高校专区
从风险学习：利用先验知识的LLM引导的安全关键场景生成
机构 * Chinese Academy of Sciences, China（中国科学院） ； Department of Urban Studies and Planning, Massachusetts Institute of Technology, USA（麻省理工学院城市研究与规划系） ； School of Vehicle and Mobility, Tsinghua University, China（清华大学车辆与移动系统学院）
AI总结 本文提出利用LLM和CVAE生成安全关键场景的方法，通过知识驱动优化提升自动驾驶系统在罕见高风险事件下的鲁棒性与可控性。
Comments 24 pages, 6 figures
Video-R4：通过视觉沉思强化文本丰富的视频推理
机构 * University of Rochester（罗切斯特大学） ； Sony Group Corporation（索尼集团） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室）
AI总结 Video-R4通过视觉沉思机制提升文本丰富视频的推理能力，采用多阶段学习框架实现像素基础的多模态推理。
动作分块与探索性数据收集在连续控制行为克隆中的指数性改进
机构 * MIT（麻省理工学院）
AI总结 本文通过动作分块和探索性数据收集方法，在连续控制行为克隆中实现误差指数级减少，揭示了控制理论稳定性对模仿学习性能的关键作用。
Comments Updated manuscript. New visualization figures and control-theory primer
物理约束的流匹配：带有硬约束的采样生成模型
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 物理约束的流匹配通过强制执行任意非线性约束，提高生成模型在物理系统中的约束满足能力。
Comments 36 pages, 9 figures, 8 tables, Accepted to NeurIPS 2025
MambaEye：一种无尺寸依赖的视觉编码器与因果序列处理
机构 * Korea University（韩国大学） ； MIT（麻省理工学院）
AI总结 MambaEye通过因果序列处理和相对移动嵌入，实现无尺寸依赖的视觉编码，适用于任意分辨率和扫描模式。
Comments Code will be released in github
什么是理解语言意味着？
机构 * Kempner Institute for the Study of Natural & Artificial Intelligence（自然与人工智能研究 institute） ； Harvard University（哈佛大学） ； School of Psychology（心理学学院） ； Georgia Institute of Technology（佐治亚理工学院） ； Massachusetts Institute of Technology（麻省理工学院） ； Department of Brain and Cognitive Sciences（脑科学与认知科学系）
AI总结 本文探讨了理解语言的认知和神经机制，提出通过将信息导出至其他大脑区域来构建心理模型，以深入理解语言。
学习验证生成模型：一种适合性检验方法
机构 * Dipartimento di Fisica e Astronomia, Università di Padova, Padova, Italy（帕多瓦大学物理与天文学系） ； INFN, Sezione di Padova, Padova, Italy（意大利国家核物理研究所帕多瓦分部） ； Department of Physics, Brandeis University, Waltham, MA, USA（布兰迪大学物理系） ； MIT Laboratory for Nuclear Science, Cambridge, MA, USA（麻省理工学院核科学实验室） ； School of Engineering and Applied Sciences, Harvard University, Cambridge, MA, USA（哈佛大学工程与应用科学学院） ； NSF AI Institute for Artificial Intelligence and Fundamental Interactions, Cambridge, MA, USA（国家科学基金会人工智能与基本相互作用研究所） ； MaLGa–DIBRIS, Università di Genova, Genova, Italy（热那亚大学MaLGa–DIBRIS） ； INFN, Sezione di Genova, Genova, Italy（意大利国家核物理研究所热那亚分部） ； Institute for Theoretical Particle Physics and Cosmology, RWTH Aachen University, Aachen, Germany（亚琛工业大学理论粒子物理与宇宙学研究所）
AI总结 本文提出基于NPLM的适合性检验方法，用于验证高维科学数据生成模型的可靠性，并能诊断模型未充分建模的区域。
Comments 16 pages, 6 figures. v2: improved clarity
GRAM：深度强化学习中的泛化能力与鲁棒适应模块
机构 * Mitsubishi Electric Research Laboratories (MERL)（三菱电机研究实验室（MERL）） ； Massachusetts Institute of Technology（麻省理工学院） ； Amazon Robotics（亚马逊机器人）
AI总结 GRAM通过鲁棒适应模块提升深度强化学习在分布内和分布外场景中的泛化能力，通过仿真和机器人实验验证其有效性。
Comments Accepted for publication in IEEE Robotics and Automation Letters (RA-L)
一种具有形态-骨骼控制的可用于模拟的冠状动脉解剖扩散模型
机构 * Institute of Medical Engineering, MIT（麻省理工学院医学工程研究所） ； Brigham and Women's Hospital, Harvard（哈佛大学布莱尔妇女医院） ； HeartFlow（HeartFlow公司） ； Showa University（昭和大学） ； OLV Aalst
AI总结 本文提出了一种基于潜在扩散模型的冠状动脉解剖生成方法，通过形态-骨骼控制实现可控的解剖合成，用于虚拟干预研究。
Comments Accepted to ECCV 2024
由人工智能驱动的工作流加速新型光敏剂设计
机构 * Department of Chemistry（化学系） ； Chinese Academy of Sciences（中国科学院） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本研究提出AAPSI工作流，结合专家知识和AI优化，加速新型光敏剂设计，发现具有高量子产率和长吸收波长的HB4Ph候选者
基于最优传输的神经几何图像表示
机构 * Futurewei Technologies（未来智科） ； Stony Brook University（石溪大学） ； University of Southern California（南加州大学） ； Massachusetts Institute of Technology（麻省理工学院） ； George Mason University（乔治·玛莎大学）
AI总结 本文提出一种基于最优传输的神经几何图像表示方法，通过将不规则网格转换为规则图像网格，实现高效存储和神经处理，实验显示其在存储效率和恢复精度上优于现有方法。
Comments WACV2026 Rround 2 Accepted
Upsample Anything: 一种简单且难以被超越的特征上采样基线
机构 * KAIST（韩国科学技术院） ； MIT（麻省理工学院） ； Microsoft（微软公司）
AI总结 Upsample Anything通过简单每张图像优化方法实现高效特征上采样，适用于多种像素级任务，性能优于现有方法。
Comments 15 pages, 12 figures
多阶段删失的贝叶斯模型
机构 * MIT（麻省理工学院） ； Harvard University（哈佛大学） ； UC Berkeley（伯克利大学）
AI总结 本文提出了一种多阶段删失的贝叶斯模型，用于医疗决策中的漏斗结构，通过实验发现性别在ICU收治决策中的风险差异。
Comments Proceedings of ML4H 2025
扰动导数：在Bregman损失下机器学习模型的无模型评估中的野重拟合
机构 * Center for Computational Science and Engineering, MIT（计算科学与工程中心，麻省理工学院） ； Department of Civil and Environmental Engineering, MIT（土木与环境工程系，麻省理工学院） ； Institute for Data, Systems, and Society, MIT（数据、系统与社会研究所，麻省理工学院）
AI总结 通过野重拟合方法，在Bregman损失下实现对复杂机器学习模型的无模型超额风险评估。
探讨表示通用性：谱系表示的案例研究
机构 * MIT（麻省理工学院）
AI总结 本研究探讨了大型语言模型在表示谱系信息时的通用性，通过两种实验证据验证图结构表示的通用性，并指出缺乏地面真实表示的挑战。
Comments 14 pages, 7 figures
Journal ref NeurIPS 2025 Workshop on Responsible Foundation Models
模型到模型知识传输（M2KT）：一种无数据的跨模型理解迁移框架
机构 * Department of Computer Science（计算机科学系） ； Engineering MIT-World Peace University, Pune, India（工程学院 MIT-世界和平大学 印度邦普尼）
AI总结 M2KT提出了一种无数据的跨模型知识传输方法，通过概念空间交换知识包，实现高效的知识迁移和模型自我改进。
Comments 8 pages including figures, prepared in IEEE conference style. Preprint. Work in progress
AI流量中的隐藏：利用MCP进行LLM驱动的代理红队攻击
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出一种基于MCP的C2架构，用于LLM驱动的红队攻击，通过异步并行操作和实时情报共享，减少检测足迹并提升系统整体效能。
Comments 23 pages, 9 figures, 3 tables. Submitted as a full paper for review
通过3D生成AI和视觉语言模型实现多组件物体的文本到机器人组装
机构 * Massachusetts Institute of Technology (MIT)（麻省理工学院） ； MIT（麻省理工学院） ； Google DeepMind（谷歌DeepMind） ； Google, Paradigms of Intelligence（谷歌、范式智能） ； Autodesk Research（Autodesk研究） ； MIT Mechanical Engineering（麻省理工学院机械工程系） ； MIT Architecture（麻省理工学院建筑系） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
AI总结 本文提出利用3D生成AI和视觉语言模型实现多组件物体的文本到机器人组装，通过多模态推理分解生成网格并优化组件分配。
Comments Accepted to NeurIPS 2025, Conference on Neural Information Processing Systems, Creative AI Track
神经透明：用于预测模型行为的机制可解释性接口以实现个性化AI
机构 * MIT Media Lab（麻省理工学院媒体实验室） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本研究提出神经透明接口，通过可视化语言模型内部结构帮助用户预测AI行为，提升信任并促进更安全的人机交互。
Comments SK and AB are co-first authors
在神经影像中学习提升3D分割
机构 * Massachusetts General Hospital and Harvard Medical School（麻省总医院和哈佛医学院） ； Department of ECE, Johns Hopkins University（约翰霍普金斯大学电子工程系） ； Danish Research Centre for Magnetic Resonance, Copenhagen University Hospital（丹麦磁共振研究所以及哥本哈根大学医院） ； Hawkes Institute, University College London（霍克斯研究所和伦敦大学学院） ； Computer Science and AI Laboratory, 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 本文提出了一种可扩展的框架，通过回归有符号距离图，在神经影像中实现3D分割的高分辨率上采样，提升了模型的泛化能力和可扩展性。
Comments 13 pages, 4 figures
Radar2Shape：基于高频雷达的多分辨率符号距离函数的3D形状重建
机构 * Northeastern University（东北大学） ； MIT Lincoln Laboratory（麻省理工学院林肯实验室） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 Radar2Shape通过多分辨率符号距离函数和去噪扩散模型，实现从部分观测高频雷达信号中重建任意3D形状。
Omni-R1：你真的需要音频来微调你的音频大语言模型吗？
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Goethe University of Frankfurt（法兰克福歌德大学） ； IBM Research AI（IBM人工智能研究部） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室） ； Tuebingen AI Center/University of Tuebingen（图宾根人工智能中心/图宾根大学）
AI总结 Omni-R1通过强化学习方法GRPO微调多模态大语言模型，实现了在音频问答任务上的新SOTA性能，同时发现文本推理能力提升对音频性能有显著贡献。
数据集蒸馏用于预训练自监督视觉模型
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出线性梯度匹配方法，用于生成在预训练自监督视觉模型上最优训练线性探测器的数据集，实现了优于真实图像基线的合成数据，并在细粒度分类和模型可解释性方面表现出色。
Comments Accepted at NeurIPS 2025. Project page: https://linear-gradient-matching.github.io/ Code: https://github.com/GeorgeCazenavette/linear-gradient-matching
AssayMatch: 为分子活性模型学习选择数据
机构 * Computer Science and Artificial Intelligence Laboratory, Massachusetts Institute of Technology, Cambridge, MA, 02139（计算机科学与人工智能实验室，麻省理工学院，剑桥，马萨诸塞州，02139）
AI总结 AssayMatch通过数据归因方法选择高质量训练数据，提升药物发现模型的预测能力和数据效率。
机构 * Massachusetts Institute of Technology（麻省理工学院）
Comments 8 pages, 8 figures, originally published in the IEEE Robotics and Automation Letters
Journal ref IEEE Robotics and Automation Letters, vol. 10, no. 11, pp. 11912-11919, Nov. 2025
机构 * Massachusetts Institute of Technology（麻省理工学院）
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Universitat Oberta de Catalunya（巴塞罗那开放大学） ； Louisiana Tech（路易斯安那理工大学） ； Northeastern University（东北大学）
Comments 32 pages, 10 figures, Neurips 2025
机构 * Massachusetts Institute of Technology（麻省理工学院） ； MIT Lincoln Laboratory（MIT林肯实验室）
Comments IJCAI'25
Journal ref Cuellar, Alex, Ho Chit Siu, and Julie A. Shah. ''Inference of Human-Derived Specifications of Object Placement via Demonstration''. Proceedings of the Thirty-Fourth International Joint Conference on Artificial Intelligence, IJCAI-25, 8 2025
机构 * MIT（麻省理工学院）
Comments Technical Report. Project webpage: https://github.com/lillian039/VARC
机构 * University of Pennsylvania（宾夕法尼亚大学） ； MIT Lincoln Laboratory（麻省理工学院林肯实验室）
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