高校专区
通过迭代元反射实现自主科学发现
机构 * University of Edinburgh（爱丁堡大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 提出DiscoPER框架，利用大语言模型进行开放式的自主科学发现，通过动态代码生成、统计检验和二阶推理机制，在iNatDisco基准上以72.7%假设支持率恢复8/9已知模式。
双信息引导的垂直扩展用于任意时间冲突搜索中的多目标节点选择
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 提出DIVE策略，通过最佳边界搜索与深度优先搜索结合，在保持最优性的同时减少搜索中断、提供早期可行解并降低内存占用。
以正确的方式正确：结合可验证奖励和人类演示的LM训练
机构 * MIT EECS（麻省理工学院电气工程与计算机科学系）
AI总结 提出对抗生成器-判别器框架，在可验证奖励基础上加入人类演示信号，同时优化任务准确性和非可验证属性，在代码修复、故事生成等任务中提升人类相似度并减少奖励黑客行为。
SLIM-RL: 无需轨迹切分的扩散LLM风险预算随机掩码强化学习
机构 * Technical University of Denmark（丹麦技术大学） ； MBZUAI Institute of Foundation Models（穆罕默德·本·扎耶德人工智能大学基础模型研究所） ； Iowa State University（爱荷华州立大学） ； 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）
AI总结 提出SLIM-RL方法，通过τ预算解码器控制每步提交风险，结合无迹随机掩码目标和自适应方差缩减技术，在不重构训练轨迹的情况下匹配或超越现有轨迹感知方法，在数学和代码任务上取得显著提升。
Comments 17 pages
QuadLink: 通过点关系学习的自回归四边形主导网格生成
机构 * Hong Kong University of Science and Technology（香港科技大学） ； Tencent VISVISE（腾讯VISVISE） ； Peking University（北京大学） ； Technical University of Munich（慕尼黑技术大学） ； Tsinghua University（清华大学） ； The University of Hong Kong（香港大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Texas A&M University（德克萨斯大学） ； Macau University of Science and Technology（澳门科技大学）
AI总结 提出QuadLink框架，通过将点云链接成结构化面片，以自回归方式生成各向异性的四边形主导网格，实现高几何保真度和拓扑质量。
基于路径空间观测误差界限的随机微分方程目标导向学习
机构 * Center for Computational Science & Engineering, Massachusetts Institute of Technology（麻省理工学院计算科学与工程中心） ； Department of Mathematics, University of Potsdam（波茨坦大学数学系）
AI总结 提出一种针对路径空间观测的误差界限，并作为新的变分损失函数用于随机微分方程漂移函数的目标导向学习，在首次命中时间等观测上取得更优精度和鲁棒性。
通过学习支持函数摊销最大内积搜索
机构 * Apple（苹果公司） ； MIT（麻省理工学院）
AI总结 提出基于回归的摊销MIPS方法，通过训练神经网络直接预测最优键，利用支持函数的凸性加速搜索，在BEIR基准上显著提升IVF匹配率。
内省耦合：尽管监督固定，自我解释训练仍追踪行为变化
机构 * MIT EECS（麻省理工学院电气工程与计算机科学系）
AI总结 研究训练语言模型生成解释时，固定反事实解释数据集如何使模型产生内省性解释，追踪自身行为变化，无需更新监督。
Comments 32 pages, 19 figures
机器人操作的鲁棒性：基础与前沿
机构 * Duke University（杜克大学） ； KTH Royal Institute of Technology（瑞典皇家理工学院） ； Stanford University（斯坦福大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Organifarms
AI总结 本文系统研究机器人操作鲁棒性，提出正式定义、概率与控制理论框架，并综述感知、规划、控制、策略学习和硬件中的鲁棒性机制及评估方法，展望实现人类级鲁棒性的未来方向。
UniTac: 一种用于跨传感器触觉理解与生成的统一多模态模型
机构 * Zhejiang University（浙江大学） ； Yale University（耶鲁大学） ； University of Oxford（牛津大学） ； MIT（麻省理工学院） ； Shanghai Jiaotong University（上海交通大学） ； UNIX AI
AI总结 提出UniTac，首个统一多模态模型，通过双级表示编码传感器和物体属性，实现触觉理解与生成，在跨传感器任务上达到最优性能。
Comments This paper has been accepted by ECCV 2026
从不混合的格劳伯动力学轨迹中学习高斯图模型
机构 * MIT（麻省理工学院）
AI总结 针对单条格劳伯动力学轨迹，提出一种多项式时间算法，通过条件方差估计、局部边测试和鲁棒中值聚合，在轨迹长度不依赖混合时间的前提下恢复条件独立图。
Transformer作为贝叶斯上下文实验者：平滑自适应的高效ATE估计
机构 * Laboratory for Information and Decision Systems, MIT（麻省理工学院信息与决策系统实验室）
AI总结 提出贝叶斯上下文实验者框架，利用Transformer模仿贝叶斯后验Neyman分配策略，通过注意力机制和投影梯度下降实现平滑自适应的平均处理效应高效估计。
重新思考基础模型协作：通过代理任务推理增强专用模型
机构 * School of Vehicle and Mobility, Tsinghua University（清华大学车辆与运载学院） ； Department of Urban Studies and Planning, Massachusetts Institute of Technology（麻省理工学院城市研究与规划系）
AI总结 提出FAT框架，将基础模型与专用模型协作视为任务分解而非替代，通过代理任务（如选择或验证）提升结构化预测性能，在多个任务上优于直接使用基础模型回归。
利用真实世界故障记录生成自动驾驶系统测试场景
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 提出一种基于LLM的场景生成流程，利用历史故障记录中的分类和上下文信息，生成多样化测试场景，在Metadrive模拟器上验证了方法的准确性和多样性。
Comments 9 pages, Appendix included. Paper accepted and presented at NeuS 2026
压缩表示空间中的运动规划
机构 * MIT LIDS（麻省理工学院信息与决策系统实验室）
AI总结 提出一种生成式框架，通过高压缩率自编码器学习离散层级化潜在空间，并在其中直接搜索进行运动规划，兼顾灵活性与效率，无需任务特定训练。
Comments To appear in the Proceedings of the 43rd International Conference on Machine Learning
GaussLite：面向实时机器人建图的任务条件化3D高斯泼溅
机构 * Aerospace Controls Laboratory, MIT（麻省理工学院航空航天控制实验室）
AI总结 提出GaussLite，一种任务驱动的3DGS建图系统，通过自然语言任务规范调节表示密度，利用LLM解析器提取目标并实时生成像素级相关性掩码，在有限资源下实现实时建图，ROI PSNR提升约2.72 dB。
使用AI代理自动化大规模黑盒审计个性化算法
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出用生成式AI代理作为行为引擎进行黑盒审计，通过固定人设和反事实扰动解耦用户属性与行为，在X平台部署1120个代理发现算法推荐放大有毒、极化内容且效果因用户意识形态而异。
Comments 43 pages, 10 figures
LLMs中的一致性困境：生成器-评估器一致性与对错误的脆弱性
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 提出生成器-评估器自一致性度量，发现模型自一致性越高，在临床环境中对已验证错误的脆弱性越大，揭示LLMs中的一致性困境。
ElemeNet：跨周期表的多尺度分子机器学习与不确定性量化
机构 * Department of Chemical Engineering, Massachusetts Institute of Technology（麻省理工学院化学工程系） ； Center for Computational Science and Engineering, Massachusetts Institute of Technology（麻省理工学院计算科学与工程中心） ； Institute for Theoretical Chemistry, University of Stuttgart（斯图加特大学理论化学研究所） ； Institute for Artificial Intelligence, University of Stuttgart（斯图加特大学人工智能研究所） ； Department of Chemistry, Massachusetts Institute of Technology（麻省理工学院化学系）
AI总结 提出统一软件包ElemeNet，支持元素1-100的分子表示，集成E(3)-等变和Transformer架构，内置不确定性量化，在有机、无机、配位和生物化学数据集上达到竞争性或最优性能。
在干草堆中寻找针：生态学中的转导式主动标注
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出转导式主动标注方法，通过发现稀有类样本解决生态数据长尾分布问题，并设计混合停止准则提升稀有类恢复。
具有灾难性状态的MDP中贝尔曼最优性产生的前景理论行为
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 研究具有吸收灾难状态的马尔可夫决策过程中的风险中性控制，发现标准贝尔曼最优性产生前景理论特征：S形值函数、内生损失敏感系数和反射效应策略反转，并推导出渐近损失厌恶平台的闭式表达式。
共享的词汇任务表示解释了大语言模型中的行为变异
机构 * Brown University（布朗大学） ； MIT（麻省理工学院） ； Northeastern University（东北大学）
AI总结 研究通过比较指令式和示例式提示发现，大语言模型在不同提示下行为差异可由共享的词汇任务表示解释，揭示了任务特定注意力头在不同提示风格中的共同机制。
Comments Accepted to ICML 2026. Updated to the camera-ready version
具有确定性转移的线性Bellman完备MDP的端到端高效强化学习
机构 * Google Research, NYC（谷歌研究院纽约） ； MIT（麻省理工学院）
AI总结 针对线性Bellman完备MDP，提出一种在确定性转移下计算高效的算法，对有限动作空间端到端高效，对无限动作空间仅需标准argmax oracle，实现多项式样本与计算复杂度。
水下欠驱动机构与软体机器人的统一结构-水动力学建模
机构 * Department of Mechanical Engineering and Advanced Robotics Centre, National University of Singapore（新加坡国立大学机械工程系与先进机器人中心） ； Singapore-MIT Alliance for Research and Technology (SMART) Centre（新加坡-麻省理工学院研究与技术联盟中心）
AI总结 提出一种轨迹驱动的全局优化框架，基于CMA-ES同时识别弹性、阻尼和分布式水动力学参数，实现水下欠驱动机构和软体机器人的高保真建模，仅需单段视频。
Comments The first two listed authors contributed equally. Yiyuan Zhang is the corresponding author. This paper has been accepted to the IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) 2026
教模型自学：在可学习性边缘推理
机构 * MIT（麻省理工学院） ； Meta FAIR ； New York University（纽约大学）
AI总结 提出SOAR非对称自对弈框架，通过元强化学习生成自动课程，解决低初始成功率数据集上的推理模型扩展问题，发现基于学生进步的奖励优于内在可学习性奖励，且问题结构比答案正确性更重要。
Comments ICML 2026. Blog post: https://ssundaram21.github.io/soar/
不确定时验证：超越黑盒幻觉检测中的自一致性
机构 * 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 提出两阶段检测算法，结合自一致性与交叉一致性，在保持高检测性能的同时降低计算成本，并通过核均值嵌入提供理论解释。
GROW$^2$：为机器人工具使用确定哪个物体和哪个部位
机构 * National University of Singapore（新加坡国立大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 提出GROW$^2$方法，通过分层语义和几何接地实现开放世界工具选择与部位定位，在零样本泛化中优于基线。
人类创造力基准
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Contra
AI总结 提出人类创造力基准(HCB)，通过收集领域专家的成对偏好、标量评分和定性理由，分离收敛（共享最佳实践）和发散（个体品味差异）信号，评估创意AI。
Comments 30 pages
机器学习模型的拥有权证明
机构 * Boston University（波士顿大学） ； MIT and UC Berkeley（麻省理工学院和伯克利大学） ； Tel Aviv University（特拉维夫大学）
AI总结 本文提出并形式化机器学习模型的拥有权证明问题，通过三方博弈模型，证明在标准密码学假设下，概念类不可自校正时拥有权可证明。
一个量子优化猜想的机器验证证明
机构 * Center of Mathematical Sciences and Applications, Harvard University（哈佛大学数学科学中心） ； MIT Center for Theoretical Physics - a Leinweber Institute（麻省理工学院理论物理中心 - 莱因韦伯研究所） ； Research Laboratory of Electronics, Massachusetts Institute of Technology（麻省理工学院电子研究实验室）
AI总结 利用大语言模型Claude Fable 5发现证明，并通过Lean 4证明助手端到端验证了Farhi-Goldstone-Gutmann猜想，即深度p的量子近似优化算法在环上的近似比恰好为(2p+1)/(2p+2)。
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