高校专区
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
寻找开放性的要素：用大型视觉语言模型复现 Picbreeder
机构 * New York University（纽约大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本研究通过用前沿视觉语言模型替代人类用户复现 Picbreeder，探索人工智能在无引导发现中的开放性能力，并分析系统输出与人类基线在系统发育复杂性、视觉和语义显著性及新颖性上的差异，同时研究探索性噪声、行为多样性和叙事动量等因素的影响。
Comments 26 pages, 21 figures, to be published at GECCO 2026
Journal ref Proceedings of the Genetic and Evolutionary Computation Conference (GECCO '26), July 13-17, 2026, San José, Costa Rica. ACM, 2026
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
通过归一化流通信似然
机构 * Center for Nuclear Theory, Department of Physics and Astronomy, Stony Brook University（核理论中心，物理与天文学系，石溪大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Université Paris-Saclay, CNRS/IN2P3, IJCLab（巴黎-萨克雷大学，CNRS/IN2P3，IJCLab） ； Institute for Particle Physics Phenomenology（粒子物理学现象研究所） ； Department of Physics, Durham University（物理系，杜ham大学）
AI总结 本文提出一种基于归一化流的方法，通过严格统计检验验证学习的似然，用于高能物理中的可靠通信和分析。
Comments 4 pages + references, 1 figure
Journal ref Eur. Phys. J. C 86, 805 (2026)
B样条策略：通过B样条动作表示加速操纵策略
机构 * Harvard（哈佛大学） ； MIT（麻省理工学院） ； UT Austin（德克萨斯大学奥斯汀分校）
AI总结 研究提出B样条策略，将动作参数化为连续B样条曲线，可集成到标准策略学习管道，通过直接预测参数实现。实验表明该策略能显著减少任务完成时间，在模拟和现实任务中优于基线方法且成功率高。
超越固定表示：开放式人工智能中的词汇与验证差距
机构 * MIT（麻省理工学院）
AI总结 研究指出当前人工智能系统虽能力强但表示框架固定，构建开放式智能需新操作。通过词汇和验证差距刻画与真正开放式智能的距离，基于智能行为的认知转换区分不同类型转换，进而提出创新自主性阶梯及推进开放式人工智能的方向。
CORAL-AUV：面向自主水下航行器的CFD强化学习
机构 * MIT–WHOI Joint Program（麻省理工学院 - 伍兹霍尔海洋研究所联合项目） ； Woods Hole Oceanographic Institution（伍兹霍尔海洋研究所） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 研究自主水下航行器细粒度控制与定位问题，提出利用CFD模型代理近似在强化学习中快速推理的方法，首次在6自由度AUV上成功部署零射击RL策略，相比传统控制器有能耗降低、速度加快、误差减小等优势。
Comments 16 pages, 13 figures
深度神经网络中统计上不可检测的后门
机构 * University of Ottawa（渥太华大学） ； Bocconi University（博科尼大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 研究对抗模型训练者在深度前馈神经网络中植入统计上不可检测的后门，此后门可提供基于不变性的对抗样本，揭示了模型训练者与使用者间的权力不对称，且无后门时多项式时间内无法生成此类样本。
Comments ICML 2026
Hydra++：通过对象级形状估计进行实时分层3D场景图构建
机构 * Laboratory for Information & Decision Systems, Massachusetts Institute of Technology（信息与决策系统实验室，麻省理工学院）
AI总结 研究如何将基于学习的对象形状估计器集成到分层3D场景图管道中，提出Hydra++系统。它结合形状估计和一致性检查，默认配置可在线构建场景图，支持混合配置应对室外挑战，实验证明其提高了对象和场景级重建质量。
Comments 8 pages, 12 figures, accepted in Proc. IEEE/RSJ IROS
从更少中学习更多：事后诸葛亮式强化学习
机构 * Massachusetts Institute of Technology（麻省理工学院） ； MIT-IBM Computing Research Lab（麻省理工学院-IBM计算研究实验室） ； Stanford University（斯坦福大学） ； University of California, San Diego（加利福尼亚大学圣地亚哥分校）
AI总结 研究针对强化学习用于视觉-语言-动作模型后期训练时样本效率低的问题，提出事后诸葛亮式学习方法，通过对失败轨迹重标记，让策略联合原始与重标记轨迹训练，在分布外任务上显著提升样本效率并优于基线。
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。
GradInf：作为概率推理的梯度估计
机构 * Carnegie Mellon University Pittsburgh USA ； Massachusetts Institute of Technology Cambridge USA ； Chalmers University of Technology \& University of Gothenburg Gothenburg Sweden ； Yale University New Haven USA ； Carnegie Mellon University ； Massachusetts Institute of Technology ； Chalmers University of Technology \& University of Gothenburg ； Yale University
AI总结 研究针对概率程序梯度估计难题，提出梯度推理新方法，通过形式规约将其转化为概率推理问题，借助耦合和因式分解操作设计梯度估计器，介绍GradInf系统，经案例研究验证其能表达并构建高性能梯度估计器。
Journal ref Proc. ACM Program. Lang. 10, PLDI, Article 243 (June 2026)
训练和评估具有长上下文长度的扩散策略
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文首次详细研究模仿学习中上下文长度的影响，发现简单扩展上下文长度并不脆弱，并提出联合训练多上下文长度策略的方法以降低样本复杂度。
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。
考虑概率的停车选择
机构 * Laboratory for Information & Decision Systems and the Institute for Data, Systems, and Society, Massachusetts Institute of Technology（信息与决策系统实验室和数据、系统与社会研究所，麻省理工学院） ； Laboratory for Information & Decision Systems, Massachusetts Institute of Technology（信息与决策系统实验室，麻省理工学院） ； Laboratory for Information & Decision Systems, the Institute for Data, Systems, and Society, and the Dept. of Civil and Environmental Engineering, Massachusetts Institute of Technology（信息与决策系统实验室、数据、系统与社会研究所和土木与环境工程系，麻省理工学院）
AI总结 本文提出考虑概率的停车选择方法，通过动态规划框架优化停车位置选择，减少到达时间误差，实验表明其在真实数据和模拟中均有效。
Comments 10 pages, 8 figures, 3 tables. To be published in IEEE Transactions on Intelligent Transportation Systems
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。
机构红队测试：部署规则而非模型，因果性地塑造多智能体人工智能安全
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 研究多智能体人工智能安全中部署规则的影响，提出机构红队测试方法，通过IABench-CA实例化，发现规则改变集体安全、无安全默认规则、身份显著性是机制，还打包成安全案例工作流程认证规则区域并明确风险义务。
数据如何塑造RoPE频率使用：从位置尺度匹配到长度泛化
机构 * MIT IDSS（麻省理工学院信息系统与决策科学实验室） ； IIIS, Tsinghua University（清华大学交叉信息研究院）
AI总结 研究RoPE频率使用不均匀的原因，提出数据诱导依赖决定频率使用，最佳频率与1/W成比例，该原则解释了相关观察，还将频率选择与长度泛化联系，表明自然语言有自相似性，长上下文泛化取决于两种尺度匹配。
一个用于自动驾驶的具有大语言模型注释的高风险驾驶场景知识增强数据集
机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院） ； Fudan University（复旦大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Shanghai Jiao Tong University（上海交通大学） ； Tsinghua University（清华大学）
AI总结 研究自动驾驶中高风险场景数据不足问题，核心方法是构建K-Risk数据集，整合多源轨迹数据并利用大语言模型生成注释，主要贡献是为自动驾驶开发和评估提供标准化基础。
Comments 22 pages, 9 figures
CILC：用于多智能体协作SLAM的加密安全的智能体间闭环候选检测
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 研究多智能体协作SLAM中智能体间闭环候选检测问题，提出CILC系统，利用安全多方计算仅对隐私敏感且计算量轻的GD相似性比较步骤进行加密处理，在模拟和硬件实验中验证其能保持实时性、通信可行并减轻信息泄露。
RoboDojo：用于综合评估通用机器人操作策略的统一模拟与现实基准测试
机构 * UC Berkeley（加州大学伯克利分校） ； THU（清华大学） ； PKU（北京大学） ； Stanford（斯坦福大学） ； MIT（麻省理工学院） ； UNC（北卡罗来纳大学） ； Princeton（普林斯顿大学） ； CMU（卡内基梅隆大学） ； NUS（新加坡国立大学） ； NTU（南洋理工大学） ； CUHK（香港中文大学） ； SJTU（上海交通大学） ； HKUST (GZ)（香港科技大学（广州）） ； ZJU（浙江大学） ； Yale（耶鲁大学）
AI总结 现有基准测试在系统评估通用机器人操作策略能力方面有限，本文引入RoboDojo统一基准测试，含模拟与现实任务，支持多维度评估及可扩展评估，还建立了公共排行榜与系统分析。
Comments Website: https://robodojo-benchmark.com/, Code: https://github.com/RoboDojo-Benchmark/RoboDojo, Leaderboard: https://robodojo-benchmark.com/leaderboard
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