Massachusetts Institute of Technology（麻省理工学院）

Distilling to Hybrid Attention Models via KL-Guided Layer Selection

通过KL引导的层选择 distilling 到混合注意力模型

Yanhong Li, Songlin Yang, Shawn Tan, Mayank Mishra, Rameswar Panda, Jiawei Zhou, Yoon Kim

机构 * Allen Institute for AI（艾伦人工智能研究所） ； 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） ； Stony Brook University（石溪大学） 纠错

AI总结 本文提出通过KL引导的层选择方法，将预训练的softmax注意力Transformer distilling 到混合架构中，以提高LLM推理效率。

Unified Brain Surface and Volume Registration

统一的脑表面和体积配准

S. Mazdak Abulnaga, Andrew Hoopes, Malte Hoffmann, Robin Magnet, Maks Ovsjanikov, Lilla Zöllei, John Guttag, Bruce Fischl, Adrian Dalca

机构 * MIT Computer Science and Artificial Intelligence Laboratory（MIT计算机科学与人工智能实验室） ； Massachusetts General Hospital, Harvard Medical School（麻省总医院，哈佛医学院） ； Université Paris Cité, INRIA（巴黎Cité大学，INRIA） ； LIX, CNRS, École Polytechnique（LIX，CNRS，巴黎高等理工学院） 纠错

AI总结 NeurAlign通过统一的体积和表面表示，实现了更准确、快速且易用的脑皮层和皮下区域配准，提升了Dice分数并显著提高了效率。

Modeling Non-Ergodic Path Effects Using Conditional Generative Model for Fourier Amplitude Spectra

利用条件生成模型对非平衡路径效应进行建模：用于傅里叶振幅谱的条件生成模型

Maxime Lacour, Pu Ren, Rie Nakata, Nori Nakata, Michael Mahoney

机构 * Department of Civil Engineering, University of California, Berkeley（加州大学伯克利分校土木工程系） ； International Computer Science Institute, Berkeley, CA 94704, USA（伯克利计算机科学研究所） ； Scientific Data Division, Lawrence Berkeley National Lab, Berkeley, CA 94720, USA（劳伦斯伯克利国家实验室科学数据部） ； Energy Geosciences Division, Lawrence Berkeley National Lab, Berkeley, CA 94720, USA（劳伦斯伯克利国家实验室能源地球科学部） ； Earthquake Research Institute, University of Tokyo, Tokyo 113-0032, Japan（东京大学地震研究所） ； Department of Earth, Atmospheric and Planetary Sciences, MIT, Cambridge, MA 02139, USA（麻省理工学院地球、大气与行星科学系） ； Department of Statistics, University of California, Berkeley, CA 94720, USA（加州大学伯克利分校统计系） 纠错

AI总结 本研究提出基于条件生成模型的深度学习方法，用于建模非平衡路径效应，实现快速且高效的傅里叶振幅谱预测。

Counterfactual LLM-based Framework for Measuring Rhetorical Style

反事实LLM框架用于测量修辞风格

Jingyi Qiu, Hong Chen, Zongyi Li

机构 * School of Information University of Michigan（信息学院密歇根大学） ； CSAIL MIT（MIT计算机科学与人工智能实验室） 纠错

AI总结 本文提出基于LLM的反事实框架，用于量化机器学习论文中的修辞风格，并发现修辞风格显著影响后续关注度，且2023年后修辞强度因LLM写作辅助而显著上升。

Zero-Overhead Introspection for Adaptive Test-Time Compute

无开销的适应性测试时间计算 introspection

Rohin Manvi, Joey Hong, Tim Seyde, Maxime Labonne, Mathias Lechner, Sergey Levine

机构 * UC Berkeley（加州大学伯克利分校） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Liquid AI 纠错

AI总结 ZIP-RC通过无开销的实时自我反省预测奖励和成本，提升推理效率和准确性。

BUFFER-X: Towards Zero-Shot Point Cloud Registration in Diverse Scenes

BUFFER-X：迈向多样化场景下的零样本点云配准

Minkyun Seo, Hyungtae Lim, Kanghee Lee, Luca Carlone, Jaesik Park

机构 * Laboratory for Information & Decision Systems（信息与决策系统实验室） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 BUFFER-X通过自适应体素大小、最远点采样和补丁尺度归一化，实现多样化场景下的零样本点云配准，无需先验信息或手动调参。

Comments 20 pages, 14 figures. Accepted as a highlight paper at ICCV 2025

FrontierMath: A Benchmark for Evaluating Advanced Mathematical Reasoning in AI

FrontierMath: 一个评估人工智能高级数学推理能力的基准

Elliot Glazer, Ege Erdil, Tamay Besiroglu, Diego Chicharro, Evan Chen, Alex Gunning, Caroline Falkman Olsson, Jean-Stanislas Denain, Anson Ho, Emily de Oliveira Santos, Olli Järviniemi, Matthew Barnett, Robert Sandler, Matej Vrzala, Jaime Sevilla, Qiuyu Ren, Elizabeth Pratt, Lionel Levine, Grant Barkley, Natalie Stewart, Bogdan Grechuk, Tetiana Grechuk, Shreepranav Varma Enugandla, Mark Wildon

机构 * Epoch AI ； University of Leicester（利兹大学） ； RWTH Aachen University（亚琛工业大学） ； King’s College London（伦敦大学国王学院） ； University of Bristol（布里斯托大学） ； Iowa State University（爱荷华州立大学） ； MIT（麻省理工学院） ； University of North Carolina（北卡罗来纳大学） ； CNRS - Université Paris-Saclay（法国国家科学研究中心-巴黎-萨克雷大学） ； University of Siegen（锡根大学） ； Knox College at Charlotte（夏洛特克恩学院） ； James Madison University（詹姆斯麦迪逊大学） ； ICMC, USP（巴西圣保罗大学ICMC分校） ； Masaryk University（马萨里克大学） ； UC Berkeley（伯克利加州大学） ； Cornell University（康奈尔大学） ； Rutgers University（罗格斯大学） ； Harvard University（哈佛大学） ； ETH Zurich（苏黎世联邦理工学院） ； Independent（独立研究者） 纠错

AI总结 FrontierMath是一个由专家数学家设计的数学问题基准，用于评估AI在高级数学推理能力上的表现，揭示了当前AI与数学界能力之间的显著差距。