框架，用于评估代理人工智能在部署前的可靠性及监督成本审计，通过分析业务流程日志，展示了如何通过扩展状态空间来提高决策的统计支持度和经济可控性。
Comments 22 pages, 5 figures, submitted to Engineering Applications of Artificial Intelligence
CoordLight: 为网络级交通信号控制学习去中心化协调
机构 * Department of Mechanical Engineering, National University of Singapore（新加坡国立大学机械工程系） ； Chandra Department of Electrical and Computer Engineering, The University of Texas at Austin（德克萨斯大学奥斯汀分校电子与计算机工程系） ； 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）
AI总结 本文提出CoordLight框架，通过改进单个交叉口决策和与邻近代理的协调，提升网络级交通优化。引入Queue Dynamic State Encoding和Neighbor-aware Policy Optimization算法，实现更高效的交通信号控制。
Comments \c{opyright} 20XX IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works
基于学习的优先规划在仓库自动化中的终身多智能体路径寻找
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出RL-RH-PP框架，结合强化学习与搜索规划，提升仓库自动化中多智能体路径寻找的效率与适应性。
Journal ref Journal of Artificial Intelligence Research, Vol. 85, Article 28. Publication date: March 2026
Qworld: 为LLMs设计的问题特定评估标准
机构 * Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系） ； Department of Medicine, Brigham and Women’s Hospital（布里洛妇产科医院医学部） ； Kempner Institute for the Study of Natural and Artificial Intelligence, Harvard University（哈佛大学自然与人工智能研究 institute） ； Broad Institute of MIT and Harvard（MIT 和哈佛大学Broad研究所） ； Harvard Data Science Initiative（哈佛大学数据科学计划）
AI总结 Qworld通过递归扩展树生成问题特定评估标准，覆盖89%专家标准并产生79%新标准，揭示LLM在长期影响、公平性等维度的能力差异。
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