高校专区
用数字双胞胎模拟人生路径：AI生成的未来自我影响决策并拓展人类选择
机构 * MIT Media Lab（MIT媒体实验室） ； Stanford University（斯坦福大学） ； Nanyang Technological University（南洋理工大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； KASIKORN Labs（KASIKORN实验室）
AI总结 本研究利用AI生成的未来自我虚拟形象，通过模拟人生路径拓展人类选择，发现平衡呈现和新增选项能有效影响决策，提升自主性认知。
在元素周期表范围内学习分子的电子结构
机构 * FAIR at Meta（Meta 的 FAIR 部门） ； ETH Zurich（苏黎世联邦理工学院） ； MIT（麻省理工学院）
AI总结 HELM模型通过利用哈密顿矩阵数据提升分子电子结构学习，为低数据条件下能量预测提供改进方法。
为什么链式思维在临床文本理解中失效
机构 * Harvard Medical School（哈佛医学院） ； MIT（麻省理工学院） ； Broad Institute of MIT and Harvard（MIT与哈佛大学Broad研究所）
AI总结 本研究发现链式思维在临床文本理解中导致性能下降，揭示了其在临床任务中可靠性与可解释性的矛盾。
Tyche: 医疗图像分割的随机上下文学习
机构 * CSAIL MIT（MIT计算机科学与人工智能实验室） ； MIT Broad Institute（MITBroad研究所） ； MGH（麻省总医院） ； MosaicML ； DataBricks ； MIT ； HMS, MGH（哈佛医学院、麻省总医院）
AI总结 Tyche通过上下文学习方法，无需重新训练即可为医疗图像分割生成随机预测，提升分割任务的灵活性和鲁棒性。
Comments Accepted at IEEE / CVF Computer Vision and Pattern Recognition Conference (CVPR) 2024 as a highlight. Code available at https://github.com/mariannerakic/tyche
PersonaMem-v2：通过学习隐式用户人设和代理记忆实现个性化智能
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Washington（华盛顿大学） ； University of California Santa Barbara（加州大学圣巴巴拉分校） ； Meta ； University of Southern California（南加州大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Microsoft Corporation（微软公司）
AI总结 PersonaMem-v2通过学习隐式用户人设和代理记忆提升LLM个性化能力，实验显示强化微调使模型在隐式个性化任务中准确率达53%。
Comments Data is available at https://huggingface.co/datasets/bowen-upenn/PersonaMem-v2
宽多层感知机的理论压缩界限
机构 * MIT（麻省理工学院）
AI总结 本文提出了一种随机贪心算法，用于宽多层感知机的剪枝和量化，证明了其在保持性能的同时实现网络压缩的理论界限。
用时间范围量化强化学习中的内存使用
机构 * MIT Lincoln Laboratory（麻省理工学院林肯实验室） ； CSAIL, MIT（计算机科学与人工智能实验室，麻省理工学院） ； ELLIS Institute Tübingen（图宾根大学ELLIS研究所） ； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； Tübingen AI Center（图宾根人工智能中心）
AI总结 提出时间范围作为量化强化学习中内存使用的指标，通过分析时间窗口内输入序列对输出的一阶敏感度，评估策略的记忆依赖性。
未来你：设计和评估多模态AI生成的数字双胞胎以加强未来自我连续性
机构 * MIT Media Lab（MIT媒体实验室） ； Harvard University（哈佛大学） ； Stanford University（斯坦福大学） ； KASIKORN Labs（KASIKORN实验室）
AI总结 本研究通过多模态AI生成的未来自我探索其对自我连续性、情绪和动机的影响，发现avatar效果最佳，但各模态无显著差异，互动质量是关键因素。
Shoot-Bounce-3D：通过分解双次反射光实现单次测量的激光雷达3D重建
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Meta
AI总结 通过分解双次反射光，单次测量实现遮挡和镜面场景的3D重建
Comments SIGGRAPH Asia 2025. Project page: https://shoot-bounce-3d.github.io
PrefGen: 多模态偏好学习用于偏好条件下的图像生成
机构 * Rutgers University（罗格斯大学） ； iN2X ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室） ； Red Hat AI Innovation（红帽人工智能创新）
AI总结 PrefGen通过多模态大语言模型提取用户偏好并注入扩散模型，实现个性化图像生成，优于现有方法。
Comments Project Page: \href{https://prefgen.github.io/}{\texttt{https://prefgen.github.io}}
砍树：基于语义相似性的动态剪枝用于树状思维推理
机构 * Massachusetts Institute of Technology (MIT)（麻省理工学院）
AI总结 SSDP通过动态剪枝技术提升树状思维推理效率，实现2.3倍速度提升且保持高准确性。
Comments 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Workshop on Efficient Reasoning
径向注意力：具有能量衰减的 $O(n\log n)$ 稀疏注意力用于长视频生成
机构 * MIT（麻省理工学院） ； NVIDIA（英伟达） ； Princeton（普林斯顿大学） ； UC Berkeley（加州大学伯克利分校） ； Stanford（斯坦福大学） ； First Intelligence（第一智能）
AI总结 本文提出径向注意力，通过能量衰减机制实现高效的长视频生成，显著提升生成速度并降低计算成本。
Comments Accepted to NeurIPS 2025, Code: https://github.com/mit-han-lab/radial-attention
学习何处学习：用于科学机器学习的训练数据分布优化
机构 * Cornell University（康奈尔大学） ； MIT（麻省理工学院） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出了一种优化训练数据分布的方法，以提升科学机器学习模型在不同部署条件下的预测精度和鲁棒性。
Comments 50 pages (11 main text, 5 reference, 34 supplementary material pages), 18 figures, 3 tables, 3 algorithms
用博弈论绘制故事的形状
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Archimedes AI Cambridge, MA（阿基米德AI剑桥分校） ； Google DeepMind London, UK（谷歌深度Mind伦敦分公司） ； Harvard SEAS Cambridge, MA（哈佛大学科学与工程学院） ； Google Research New York, New York（谷歌研究纽约分公司） ； Columbia CS & Archimedes AI New York, NY（哥伦比亚大学计算机科学与阿基米德AI纽约分校）
AI总结 本研究利用博弈论方法分析故事结构，通过AI技术揭示情节、人物动机及反事实情节，应用于《罗密欧与朱丽叶》并探讨其在现实中的应用潜力。
Comments NeurIPS 2024 Creative AI Track
人工人类智能：人类在下一代AI发展中的作用
机构 * Department of Computer Engineering, Boğaziçi University（计算机工程系，博兹达奇大学） ； Department of Brain and Cognitive Sciences, Massachusetts Institute of Technology (MIT)（脑与认知科学系，麻省理工学院（MIT））
AI总结 本文探讨了人类在下一代AI发展中的关键作用，分析了人类与人工智能的互动，提出以人类为中心的发展方向，并强调伦理、责任和稳健智能系统的重要性。
Comments 19 pages, 8 figures, 2 tables, accepted to IEEE Transactions on Emerging Topics in Computational Intelligence
通过测试时缩放探查世界模型在空间推理中的有效性
机构 * MILA – Quebec AI Institute（魁北克人工智能研究所） ； Polytechnique Montréal（蒙特利尔理工学院） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Institute for Machine Learning, Johannes Kepler University Linz（林茨约瑟夫·夫兰克大学机器学习研究所） ； Nankai University（南开大学）
AI总结 本文提出ViSA框架，通过可验证的微断言改进世界模型的空间推理能力，但发现当前模型在复杂任务中仍存在信息瓶颈。
Comments Extended abstract at World Modeling Workshop 2026
方差系数掩码：一种考虑波动性的电子健康记录基础模型策略
机构 * Massachusetts Institute of Technology (MIT)（麻省理工学院） ； Technical University of Munich (TUM)（慕尼黑技术大学） ； MICS CentraleSupélec – Université Paris-Saclay（巴黎萨克雷大学CentraleSupélec研究所） ； Harvard Medical School（哈佛医学院） ； Beth Israel Deaconess Medical Center（贝斯以色列医疗中心） ； Institute of Pathology Technical University of Munich（慕尼黑技术大学病理研究所） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）
AI总结 本文提出CV-Masking策略，通过考虑特征波动性改进EHR基础模型的预训练，提升重建性能和下游任务表现。
Comments 16 pages, 9 figures, 1 table, 1 algorithm. Accepted at Machine Learning for Health (ML4H) 2025, Proceedings of the Machine Learning Research (PMLR)
从合成数据中学习准确的纵向脑部MRI刚体配准
机构 * 1 Division of Biomedical Imaging, KTH Royal Institute of Technology, Huddinge, Sweden 2 Athinoula A.\ Martinos Center for Biomedical Imaging, Charlestown, USA 3 Department of Radiology, Massachusetts General Hospital, Boston, USA 4 Department of Radiology, Harvard Medical School, Boston, USA 5 Computer Science \& Artificial Intelligence Laboratory, MIT, Cambridge, USA
AI总结 本文提出了一种基于合成数据训练的模型，用于提高纵向脑部MRI刚体配准的准确性。
Comments 5 pages, 4 figures, 1 table, rigid image registration, deep learning, longitudinal analysis, neuroimaging, accepted by the IEEE International Symposium on Biomedical Imaging
Journal ref IEEE Int Symp Biomed Imaging, 2025, 1-5
大语言模型：一个应用计量经济学框架
机构 * Center for Applied Artificial Intelligence at the University of Chicago（芝加哥大学应用人工智能中心） ； Altman Family Fund at MIT（麻省理工学院阿尔特曼家族基金） ； University of Chicago（芝加哥大学） ； Massachusetts Institute of Technology（麻省理工学院） ； NBER（美国国家经济研究局）
AI总结 本文提出一个应用计量经济学框架，利用大语言模型进行文本预测和经济概念测量，强调无训练泄漏和验证样本的重要性，以提高实证分析的准确性。
TTRV：用于视觉语言模型的测试时间强化学习
机构 * IISc Bangalore（班加罗尔印度理工学院） ； JKU Linz（林茨约翰·凯撒大学） ； Stanford（斯坦福大学） ； Tübingen AI Center（图宾根人工智能中心） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室） ； MIT CSAIL Project（麻省理工CSAIL项目）
AI总结 TTRV通过测试时间强化学习提升视觉语言模型的识别和问答性能，无需标记数据，在多个任务中取得显著提升。
超越I-Con：探索表示学习中距离度量的新维度
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 Beyond I-Con框架通过探索替代统计散度，改进了表示学习中的对比学习和降维任务，展示了不同散度选择对优化效果的重要性。
提升儿童脑影像的颅骨去除性能
机构 * 1 Athinoula A.\ Martinos Center for Biomedical Imaging, Charlestown, MA 02129, USA 2 Department of Radiology, Massachusetts General Hospital, Boston, MA 02114, USA 3 Department of Radiology, Harvard Medical School, Boston, MA 02115, USA 4 Division of Health Sciences ； Technology, MIT, Cambridge, MA 02139, USA 5 Computer Science \& Artificial Intelligence Laboratory, MIT, Cambridge, MA 02139, USA
AI总结 本文提出d-SynthStrip模型，专门针对儿童脑影像，通过高变量图像合成提升颅骨去除性能，并在多种扫描类型和年龄组中表现优于现有基线。
Comments 5 pages, 5 figures, 1 table, skull-stripping, brain extraction, newborn, infant, toddler, pediatric MRI, machine learning, accepted by the IEEE International Symposium on Biomedical Imaging
Journal ref IEEE Int Symp Biomed Imaging, 2024, 1-5
忒修斯之船网络（类似忒修斯之船）
机构 * MIT CSAIL, CBMM（麻省理工学院计算机科学与人工智能实验室，CBMM） ； Department of Cognitive Science, Johns Hopkins University（约翰霍普金斯大学认知科学系）
AI总结 忒修斯之船网络（NoT）通过解耦优化与部署，实现训练架构到目标架构的逐步转换，保留性能并拓展推理架构的可能性。
Comments Preprint. 24 pages, 9 figures, 8 tables
自适应核选择用于斯蒂因变分梯度下降
机构 * Universität Mannheim（曼海姆大学） ； MIT（麻省理工学院） ； Universität Heidelberg（海德堡大学）
AI总结 本文提出Ad-SVGD方法，通过自适应调整核参数提升SVGD在高维数据中的性能。
PULSE：一种用于心脏分割、诊断和少样本跨模态临床适应的统一多任务架构
机构 * King Fahd University of Petroleum ； Institute for Medical Engineering \& Science, Massachusetts Institute of Technology, US ； Harvard Medical School, Harvard University, US ； KFUPM–SDAIA Joint Research Centre for Artificial Intelligence, Saudi Arabia
AI总结 PULSE是一种统一多任务框架，通过自监督表示和综合监督策略，实现心脏分割、诊断和跨模态临床适应的统一处理。
TripOptimizer: 基于三平面VAE网络的生成3D形状优化与阻力预测
机构 * Department of concepts and methods development in virtual fields, AUDI AG（虚拟领域概念与方法发展系，奥迪公司） ； Technology and Bionics Faculty, Rhine-Waal University of Applied Sciences（技术与生物科学系，莱茵-瓦尔大学） ； Department of Mechanical Engineering, Massachusetts Institute of Technology（机械工程系，麻省理工学院） ； Schwarzman College of Computing, Massachusetts Institute of Technology（施瓦茨曼计算学院，麻省理工学院）
AI总结 TripOptimizer利用三平面VAE网络实现基于点云数据的3D形状优化与阻力预测，通过高保真重建和高效优化策略减少对传统CFD模拟的依赖。
BlendedNet：一种混合翼身比飞机数据集及气动预测替代模型
机构 * Department of Mechanical Engineering（机械工程系） ； Massachusetts Institute of Technology（麻省理工学院） ； MIT Lincoln Laboratory（MIT林肯实验室） ； Center for Computational Science & Engineering（计算科学与工程中心）
AI总结 BlendedNet 提供了一个混合翼身比飞机数据集和端到端替代模型，用于高精度气动预测和设计研究。
Comments Accepted at ASME IDETC/CIE 2025 (DETC2025-168977). Dataset availability: BlendedNet dataset is openly available at Harvard Dataverse (https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/VJT9EP)
工程设计中的AI代理：一种用于汽车外观和空气动力学设计的多代理框架
机构 * Department of Mechanical Engineering, Massachusetts Institute of Technology, Cambridge, MA, USA（麻省理工学院机械工程系） ； Department of Electrical Engineering and Computer Science, Massachusetts Institute of Technology, Cambridge, MA, USA（麻省理工学院电气工程与计算机科学系） ； Department of Computer Science, Technical University of Munich, Munich, Germany（慕尼黑技术大学计算机科学系）
AI总结 本研究提出了一种多代理框架，利用AI代理提升汽车设计的美学和空气动力学性能，通过自动化任务加速设计流程。
EnCompass：通过程序执行路径搜索增强智能体编程
机构 * Asari AI ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Caltech CMS（加州理工学院 CMS）
AI总结 EnCompass通过解耦智能体工作流逻辑与推理策略，提供一种基于Python的框架，允许快速提升智能体可靠性并灵活切换推理策略。
Comments 65 pages, 2 figures, published in NeurIPS 2025
GalaxyDiT：通过引导对齐和自适应代理实现高效的视频生成
机构 * Massachusetts Institute of Technology（麻省理工学院） ； NVIDIA（英伟达）
AI总结 GalaxyDiT通过引导对齐和自适应代理选择，提升视频生成效率，实现高达2.37倍的速度提升并保持高质量输出
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