高校专区
解析句法：语言建模与语法的子结构
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文研究语言模型在上下文无关语法子结构上的学习行为，证明损失函数在顶层子语法上线性递归，并发现参数化模型并行学习子语法，子语法预训练能提升小模型性能并改善内部表征。
Comments Equal contribution by LYS and DM. Accepted to the 43rd International Conference on Machine Learning (ICML 2026)
MoReBench：评估语言模型中的程序性和多元道德推理，超越结果
机构 * University of Washington（华盛顿大学） ； New York University（纽约大学） ； Scale AI ； Harvard University（哈佛大学） ； University of Michigan（密歇根大学） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； Center for AI Safety（人工智能安全中心） ； Stanford University（斯坦福大学） ； MIT（麻省理工学院） ； University of Oxford（牛津大学）
AI总结 提出MoReBench基准，包含1000个道德场景和超过2.3万条标准，用于评估语言模型在道德推理中的程序性推理能力，发现现有基准无法预测模型表现，且模型对特定道德框架存在偏好。
Comments 46 pages, 8 figures, 10 tables. Published in ICLR 2026. Accepted at CHAI workshop and SPP 2026 (non-archival)
生成式人工智能中的竞争与多样性
机构 * MIT Sloan School of Management & Department of Electrical Engineering and Computer Science（麻省理工学院斯隆管理学院及电气工程与计算机科学系）
AI总结 通过博弈论模型和Scattergories游戏实验，研究竞争如何促使生成式AI模型多样化，缓解同质化，并提升社会福利。
利用遥感结果的程序评估
机构 * MIT（麻省理工学院） ； Harvard（哈佛大学）
AI总结 本文研究了在实验和准实验中，由于遥感变量不完全测量经济结果而引起的因果推断问题，提出了一种非参数识别因果参数的方法，结合实验和观测数据进行n^{-1/2}推断。
内省意识的机制
机构 * Anthropic Fellows Program（Anthropic Fellow项目） ； MIT（麻省理工学院） ； Constellation ； Anthropic
AI总结 研究揭示了大语言模型在检测注入的转向向量时的内省意识机制，发现其行为稳健且源于训练后阶段，通过两阶段电路实现，且在不同层间机制存在差异。
鲁棒的指令遵从：合作多智能体强化学习
机构 * Department of Computer Sciences, Northeastern University（东北大学计算机科学系） ； Department of Computer Sciences, Massachusetts Institute of Technology（麻省理工学院计算机科学系）
AI总结 针对外部指令中断行为并冲突长期目标的问题，提出宏动作值修正方法（MAVIC），通过修正指令边界的Bellman备份实现一致值估计，在复杂合作环境中保持高指令遵从和基础任务性能。
在线学习用于监督切换控制
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 研究在线学习在部分观测线性动态系统中监督切换控制的问题，提出非渐近分析方法，结合多臂老虎机算法，实现稳定控制器识别与系统辨识。
布尔逻辑的幂项多项式代数
机构 * CSAIL, MIT（MIT计算机科学与人工智能实验室） ； ESAT, KU Leuven（比利时鲁文大学ESAT研究所） ； KU Leuven（鲁文大学）
AI总结 提出幂项多项式代数，一种介于CNF和ANF之间的布尔公式表示语言，通过幂项和多项式直接编码CNF子句与单项式族，避免辅助变量和约束，支持代数运算与重写规则。
Comments Pragmatics of SAT
CU-Multi：多机器人协同感知数据集
机构 * Autonomous Robotics and Perception Group at the University of Colorado Boulder（科罗拉多大学波尔得分校自主机器人与感知组） ； Robot Perception Lab at Carnegie Mellon University（卡内基梅隆大学机器人感知实验室） ； Aerospace Controls Laboratory at Massachusetts Institute of Technology（麻省理工学院航空航天控制实验室） ； Computer Science and Artificial Intelligence Laboratory at Massachusetts Institute of Technology（麻省理工学院计算机科学与人工智能实验室） ； Human-Aware Robotic Exploration Lab at University of California Santa Cruz（加州大学圣克ruz分校人感知机器人探索实验室）
AI总结 针对多机器人协同感知基准测试缺乏专用数据集的问题，提出CU-Multi数据集，包含多天采集的同步多机器人轨迹、RGB-D、RTK GPS、语义LiDAR及精确里程计，支持可重复评估。
Comments 8 pages, 11 figures. arXiv admin note: text overlap with arXiv:2505.17576
评估卡：AI评估报告的解释层
机构 * Hugging Face ； Stanford University（斯坦福大学） ； Queen Mary University of London（伦敦玛丽女王大学） ； University of Copenhagen（哥本哈根大学） ； Trustible ； EleutherAI ； TU Darmstadt（达姆施塔特工业大学） ； Weizenbaum Institute & Technical University of Munich（魏森鲍姆研究所与慕尼黑工业大学） ； Harvard University（哈佛大学） ； The Hebrew University of Jerusalem（耶路撒冷希伯来大学） ； Iowa State University（爱荷华州立大学） ； IBM Research（IBM研究院） ； University of Chicago（芝加哥大学） ； Independent（独立） ； Berkeley AI Safety Institute (BASIS)（伯克利人工智能安全研究所） ； Simula ； University of Edinburgh（爱丁堡大学） ； ETH Zurich & ETH AI Center（苏黎世联邦理工学院与ETH AI中心） ； Oxford Internet Institute（牛津互联网研究所） ； Amherst College（阿默斯特学院） ； University of Nebraska（内布拉斯加大学） ； Syntony Research ； McGill University（麦吉尔大学） ； Evals Consensus ； Israel Institute of Technology（以色列理工学院） ； IOL.Learn & Zuse Institute Berlin（IOL.Learn与柏林祖泽研究所） ； Georgia Institute of Technology（佐治亚理工学院） ； Quebec AI Institute, Université de Montréal（魁北克人工智能研究所，蒙特利尔大学） ； University of Notre Dame（圣母大学） ； Georgetown University（乔治城大学） ； DHBW Stuttgart（斯图加特双元制大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 针对AI评估报告不一致的问题，提出EvalCards作为统一记录层，通过结构化模式、四种解释信号和监控工具，覆盖5816个模型和635个基准，揭示报告实践中的系统性差距。
UniPixie: 基于流匹配的统一概率三维物理学习
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Southern University of Science and Technology（南方科技大学） ； MIT（麻省理工学院）
AI总结 提出UniPixie框架，通过流匹配学习从单张视觉输入到连续可控材料属性分布的映射，实现多样物理场生成并降低杨氏模量预测误差超50%。
Comments Published at CVPR 2026 as a Highlight. Project page: https://unipixie.github.io/
稳定性边缘选择性地塑造数据分布上的学习
机构 * MIT（麻省理工学院）
AI总结 本文发现优化中的稳定性边缘（EoS）具有选择性，通过分支干预因果证明了EoS在训练数据子集间重新分配学习，并识别了受益组需满足的两个条件：梯度与Hessian主特征向量对齐，以及梯度幅度持续非零。
Comments ICML HiLD 2026; 27 pages, 22 figures
FOUND-IT: 基于基础模型优先、按需粒度的任务驱动3D场景图
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） ； Samsung Research America（三星美国研究院）
AI总结 提出首个基于未标定单目相机实时构建任意室内外环境分层任务驱动3D场景图的方法，通过几何基础模型和可调整粒度支持动态任务，并在ASHiTA SG3D基准上提升79%准确率。
ProbeLLM：自动化的大语言模型故障原则性诊断
机构 * University of Notre Dame（诺丁汉大学） ； LMU Munich（慕尼黑大学） ； Massachusetts Institute of Technology（麻省理工学院） ； IBM Research（IBM研究院）
AI总结 提出ProbeLLM框架，通过分层蒙特卡洛树搜索在全局探索与局部细化间分配预算，结合工具增强生成与验证，将故障发现从孤立案例提升为结构化故障模式，揭示更广泛、清晰、细粒度的故障景观。
训练集增强与生物学感知的谐波化改善不确定肺结节中肺癌预测的影像组学模型
机构 * Department of Radiation Oncology, University of Virginia School of Medicine（弗吉尼亚大学医学院放射肿瘤学系） ； Department of Physics, University of Virginia（弗吉尼亚大学物理系） ； Department of Physics, Massachusetts Institute of Technology（麻省理工学院物理系） ； Department of Biomedical Engineering, Northwestern University（西北大学生物医学工程系） ； Department of Radiation Oncology, University of Virginia（弗吉尼亚大学放射肿瘤学系） ； Old Dominion University（旧 Dominion 大学）
AI总结 针对早期肺结节恶性率低和图像采集差异问题，通过加入后期结节扩充训练集，并采用生物学感知的谐波化方法校正采集效应，显著提升了影像组学模型的预测性能（ROC-AUC 0.74）。
Comments 22 pages, 5 figures, plus supplemental material; updated with the accepted version of the manuscript
值得记住：基于惊讶门控的机器人情景记忆
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Lockheed Martin（洛克希德·马丁公司）
AI总结 提出基于贝叶斯惊讶的门控机制来选择性地存储高效用情景记忆，利用V-JEPA-2潜在空间计算惊讶，在机器人问答任务中提升12%以上性能。
Comments 14 pages, 2 figures, 4 tables
通过扩散强迫实现统一且稳健的数据同化：ForcingDAS
机构 * University of Michigan（密歇根大学） ； University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出ForcingDAS，一种基于扩散强迫的统一数据同化框架，能够捕捉长时序依赖并减少误差积累，同时在推理时无需重新训练即可实现滤波到平滑的全谱应用。
高速率量化矩阵乘法II
机构 * Hebrew University of Jerusalem（希伯来大学杰里科分校） ； MIT（麻省理工学院）
AI总结 本文研究在已知第二因子列协方差矩阵情况下高速率量化矩阵乘法，通过水填充算法改进LLM量化方法，展示WaterSIC方案在信息论极限下的性能。
CADFit：基于混合优化的精确网格到CAD程序生成
机构 * Department of Mechanical Engineering, Massachusetts Institute of Technology, Cambridge, MA 02139, USA（麻省理工学院机械工程系）
AI总结 提出CADFit框架，通过基于几何反馈的增量拟合和验证参数化操作，从网格中恢复复杂可编辑的CAD构造序列，在多个基准上优于现有方法，并显著降低无效比率。
城市洪水观测：一个手标注的训练和验证数据集，用于洪水后淹没区域
机构 * Pacific Northwest National Laboratory（太平洋西北国家实验室） ； University of Arizona（亚利桑那大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Utah State University（犹他州立大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Columbia University（哥伦比亚大学） ； University of Virginia（弗吉尼亚大学）
AI总结 本文提出UFO数据集，用于复杂城市环境中从卫星图像中映射洪水淹没区域，通过手标注数据集验证了分割模型，达到77.3的平均IoU，并评估了两种常用水体产品。
Comments 15 pages, 8 figures
TraversalBench: 为视觉语言模型设计的复杂路径挑战测试集
机构 * Massachusetts Institute of Technology, Department of Physics（麻省理工学院物理系） ； Massachusetts Institute of Technology, Institute for Data, Systems, and Society（麻省理工学院数据、系统与社会研究所） ； NSF AI Institute for Artificial Intelligence and Fundamental Interactions（国家科学基金会人工智能与基本相互作用AI研究所）
AI总结 本文提出TraversalBench，一个用于评估视觉语言模型复杂视觉路径跟随能力的受控基准测试集，发现自相交是主要困难来源，揭示了模型在路径感知上的局限性。
学习真实内容：在多传感器数据中分离信号和测量伪影，应用于天体物理学
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Flatiron Institute, Simons Foundation（Flatiron研究所，Simons基金会） ； Institute for Advanced Studies（高级研究 institute） ； Harvard University（哈佛大学） ； New York University（纽约大学） ； Instituto de Astrofísica de Canarias（加那利大天文台）
AI总结 本文提出一种深度学习框架，通过重叠观测、双编码器架构和反事实生成目标，分离多传感器数据中的信号与伪影，提升天体物理学研究的准确性。
Comments Accepted at the 2nd Workshop on Foundation Models for Science at ICLR 2026. 10 pages, 7 figures (main text), plus appendix
利用预训练模型中的弱影子变量在缺失数据下的部分识别
机构 * Massachusetts Institute of Technology, Cambridge, MA 02139（麻省理工学院） ； Emory University, Atlanta, GA 30322（埃默里大学）
AI总结 针对缺失非随机（MNAR）导致的估计偏差，提出部分识别框架，通过线性规划结合预训练模型（如LLM）的预测作为弱影子变量收紧边界，并设计集合扩张估计器保证覆盖，实验显示识别区间缩小75-83%。
AlphaOPT: 利用自改进LLM经验库构建优化问题
机构 * Singapore-MIT Alliance for Research and Technology（新加坡-麻省理工联合研究技术联盟） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Florida（佛罗里达大学） ； Northeastern University（东北大学） ； Singapore Management University（新加坡管理学院）
AI总结 提出AlphaOPT，一种自改进经验库，使LLM能从有限监督中学习优化建模知识，通过库学习和库演化两阶段循环，逐步提升性能，在多个基准上超越基线方法。
学习什么是重要的：通过互信息的概率任务选择用于模型微调
机构 * IIT Bombay（印度理工学院班加罗尔分校） ； IBM Research（IBM研究） ； Red Hat AI Innovation（红帽AI创新） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森AI实验室）
AI总结 本文提出TaskPGM框架，通过基于能量的任务模型学习连续任务混合，利用互信息和行为分歧来捕捉任务间的关系，从而在任务覆盖和冗余之间取得平衡，提升大语言模型的监督微调性能。
Comments 9, 8 tables, 7 figures
基于结构化步态-语言表示的LLM条件病理步态合成
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； University of Toronto（多伦多大学） ； MIT Media Lab（麻省理工学院媒体实验室）
AI总结 提出一种多模态LLM引导框架，通过结构化文本描述合成病理步态3D数据，利用运动标记化、病理感知语言条件、LLM语义增强和语言到步态生成，改善下游分类性能。
Comments Accepted at CVPR MOMA Workshop 2026 and selected for spotlight presentation at the workshop
Muon的谱缩放定律
机构 * MIT（麻省理工学院）
AI总结 本文系统研究了Muon优化器中动量矩阵奇异值谱随模型大小的缩放行为，发现其遵循幂律，并据此提出层感知的牛顿-舒尔茨迭代配置选择方法以减少计算开销。
MCERF：通过增强检索推进工程文档的多模态大语言模型评估
机构 * School of Mechanical, Aerospace, and Manufacturing Engineering, University of Connecticut, Storrs, CT 06269（机械、航空航天与制造工程学院，康涅狄格大学，斯托尔斯，CT 06269） ； Department of Mechanical Engineering, Massachusetts Institute of Technology, Cambridge, MA 02139, USA（机械工程系，麻省理工学院，剑桥，MA 02139，美国）
AI总结 提出MCERF框架，结合多模态检索器ColPali与大语言模型推理，通过混合查找、视觉文本融合、高推理和自一致性决策等策略，在DesignQA基准上实现平均准确率相对提升41.1%，无需完整规则书摄入即可处理工程文档中的多模态问答。
视觉-语言模型中空间变量绑定的双重机制
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Northeastern University（东北大学） ； Sony Playstation（索尼PlayStation）
AI总结 本文揭示视觉-语言模型通过语言骨干中的内容无关空间关系编码和视觉编码器中的全局布局表示两种机制实现空间变量绑定，其中视觉编码器起主导作用。
Comments 37 pages, 53 figures
ScenicRules：具有多目标规范和抽象场景的自动驾驶基准测试
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 提出ScenicRules基准，通过层次化规则框架和形式化场景模型，在随机环境下评估自动驾驶系统对优先级多目标规范的满足程度。
Comments v2: Minor numerical corrections for Table V. 16 pages, 14 figures, 7 tables. Extended version of paper accepted to 2026 IEEE Intelligent Vehicles Symposium (IV 2026). ScenicRules benchmark available at https://github.com/BerkeleyLearnVerify/ScenicRules
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