Score Reversal Is Not Free for Quantum Diffusion Models
量子扩散模型中反向扩散并非免费
机构 * Massachusetts Institute of Technology, Cambridge, Massachusetts 02139, USA（麻省理工学院）
AI总结 研究探讨了量子扩散模型中反向扩散的精确规律，证明了在纯损失动力学下，反向最优解存在从无噪声到有噪声的转变，并确定了最小成本。结果为量子反向扩散理论提供了精确的高斯基准。
高校专区
Massachusetts Institute of Technology（麻省理工学院）
Computation-Utility-Privacy Tradeoffs in Bayesian Estimation
贝叶斯估计中的计算-效用-隐私权衡
机构 * Harvard（哈佛大学） ； ETH Zurich（苏黎世联邦理工学院） ； MIT（麻省理工学院）
AI总结 本文首次提出高效的算法，在保证隐私的前提下实现贝叶斯估计的最优误差，同时揭示了计算与统计之间的差距。
Comments To appear at STOC 2026
Gradient-Informed Temporal Sampling Improves Rollout Accuracy in PDE Surrogate Training
梯度引导的时间采样提升PDE代理训练中的回放精度
机构 * School of Future Technology, South China University of Technology, China（未来技术学院，华南理工大学，中国） ； State Key Laboratory of Ocean Sensing & Ocean College, Zhejiang University, China（海洋感知国家重点实验室及海洋学院，浙江大学，中国） ； Kavli Institute for Astrophysics and Space Research, Massachusetts Institute of Technology, USA（天体物理与空间研究所，麻省理工学院，美国）
AI总结 本文提出梯度引导的时间采样方法，通过平衡模型特异性和动态信息，提升PDE代理训练中的回放精度，实验显示其在多个PDE系统和模型中表现更优。
Simulation to Rules: A Dual-VLM Framework for Formal Visual Planning
模拟到规则：一个双VLM框架用于正式视觉规划
机构 * MIT（麻省理工学院） ； Harvard University（哈佛大学） ； 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VLMFP框架，结合SimVLM和GenVLM实现自动生成PDDL问题和领域文件，提升视觉规划的精确性和泛化能力。
Comments 40 pages, 6 figures, 13 tables
Rapid Neural Network Prediction of Linear Block Copolymer Free Energies
快速神经网络预测线性块共聚物自由能
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出基于机器学习的快速预测线性块共聚物超额自由能的方法，利用模拟数据训练神经网络，有效降低计算成本并提升自由能计算效率。
Physics-informed offline reinforcement learning eliminates catastrophic fuel waste in maritime routing
物理引导的离线强化学习消除海上航线中的灾难性燃油浪费
机构 * MIT Sea Grant College Program（麻省理工学院海事研究生院） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出PIER框架，通过物理校准的环境学习高效安全的航线策略，减少燃油消耗和碳排放，消除灾难性燃油浪费，适用于多种导航场景。
Self-Conditioned Denoising for Atomistic Representation Learning
原子表示学习中的自条件去噪
机构 * Department of Chemistry, Massachusetts Institute of Technology, 77 Massachusetts Avenue, Cambridge, 02139, MA, USA（麻省理工学院化学系） ； Department of Materials Science and Engineering, Massachusetts Institute of Technology, 77 Massachusetts Avenue, Cambridge, 02139, MA, USA（麻省理工学院材料科学与工程系）
AI总结 本文提出自条件去噪方法，用于改进原子数据的预训练模型，通过自嵌入实现跨领域去噪，提升下游任务性能，优于传统自监督学习方法。
Unsupervised Decomposition and Recombination with Discriminator-Driven Diffusion Models
无监督分解与重组：基于判别器驱动的扩散模型
机构 * Research Laboratory of Electronics, MIT, Cambridge, MA 02139, USA（MIT电子研究实验室） ； Department of Physics, Massachusetts Institute of Technology, MIT, Cambridge, MA, USA（麻省理工学院物理系） ； NSF AI Institute for Artificial Intelligence（国家科学基金会人工智能与基本相互作用研究所） ； Kempner Institute, Harvard University, Cambridge, MA, USA（哈佛大学 Kempner 院） ； Google DeepMind, Mountain View, CA, USA（Google DeepMind） ； School of Computer Science, Georgia Institute of Technology, Atlanta, USA（佐治亚理工学院计算机科学系）
AI总结 本文提出基于判别器驱动的扩散模型，用于无监督分解和重组数据，通过对抗训练提升潜在因子发现和生成质量，实验显示在多个数据集上优于基线方法，且在机器人视频轨迹中实现新应用。
Comments 28 pages, 16 figures, 4 tables
Scalable Energy-Based Models via Adversarial Training: Unifying Discrimination and Generation
通过对抗训练实现可扩展的能量模型：统一判别与生成
机构 * MIT（麻省理工学院）
AI总结 本文提出一种结合对抗训练的框架，解决传统能量模型在稳定性与生成质量上的不足，实现高分辨率数据集上的高效判别与生成性能。
Comments Published at ICLR 2026. Code: https://github.com/xuwangyin/DAT
ReviewScore: Misinformed Peer Review Detection with Large Language Models
ReviewScore：利用大语言模型进行误信同行评审检测
机构 * KAIST（韩国科学技术院） ； Carnegie Mellon University（卡内基梅隆大学） ； MIT（麻省理工学院） ； KRAFTON（KRAFTON公司） ； AITRICS（AITRICS研究院） ； KIT（卡尔斯鲁厄理工学院）
AI总结 本文提出ReviewScore方法，通过检测同行评审中的错误前提和可回答问题来识别低质量评审。利用大语言模型评估评审点的误信程度，实验显示模型在评估一致性上表现中等，但仍有改进空间。
An Introduction to Flow Matching and Diffusion Models
流匹配与扩散模型简介
机构 * csail.mit.edu（麻省理工学院计算机科学与人工智能实验室）
AI总结 本文介绍扩散和基于流的生成模型，涵盖数学基础、核心算法及图像视频生成方法，适合希望深入理解生成AI理论与实践的机器学习研究者。
Mediocrity is the key for LLM as a Judge Anchor Selection
中庸是LLM作为判断锚点选择的关键
机构 * The Hebrew University of Jerusalem（海法大学） ； IBM Research（IBM研究院） ； 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）
AI总结 本文研究了LLM作为判断锚点选择对结果可靠性的影响，发现选择不当的锚点会显著降低与人类排名的相关性，并提出可操作的推荐方案。
Real-Time Decoding of Movement Onset and Offset for Brain-Controlled Rehabilitation Exoskeleton
脑控康复外骨骼运动起始与终止的实时解码
机构 * Department of Electrical Engineering and Computer Science, Massachusetts Institute of Technology（麻省理工学院电气工程与计算机科学系） ； Chandra Department of Electrical and Computer Engineering, The University of Texas at Austin（德克萨斯大学奥斯汀分校查兰电气与计算机工程系） ； Department of Neurology, The University of Texas at Austin（德克萨斯大学奥斯汀分校神经病学系） ； Walker Department of Mechanical Engineering, The University of Texas at Austin（德克萨斯大学奥斯汀分校沃克机械工程系） ； Meta Reality Labs Research, Redmond, WA, USA（微软现实实验室，华盛顿州雷德蒙德）
AI总结 本文提出基于EEG的实时双状态运动想象控制方法，实现上肢外骨骼的起止控制，提升解码可靠性并减少偏差，为神经可塑性导向的康复提供技术支持。
Comments Accepted to ICRA 2026. 8 pages, 5 figures. Project page available at https://mitrakanishka.github.io/projects/startstop-bci/
OrigamiBench: An Interactive Environment to Synthesize Flat-Foldable Origamis
OrigamiBench: 一个用于合成可折叠折纸的交互环境
机构 * Independent Researcher（独立研究者） ； State Key Lab of CAD&CG, Zhejiang University（浙江大学CAD与计算机图形学国家重点实验室） ； Computer Science Northeastern University（东北大学计算机科学系） ； National Key Laboratory for Novel Software Technology, Nanjing University（南京大学新型软件技术国家实验室） ； CSAIL / ESAT MIT / KU Leuven（MIT / KU Leuven）
AI总结 OrigamiBench通过交互式环境测试模型在折叠策略中的因果推理能力，发现单纯扩大模型规模无法有效生成多步骤折叠策略，表明视觉与语言表征仍需加强整合。
Readers Prefer Outputs of AI Trained on Copyrighted Books over Expert Human Writers
读者更倾向于AI在受版权保护的书籍上训练输出的文本而非专家人类作家
机构 * Department of Computer Science, Stony Brook University（石溪大学计算机科学系） ； Columbia Law School（哥伦比亚法学院） ； School of Information Science, University of Michigan（密歇根大学信息科学学院） ； MIT Initiative on the Digital Economy（麻省理工学院数字经济倡议）
AI总结 研究比较了AI与专家作家在模仿50位获奖作者风格的文本表现，发现微调AI在风格和质量上更受读者青睐，且效果稳健。
Comments Preprint Under Review
Volumetrically Consistent Implicit Atlas Learning via Neural Diffeomorphic Flow for Placenta MRI
通过神经微分流实现体积一致的隐式图谱学习用于胎盘MRI
机构 * MIT Computer Science and Artificial Intelligence Laboratory（麻省理工学院计算机科学与人工智能实验室） ； Massachusetts General Hospital, Harvard Medical School（哈佛医学院麻省总医院） ； Boston Children’s Hospital, Harvard Medical School（哈佛医学院波士顿儿童医院）
AI总结 本文提出一种体积一致的隐式模型，结合SDF重建与神经微分流，学习胎盘的共享模板，通过体积正则化提升变形一致性，实现胎盘MRI的统一空间映射。
UMO: Unified In-Context Learning Unlocks Motion Foundation Model Priors
UMO：统一上下文学习解锁运动基础模型先验
机构 * Brown University（布朗大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Meta Reality Lab（Meta现实实验室） ； Max-Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） ； University of Hong Kong（香港大学）
AI总结 UMO通过统一框架解锁运动基础模型先验，支持多种跨模态和上下文生成任务，提升文本到运动合成性能。
Comments Project Page: https://oliver-cong02.github.io/UMO.github.io/
Match4Annotate: Propagating Sparse Video Annotations via Implicit Neural Feature Matching
Match4Annotate：通过隐式神经特征匹配传播稀疏视频标注
机构 * Department of Mechanical Engineering, Massachusetts Institute of Technology, Cambridge, USA（麻省理工学院机械工程系） ； Institute for Medical Engineering and Science, Massachusetts Institute of Technology, Cambridge, USA（麻省理工学院医学工程与科学研究所） ； MIT.nano Immersion Lab, Massachusetts Institute of Technology, Cambridge, USA（麻省理工学院MIT.nano沉浸实验室）
AI总结 本文提出Match4Annotate框架，实现点和掩码标注的跨视频和内视频传播。通过SIREN隐式神经表示和连续时空特征场，提升跨视频标注效果，优于现有方法。
Content-Aware Mamba for Learned Image Compression
内容感知Mamba用于学习图像压缩
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Content-Aware Mamba，通过动态适应图像内容的处理策略，提升学习图像压缩中全局冗余消除效率，实现优于现有方法的率失真性能。
Comments ICLR2026 poster
Contraction Theory for Nonlinear Stability Analysis and Learning-based Control: A Tutorial Overview
非线性稳定性分析与基于学习的控制的收缩理论：教程概述
机构 * Division of Engineering and Applied Science, California Institute of Technology, Pasadena, CA, USA（加州理工学院工程与应用科学系） ； Jet Propulsion Laboratory, California Institute of Technology, Pasadena, CA, USA（加州理工学院喷气推进实验室） ； Nonlinear Systems Laboratory, Massachusetts Institute of Technology, Cambridge MA, USA（麻省理工学院非线性系统实验室）
AI总结 本文综述了收缩理论在非线性确定性和随机系统稳定性分析中的应用，重点在于通过凸优化系统构建收缩度量以获得鲁棒性和稳定性保证。
Comments Annual Reviews in Control, Preprint Version, Accepted, Oct. 1st
Journal ref Annual Reviews in Control; Volume 52; 2021; Pages 135-169; ISSN 1367-5788
Robust Dynamic Object Detection in Cluttered Indoor Scenes via Learned Spatiotemporal Cues
通过学习的时空线索在拥挤室内场景中实现鲁棒的动态物体检测
机构 * Faculty of Electrical Engineering, Mathematics and Computer Science, University of Twente（代尔夫特理工大学电子工程、数学与计算机科学学院） ； Department of Electrical Engineering, Wright State University（怀特塞德大学电子工程系） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出一种仅依赖LiDAR的框架，结合时间占用网格运动分割与学习的鸟瞰图动态先验，提升动态物体检测的鲁棒性，在拥挤环境中实现更高的召回率和F1分数。
Sharing State Between Prompts and Programs
在提示和程序之间共享状态
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 本文提出共享程序状态抽象，使提示可直接访问程序变量并实现控制流，通过Nightjar系统验证了其在任务准确性和代码效率上的优势。
Comments ICLR 2026
CardioComposer: Leveraging Differentiable Geometry for Compositional Control of Anatomical Diffusion Models
CardioComposer：利用可微几何实现解剖扩散模型的组合控制
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Brigham and Women’s Hospital（布里奇沃特医院） ； American University in Cairo（开罗美国大学） ； École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
AI总结 CardioComposer通过可微几何实现对解剖扩散模型的组合控制，利用可解释的椭球体原语生成多类解剖标签图，通过可微测量函数实现几何属性的约束与控制。
Comments 10 pages, 16 figures
Data Augmentation via Causal-Residual Bootstrapping
通过因果残差自助法进行数据增强
机构 * Poznań University of Technology（波兹南技术大学） ； Thayer School of Engineering（泰勒工程学院） ； Broad Institute of MIT and Harvard（哈佛大学和麻省理工学院Broad研究所）
AI总结 本文提出一种基于独立机制原理的数据增强方法，通过排列边际概率分布构建模型的残差，提升预测准确性，并在线性高斯条件下提供理论支持。
Sonar-MASt3R: Real-Time Opti-Acoustic Fusion in Turbid, Unstructured Environments
Sonar-MASt3R：在浑浊、无结构环境中实时优化声学融合
机构 * Applied Ocean Physics and Engineering, Woods Hole Oceanographic Institution, Deep Submergence Laboratory, Woods Hole, MA, USA（应用海洋物理与工程，伍兹霍尔海洋研究所，深潜实验室，马萨诸塞州伍兹霍尔，美国） ； Massachusetts Institute of Technology, Cambridge, MA, USA（麻省理工学院，剑桥，马萨诸塞州，美国）
AI总结 本文提出Sonar-MASt3R方法，通过实时提取光学相机数据的密集对应关系并与声学3D重建的几何线索结合，提升在浑浊环境中的鲁棒性。
Comments This paper has been accepted for publication in ICRA 2026. Copyright IEEE
Resolving Interference (RI): Disentangling Models for Improved Model Merging
消除干扰（RI）：解耦模型以提升模型合并
机构 * University of Washington（华盛顿大学） ； Microsoft Research（微软研究院） ； MIT（麻省理工学院） ； IBM Research（IBM研究院） ； University of California, Irvine（加州大学 Irvine 分校）
AI总结 本文提出RI方法，通过解耦专家模型以实现功能正交，减少跨任务干扰，提升模型合并性能和泛化能力。
MAD: Microenvironment-Aware Distillation -- A Pretraining Strategy for Virtual Spatial Omics from Microscopy
MAD：微环境感知蒸馏——一种从显微镜获取虚拟空间组学的预训练策略
机构 * Research Laboratory of Electronics, Massachusetts Institute of Technology（麻省理工学院电子研究实验室） ； Department of Electrical Engineering and Computer Science, Massachusetts Institute of Technology（麻省理工学院电气工程与计算机科学系） ； The Wallace H. Coulter Department of Biomedical Engineering, Georgia Institute of Technology（佐治亚理工学院Wallace H. Coulter生物医学工程系） ； H. Milton Stewart School of Industrial & Systems Engineering, Georgia Institute of Technology（佐治亚理工学院H. Milton Stewart工业与系统工程学院）
AI总结 MAD通过联合自蒸馏显微镜图像的形态视图和微环境视图，学习细胞中心嵌入，实现细胞亚型分类、转录组预测等任务的最先进性能。
Comments 34 pages, 6 figures; under review
Resource Rational Contractualism Should Guide AI Alignment
资源理性契约主义应指导AI对齐
机构 * Harvard（哈佛大学） ； MIT（麻省理工学院） ； Google Deepmind（谷歌DeepMind） ； Australian National University（澳大利亚国立大学） ； Stanford Psychology Department（斯坦福心理学系） ； Stanford（斯坦福大学） ； Computer Science Department（计算机科学系）
AI总结 本文提出资源理性契约主义框架，通过认知启发式方法提升AI决策效率与适应性，解决大规模契约达成成本高问题。
Comments 24 pages, 10 figures
Journal ref International Association for Safe and Ethical AI, 2026
Perceive What Matters: Relevance-Driven Scheduling for Multimodal Streaming Perception
感知关键内容：基于相关性的多模态流式感知调度
机构 * Mechatronics Research Laboratory, Massachusetts Institute of Technology（机械系统实验室，麻省理工学院）
AI总结 本文提出一种基于相关性的轻量级多模态流式感知调度框架，通过利用前一帧输出估计并调度必要的感知模块，有效减少计算延迟并提升识别召回率。
Comments Accepted to ICRA 2026
The Perfection Paradox: From Architect to Curator in AI-Assisted API Design
完美悖论：从架构师到策展人的人工智能辅助API设计
机构 * Google San Francisco CA USA（谷歌圣弗朗西斯科分校） ； Google Seattle USA（谷歌西雅图分校） ； Google Singapore（谷歌新加坡） ； MIT Cambridge MA USA（麻省理工学院剑桥分校）
AI总结 本文研究了AI辅助API设计中快速功能交付与用户体验标准维护之间的矛盾，通过工业案例研究发现AI生成的API在11个可用性维度中表现优异，但专家误认为AI设计是人类创作且描述其为'完美'，揭示了过度一致性导致的'完美悖论'，建议设计师角色从制定者转向模式策展人。
Comments 6 pages, 2 figures, 3 tables; Poster paper at CHI EA 2026 (Extended Abstracts of the ACM CHI Conference on Human Factors in Computing Systems)
Journal ref Extended Abstracts of the 2026 CHI Conference on Human Factors in Computing Systems (CHI EA '26), April 13--17, 2026, Barcelona, Spain
