Massachusetts Institute of Technology（麻省理工学院）

ORION: Teaching Language Models to Reason Efficiently in the Language of Thought

ORION：教语言模型以高效的方式在思维语言中推理

Kumar Tanmay, Kriti Aggarwal, Paul Pu Liang, Subhabrata Mukherjee

机构 * Harvard University（哈佛大学） ； Hippocratic AI（希波克拉底AI） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 ORION通过SLPO优化实现高效压缩推理，提升推理效率和准确性，同时保持高精度。

CURENet: Combining Unified Representations for Efficient Chronic Disease Prediction

CURENet：结合统一表示以实现高效的慢性疾病预测

Cong-Tinh Dao, Nguyen Minh Thao Phan, Jun-En Ding, Chenwei Wu, David Restrepo, Dongsheng Luo, Fanyi Zhao, Chun-Chieh Liao, Wen-Chih Peng, Chi-Te Wang, Pei-Fu Chen, Ling Chen, Xinglong Ju, Feng Liu, Fang-Ming Hung

机构 * National Yang Ming Chiao Tung University（国立阳明交通大学） ； Can Tho University（Cần Thơ 大学） ； Stevens Institute of Technology（史蒂文斯理工学院） ； University of Michigan（密歇根大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Florida International University（佛罗里达国际大学） ； Southern Utah University（南方犹他大学） ； Far Eastern Memorial Hospital（东方纪念医院） ； Yuan Ze University（元智大学） 纠错

AI总结 CURENet通过整合多模态EHR数据，利用LLMs和Transformer编码器提升慢性疾病预测的准确率，达到94%以上的预测效果。

Spectral Signature Mapping from RGB Imagery for Terrain-Aware Navigation

基于RGB影像的光谱签名映射用于地形感知导航

Sarvesh Prajapati, Ananya Trivedi, Nathaniel Hanson, Bruce Maxwell, Taskin Padir

机构 * Northeastern University（东北大学） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本文提出RS-Net，通过RGB影像预测光谱签名，用于机器人地形感知导航和摩擦系数估计。

Comments 8 pages, 11 figures, accepted to Robotic Computing & Communication

Toward Equitable Access: Leveraging Crowdsourced Reviews to Investigate Public Perceptions of Health Resource Accessibility

迈向公平获取：利用众包评论研究公众对健康资源可及性的感知

Zhaoqian Xue, Guanhong Liu, Chong Zhang, Kai Wei, Qingcheng Zeng, Songhua Hu, Wenyue Hua, Lizhou Fan, Yongfeng Zhang, Lingyao Li

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Renmin University of China（中国人民大学） ； University of Liverpool（利物浦大学） ； University of Michigan（密歇根大学） ； Northwestern University（西北大学） ； Massachusetts Institute of Technology（麻省理工学院） ； University of California, Santa Barbara（加州大学圣巴巴拉分校） ； Harvard Medical School（哈佛医学院） ； Rutgers University（新泽西州立大学罗格斯大学） ； University of South Florida（佛罗里达州立大学） 纠错

AI总结 本研究利用众包评论和NLP技术，分析公众对健康资源可及性的时空感知，揭示疫情对健康资源可及性的影响及社会经济因素的作用。

Journal ref The 6th International Conference on Social Computing (ICSC 2025)

Swarms of Large Language Model Agents for Protein Sequence Design with Experimental Validation

大规模语言模型代理群组用于蛋白质序列设计的实验验证

Fiona Y. Wang, Di Sheng Lee, David L. Kaplan, Markus J. Buehler

机构 * Laboratory for Atomistic and Molecular Mechanics (LAMM), Department of Biological Engineering, Massachusetts Institute of Technology（原子分子力学实验室（LAMM），生物工程系，麻省理工学院） ； Department of Biomedical Engineering, Tufts University（生物医学工程系，塔夫茨大学） ； Laboratory for Atomistic and Molecular Mechanics (LAMM), Department of Civil and Environmental Engineering, Department of Mechanical Engineering, Center for Computational Science and Engineering, Schwarzman College of Computing, Massachusetts Institute of Technology（原子分子力学实验室（LAMM），土木与环境工程系，机械工程系，计算科学与工程中心，计算机科学学院，麻省理工学院） 纠错

AI总结 本文提出了一种基于大规模语言模型代理群组的蛋白质序列设计方法，通过去中心化协调实现高效目标导向设计，无需微调或特定训练，且在实验中验证了其有效性。

The Double-Edged Nature of the Rashomon Set for Trustworthy Machine Learning

拉索蒙集在可信机器学习中的双刃剑性质

Ethan Hsu, Harry Chen, Chudi Zhong, Lesia Semenova

机构 * Duke University（杜克大学） ； MIT（麻省理工学院） ； UNC-Chapel Hill（北卡罗来纳大学教堂山分校） ； Rutgers University（罗格斯大学） 纠错

AI总结 研究揭示了拉索蒙集在可信机器学习中的双刃剑性质，指出其在提升鲁棒性的同时也带来隐私风险。

The Rapid Growth of AI Foundation Model Usage in Science

人工智能基础模型在科学中的快速增长

Ana Trišović, Alex Fogelson, Janakan Sivaloganathan, Neil Thompson

机构 * MIT FutureTech（麻省理工学院未来科技） 纠错

AI总结 本文研究了人工智能基础模型在科学中的快速增长，发现视觉模型最常用，但语言模型份额在增加，且科学家使用的较小模型可能限制了AI在科学中的应用效果。

Monet: Reasoning in Latent Visual Space Beyond Images and Language

Monet: 在图像和语言之外的潜在视觉空间推理

Qixun Wang, Yang Shi, Yifei Wang, Yuanxing Zhang, Pengfei Wan, Kun Gai, Xianghua Ying, Yisen Wang

机构 * Peking University（北京大学） ； Kling Team（Kling团队） ； Amazon AGI SF Lab（Amazon AGI SF实验室） ； MIT（麻省理工学院） 纠错

AI总结 Monet通过在潜在视觉空间中直接推理，提升多模态大语言模型的视觉推理能力，解决了潜在-视觉对齐和嵌入监督不足的问题，展示了在现实世界和抽象视觉任务中的优越表现。

ROVER: Recursive Reasoning Over Videos with Vision-Language Models for Embodied Tasks

ROVER：基于视觉语言模型的视频递归推理用于具身任务

Philip Schroeder, Ondrej Biza, Thomas Weng, Hongyin Luo, James Glass

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； RAI Institute（RAI研究院） 纠错

AI总结 ROVER通过递归分解视频轨迹提升具身任务中的视频推理能力，有效减少幻觉并提高准确性。

RiboGen: RNA Sequence and Structure Co-Generation with Equivariant MultiFlow

RiboGen：基于等变多流的RNA序列和结构联合生成

Dana Rubin, Allan dos Santos Costa, Manvitha Ponnapati, Joseph Jacobson

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； MIT Media Lab（麻省理工学院媒体实验室） ； Molecular Machines（分子机器） ； Center for Bits and Atoms（比特与原子中心） 纠错

AI总结 RiboGen通过等变多流方法实现RNA序列和结构的联合生成，为RNA设计提供了新的深度学习解决方案。

Comments 6 pages