高校专区
START: 空间与文本学习用于图表理解
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Amazon AGI（亚马逊人工智能实验室） ； MIT（麻省理工学院）
AI总结 START通过空间与文本学习提升图表理解能力，引入图表元素定位和图表到代码生成，增强多模态大语言模型对图表结构和数据细节的理解。
Comments WACV2026 Camera Ready
分子图上的自监督学习：掩码设计的系统性研究
机构 * Stony Brook University（石溪大学） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室）
AI总结 本文系统研究了分子图自监督学习中掩码设计的影响，发现预测目标与编码器架构的协同作用比复杂的掩码分布更为关键，且语义丰富的目标能显著提升下游性能。
用数字双胞胎模拟人生路径：AI生成的未来自我影响决策并拓展人类选择
机构 * MIT Media Lab（MIT媒体实验室） ； Stanford University（斯坦福大学） ； Nanyang Technological University（南洋理工大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； KASIKORN Labs（KASIKORN实验室）
AI总结 本研究利用AI生成的未来自我虚拟形象，通过模拟人生路径拓展人类选择，发现平衡呈现和新增选项能有效影响决策，提升自主性认知。
在元素周期表范围内学习分子的电子结构
机构 * FAIR at Meta（Meta 的 FAIR 部门） ； ETH Zurich（苏黎世联邦理工学院） ； MIT（麻省理工学院）
AI总结 HELM模型通过利用哈密顿矩阵数据提升分子电子结构学习，为低数据条件下能量预测提供改进方法。
为什么链式思维在临床文本理解中失效
机构 * Harvard Medical School（哈佛医学院） ； MIT（麻省理工学院） ； Broad Institute of MIT and Harvard（MIT与哈佛大学Broad研究所）
AI总结 本研究发现链式思维在临床文本理解中导致性能下降，揭示了其在临床任务中可靠性与可解释性的矛盾。
Tyche: 医疗图像分割的随机上下文学习
机构 * CSAIL MIT（MIT计算机科学与人工智能实验室） ； MIT Broad Institute（MITBroad研究所） ； MGH（麻省总医院） ； MosaicML ； DataBricks ； MIT ； HMS, MGH（哈佛医学院、麻省总医院）
AI总结 Tyche通过上下文学习方法，无需重新训练即可为医疗图像分割生成随机预测，提升分割任务的灵活性和鲁棒性。
Comments Accepted at IEEE / CVF Computer Vision and Pattern Recognition Conference (CVPR) 2024 as a highlight. Code available at https://github.com/mariannerakic/tyche
PersonaMem-v2：通过学习隐式用户人设和代理记忆实现个性化智能
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Washington（华盛顿大学） ； University of California Santa Barbara（加州大学圣巴巴拉分校） ； Meta ； University of Southern California（南加州大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Microsoft Corporation（微软公司）
AI总结 PersonaMem-v2通过学习隐式用户人设和代理记忆提升LLM个性化能力，实验显示强化微调使模型在隐式个性化任务中准确率达53%。
Comments Data is available at https://huggingface.co/datasets/bowen-upenn/PersonaMem-v2
宽多层感知机的理论压缩界限
机构 * MIT（麻省理工学院）
AI总结 本文提出了一种随机贪心算法，用于宽多层感知机的剪枝和量化，证明了其在保持性能的同时实现网络压缩的理论界限。
用时间范围量化强化学习中的内存使用
机构 * MIT Lincoln Laboratory（麻省理工学院林肯实验室） ； CSAIL, MIT（计算机科学与人工智能实验室，麻省理工学院） ； ELLIS Institute Tübingen（图宾根大学ELLIS研究所） ； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； Tübingen AI Center（图宾根人工智能中心）
AI总结 提出时间范围作为量化强化学习中内存使用的指标，通过分析时间窗口内输入序列对输出的一阶敏感度，评估策略的记忆依赖性。
未来你：设计和评估多模态AI生成的数字双胞胎以加强未来自我连续性
机构 * MIT Media Lab（MIT媒体实验室） ； Harvard University（哈佛大学） ； Stanford University（斯坦福大学） ； KASIKORN Labs（KASIKORN实验室）
AI总结 本研究通过多模态AI生成的未来自我探索其对自我连续性、情绪和动机的影响，发现avatar效果最佳，但各模态无显著差异，互动质量是关键因素。
Shoot-Bounce-3D：通过分解双次反射光实现单次测量的激光雷达3D重建
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Meta
AI总结 通过分解双次反射光，单次测量实现遮挡和镜面场景的3D重建
Comments SIGGRAPH Asia 2025. Project page: https://shoot-bounce-3d.github.io
PrefGen: 多模态偏好学习用于偏好条件下的图像生成
机构 * Rutgers University（罗格斯大学） ； iN2X ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室） ； Red Hat AI Innovation（红帽人工智能创新）
AI总结 PrefGen通过多模态大语言模型提取用户偏好并注入扩散模型，实现个性化图像生成，优于现有方法。
Comments Project Page: \href{https://prefgen.github.io/}{\texttt{https://prefgen.github.io}}
砍树：基于语义相似性的动态剪枝用于树状思维推理
机构 * Massachusetts Institute of Technology (MIT)（麻省理工学院）
AI总结 SSDP通过动态剪枝技术提升树状思维推理效率，实现2.3倍速度提升且保持高准确性。
Comments 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Workshop on Efficient Reasoning
径向注意力：具有能量衰减的 $O(n\log n)$ 稀疏注意力用于长视频生成
机构 * MIT（麻省理工学院） ； NVIDIA（英伟达） ； Princeton（普林斯顿大学） ； UC Berkeley（加州大学伯克利分校） ； Stanford（斯坦福大学） ； First Intelligence（第一智能）
AI总结 本文提出径向注意力，通过能量衰减机制实现高效的长视频生成，显著提升生成速度并降低计算成本。
Comments Accepted to NeurIPS 2025, Code: https://github.com/mit-han-lab/radial-attention
学习何处学习：用于科学机器学习的训练数据分布优化
机构 * Cornell University（康奈尔大学） ； MIT（麻省理工学院） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出了一种优化训练数据分布的方法，以提升科学机器学习模型在不同部署条件下的预测精度和鲁棒性。
Comments 50 pages (11 main text, 5 reference, 34 supplementary material pages), 18 figures, 3 tables, 3 algorithms
用博弈论绘制故事的形状
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Archimedes AI Cambridge, MA（阿基米德AI剑桥分校） ； Google DeepMind London, UK（谷歌深度Mind伦敦分公司） ； Harvard SEAS Cambridge, MA（哈佛大学科学与工程学院） ； Google Research New York, New York（谷歌研究纽约分公司） ； Columbia CS & Archimedes AI New York, NY（哥伦比亚大学计算机科学与阿基米德AI纽约分校）
AI总结 本研究利用博弈论方法分析故事结构，通过AI技术揭示情节、人物动机及反事实情节，应用于《罗密欧与朱丽叶》并探讨其在现实中的应用潜力。
Comments NeurIPS 2024 Creative AI Track
人工人类智能：人类在下一代AI发展中的作用
机构 * Department of Computer Engineering, Boğaziçi University（计算机工程系，博兹达奇大学） ； Department of Brain and Cognitive Sciences, Massachusetts Institute of Technology (MIT)（脑与认知科学系，麻省理工学院（MIT））
AI总结 本文探讨了人类在下一代AI发展中的关键作用，分析了人类与人工智能的互动，提出以人类为中心的发展方向，并强调伦理、责任和稳健智能系统的重要性。
Comments 19 pages, 8 figures, 2 tables, accepted to IEEE Transactions on Emerging Topics in Computational Intelligence
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