高校专区
可解释性≠可理解性：对比思维链推理中的主观判断重要性与实际重要性
机构 * ETH Zürich（苏黎世联邦理工学院） ； MIT（麻省理工学院） ； Cohere（科here公司）
AI总结 该研究对比思维链推理的可理解性与实际重要性，发现LLM评判识别高优势步骤的能力有限，微调步骤级批评家仅对错误响应有效，警示勿将推理轨迹可理解性等同于可解释性。
Comments Published at COLM 2026
一种计算可行的因果概率解释框架
机构 * Basis Research Institute（贝西斯研究所） ； Sorbus AI（索巴斯人工智能公司） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； HouseIQ（豪斯IQ公司）
AI总结 该研究针对现有因果解释工具的局限性，提出概率因果影响（PCI）框架，将可解释性转化为概率因果模型的估计问题，可高效计算且符合因果逻辑，经多类案例验证有效。
内核重启：突破神经场的神经正切核边界
机构 * University of Haifa（海法大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Tel Aviv University（特拉维夫大学）
AI总结 该研究针对神经场从稀疏观测重建的难题，提出NTK-KIP、MetaQuill、MetaQuill-KIP三种算法，实现了兼具非线性与元可学习性的神经场，提升了极稀疏观测下的重建与补全性能。
Comments Published in IEEE TPAMI, vol. 48, no. 9, pp. 10940-10957, Sep. 2026. Author version adds related-work references and biography updates; Figures 12 and 13 were regenerated from the same locked hyperparameter sweep. Tabulated results, reported best points, scientific claims, and conclusions are unchanged
Journal ref IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 48, no. 9, pp. 10940-10957, Sep. 2026
神经算子的可学习组合
机构 * MIT MechE（麻省理工学院机械工程系） ； University of Toronto（多伦多大学）
AI总结 该研究提出LatentDDM方法，通过预训练神经算子并训练轻量组合模块，在达西流和翼型流任务上降低了误差，为物理基础模型提供了新设计原则。
无知的几何：大语言模型知道何时调整贝叶斯先验
机构 * Cornell University（康奈尔大学） ； MIT（麻省理工学院） ； Imperial College London（伦敦帝国学院） ； Goodfire AI
AI总结 该研究揭示大语言模型存在“无知方向”这一几何结构，可用于计算先验加载因子λ，该因子能衡量模型对一元先验的依赖，且具有因果作用，不同规模模型的λ存在差异，为理解模型的不确定性处理机制提供了新视角。
面向参数化偏微分方程的规范算子学习的方程重构
机构 * Plasma Science and Fusion Center, Massachusetts Institute of Technology（麻省理工学院等离子体科学与聚变中心） ； Computing and Mathematical Sciences, California Institute of Technology（加州理工学院计算与数学科学系） ； Department of Mechanical, Aerospace, and Nuclear Engineering, Rensselaer Polytechnic Institute（伦斯勒理工学院机械、航空航天与核工程系） ； Princeton Plasma Physics Laboratory（普林斯顿等离子体物理实验室）
AI总结 本文提出方程重构方法，将参数化偏微分方程的算子学习转化为规范算子学习，实现新参数域零样本预测，在托卡马克模拟中统一多装置数据，为可复用神经PDE求解器提供新路径。
超越Nesterov的改进梯度下降下界
机构 * MIT（麻省理工学院）
AI总结 该研究在光滑凸优化中，突破经典梯度下降一阶神谕下界，得到更优的非任意时间与任意时间梯度下降下界，还明确了两种场景收敛指数的严格区分。
Comments 34 pages, 6 figures. This version extends the lower bounds to stepsize schedules that may include negative stepsizes
在开放权重语言模型中读取和引导材料科学机制的表示
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 研究大语言模型中材料科学机制信息的表示形式，结合多种方法，包括匹配读数、状态几何等，通过实验验证其三种形式，如概念可读、取向由状态变换承载等，还通过比较提示等发现物理关系在受控状态变化中更易显现。
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。
Comments the proof of adaptivity to smoothness needed to be re-written
CORAL：迈向自主多智能体进化以实现开放性发现
机构 * MIT（麻省理工学院） ； NUS（新加坡国立大学） ； MiniMax ； McGill（麦吉尔大学） ； Stanford（斯坦福大学） ； SambaNova ； Meta ； Singapore-MIT Alliance for Research and Technology（新加坡-麻省理工联合研究技术联盟） ； Amazon（亚马逊） ； Microsoft（微软）
AI总结 本文提出CORAL框架，通过自主多智能体进化方法，实现了在开放性问题上的发现，展示了智能体自主性和多智能体进化对提升开放性发现的显著效果。
大语言模型评估作为张量补全：低秩结构与半参数效率
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Purdue University（普渡大学）
AI总结 本文将大语言模型评估视为低秩潜在评分张量的半参数推断问题，通过成对比较数据进行张量补全，提出了一种基于信息算子和影响函数的偏差修正估计器，解决了异质信息算子带来的挑战。
基于视觉的去中心化自主空中野生动物监测
机构 * CSAIL MIT（MIT计算机科学与人工智能实验室） ； SEAS Harvard University（哈佛大学工程学院）
AI总结 针对现有野生动物监测机器人方案的不足，提出基于视觉的去中心化多旋翼无人机系统，通过新型协调与追踪算法实现野外环境下的稳健监测，经实验验证可可靠部署。
语言模型的荷兰赌
机构 * MIT（麻省理工学院） ； NBER（美国国家经济研究局） ； University of Chicago（芝加哥大学）
AI总结 本文基于德菲内蒂定理构建流程，以股票收益数据生成的事件为样本，用线性规划计算最大荷兰赌利润衡量语言模型概率预测的自洽性，发现其存在大量自洽性不足的情况，并探讨了改善策略。
Comments 14 pages, 6 figures
面向Web智能体的判别式世界模型
机构 * University of California, Berkeley（加州大学伯克利分校） ； MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室） ； Cal Poly San Luis Obispo（加州理工州立大学圣路易斯奥比斯波分校） ； Xero（赛罗公司）
AI总结 针对Web智能体世界模型训练与下游排序模型错位的问题，提出预测状态匹配训练目标，经多基准测试验证可提升动作排序及端到端任务成功率。
用户反馈提供了大型语言模型（LLMs）无法检测到的独特信号
机构 * The Hebrew University of Jerusalem（耶路撒冷希伯来大学） ； IBM Research（IBM研究院） ； MIT（麻省理工学院） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室）
AI总结 该研究指出用户反馈是LLMs可利用的高价值改进信号，其被低估源于评估范式偏差，反馈驱动的模型修订解决问题比率更高，且LLM评判者无法识别反馈带来的修正。
DocHop：面向信息密集型文档的域外多跳推理基准测试
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Massachusetts Institute of Technology（麻省理工学院） ； Stanford University（斯坦福大学） ； Kookmin University（国民大学） ； MIT-IBM Watson AI Lab, IBM Research（麻省理工学院-IBM沃森人工智能实验室，IBM研究院）
AI总结 该研究推出DocHop基准，针对信息密集型文档的域外多跳推理，构建含2074个样本的测试集，发现MLLMs性能远低于人类，为相关研究提供可控测试平台。
Comments Accepted by ICML 2026
语言模型中连续混合坍缩的动力学
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 该研究探究LLMs隐态推理中连续混合坍缩的原因，结合理论与实证识别出三个失效来源，验证了相关动力学预测，指出精确保留多成分混合需依赖上下文的校正。
OR-Transformer：将实时决策扩展至1000个物品
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Purdue University（普渡大学） ； California Institute of Technology（加州理工学院） ； University of Virginia（弗吉尼亚大学）
AI总结 该研究针对大规模供应链补货的实时决策难题，提出OR-Transformer深度强化学习框架，其性能优于基线方法且决策时间大幅缩短，实现了千级物品规模下的实时决策。
基于语言与代码的概率推理实现归纳与探究
机构 * Cornell University（康奈尔大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 该研究提出结合自然语言与源代码的心理程序编码模型，经LLM引导的贝叶斯学习算法推断，成功复现人类归纳学习与主动探究特征，优于纯LLM及经典贝叶斯模型，为人类知识生成机制提供新解释。
面向含拓扑重构的配电网多相交流最优潮流的可扩展自监督学习
机构 * Massachusetts Institute of Technology（麻省理工学院） ； GE Vernova Advanced Research Center（GE Vernova先进研究中心）
AI总结 该研究提出Penalty+SLFS自监督学习算法，用于含拓扑重构的配电网多相AC-OPF，在IEEE馈线上比IPOPT快三个数量级，实现可忽略最优间隙与近零约束违反，为大规模配电网实时AC-OPF提供可行方案。
Comments Source code will be published following the review process
OptimusKG：统一生物医学知识的现代多模态图
机构 * Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Edison Scientific Inc.（Edison科学公司） ； Oxford Suzhou Centre for Advanced Research, University of Oxford（牛津大学苏格兰研究中心） ； Broad Institute of MIT and Harvard（MIT与哈佛大学Broad研究所） ； Kempner Institute for the Study of Natural and Artificial Intelligence, Harvard University（哈佛大学自然与人工智能研究所） ； Harvard Data Science Initiative（哈佛大学数据科学计划）
AI总结 OptimusKG通过整合结构化和半结构化资源，构建了多模态生物医学标记属性图，统一了分子、解剖、临床和环境领域的知识，验证了其在生物医学领域的有效性。
中庸是LLM作为判断锚点选择的关键
机构 * The Hebrew University of Jerusalem（海法大学） ； IBM Research（IBM研究院） ； MIT（麻省理工学院） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室）
AI总结 本文研究了LLM作为判断锚点选择对结果可靠性的影响，发现选择不当的锚点会显著降低与人类排名的相关性，并提出可操作的推荐方案。
Comments ACL 2026
用于对齐与控制的机制设计
机构 * Yale（耶鲁大学） ； Columbia（哥伦比亚大学） ； Google DeepMind（谷歌DeepMind） ； MIT（麻省理工学院）
AI总结 本文提出一种针对偏好与能力未知的AI智能体的机制设计框架，结合显示原理等理论，将其应用于怠惰、权衡、同伴评分等五类典型场景，为智能体对齐与控制提供了理论与方法支撑。
将近最优SFT-RL标注预算分配从小型大语言模型扩展至大型大语言模型
机构 * National University of Singapore（新加坡国立大学） ； Agency for Science, Technology, and Research (A*STAR)（新加坡科技研究局） ； Singapore-MIT Alliance for Research and Technology Centre（新加坡-麻省理工研究与技术联盟中心）
AI总结 该研究提出近最优区域框架，发现SFT-RL的近最优区域可从小型代理模型迁移至大型LLM，据此提出无需大规模搜索的实用标注预算分配策略，且结果在多任务、多模型及不同RL方法中一致。
Comments Accepted at EMNLP 2026
检索但未排序：结构检索中的表面形式偏差——从数学到智能体轨迹
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Mantis（曼蒂斯（机构名））
AI总结 该研究在数学和智能体轨迹领域发现嵌入检索存在表面形式偏差，LLM重排序器可部分缓解此偏差，而词汇重排序器的效果随领域变化，下游实验显示求解器准确率存在瓶颈。
Comments 18 pages, 3 figures, code at https://github.com/nabirarashid/structural-retrieval
ChatDev 2.0：用于开发各类应用的无代码多智能体平台
机构 * Tsinghua University（清华大学） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） ； Fudan University（复旦大学） ； Peking University（北京大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 ChatDev 2.0推出无代码多智能体平台DevAll，结合声明式可执行图抽象与可视化界面，复现先进MAS并获竞争力性能，为LLM-based MAS提供通用开发方案。
Comments Accepted at EMNLP 2026 Demo Track
Socrates went Nuclear：在学习情境中使用脑传感技术比较AI系统的交互策略
机构 * ETH Zürich（苏黎世联邦理工学院） ； MIT Media Lab（麻省理工学院媒体实验室）
AI总结 该研究对比学习情境中三种AI交互策略，发现不受限制的ChatGPT式机器人学习增益更高，自适应辅导系统脑电参与度显著更高，且前者的成功源于即时后测而非深层学习
Comments 11 pages, 2 figures, 3 tables, to appear at The 14th International Conference on Human-Agent Interaction (HAI'26)
FoldingAgent：从演示视频推断参数化折纸流程的智能体框架
机构 * Weizmann Institute of Science（魏茨曼科学研究所） ； MIT（麻省理工学院）
AI总结 该研究提出FoldingAgent智能体框架，结合VLM推理与专用工具及物理模拟，可从折纸演示视频推断参数化折纸流程，缓解多步折纸的累积误差，缩小人类折纸知识与计算方法的差距。
Comments Project Page: https://maya-moriya.github.io/origami-page/ Accepted to SIGGRAPH ASIA 2026
无黄金标准标签的AI生成数据的去偏推断：通过多个不完美测量进行识别
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 针对无黄金标准标签的AI生成数据的下游分析偏差问题，提出DMM框架，结合多个不完美AI测量实现有效推断，经模拟验证其有效性与效率提升作用，还开发了条件独立性假设的诊断方法。
JUMP-lite：紧凑、可复现的细胞表征基准测试
机构 * Broad Institute of MIT and Harvard（麻省理工学院与哈佛大学博德研究所）
AI总结 研究针对JUMP数据集体积过大导致细胞表征基准测试难以开展的问题，提出JUMP-lite压缩子集与Nahual框架，测试5种表征方法并验证压缩保留下游信号，为相关基准测试提供基础。
Comments Submitted to WACV 2027
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