高校专区
指向抽象：协作物理任务中的多模态惯例形成
机构 * Princeton University（普林斯顿大学） ； Brown University（布朗大学） ； MIT（麻省理工学院） ； Stanford University（斯坦福大学）
AI总结 研究通过多模态协作任务探讨了如何通过建立语言和手势抽象来提高协作效率，并扩展了惯例形成的概率模型。
Comments Accepted at the 2026 CHI Conference on Human Factors in Computing Systems (CHI 2026). 15 pages
Journal ref Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems (CHI '26), ACM, 2026
离散伴随薛定谔桥采样器
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Massachusetts Institute of Technology（麻省理工学院） ； FAIR at Meta（Meta的FAIR）
AI总结 本文提出discrete ASBS，通过将伴随匹配方法扩展到离散空间，解决离散神经采样器的梯度缺失问题，提升训练效率和可扩展性。
在已知群体之外实现鲁棒性：低秩适应
机构 * Department of Electrical Engineering \& Computer Science, Massachusetts Institute of Technology, Cambridge, MA, USA ； Harvard School of Medicine, Harvard, Boston, MA, USA
AI总结 LEIA通过低秩调整分类器logits，在无需预设群体标签的情况下提升群体鲁棒性，适用于未知亚群体的场景。
当LLaVA遇见物体：用于视觉-语言模型的标记组成
机构 * Tuebingen AI Center/University of Tuebingen（图宾根人工智能中心/图宾根大学） ； Max Planck Institute for Informatics, SIC（马克斯·普朗克信息学院，SIC） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室）
AI总结 本文提出Mask-LLaVA框架，通过结合多级视觉特征，实现更高效的视觉语言模型，减少标记数量的同时保持性能。
知道你所知道的并不足够：大型语言模型的置信度与行为不一致
机构 * Vanderbilt University（范德比大学） ； MIT（麻省理工学院） ； Columbia University（哥伦比亚大学）
AI总结 研究发现大型语言模型的置信度与行为不一致，静态校准无法预测动态设置中的表现。
训练语言模型以解释其自身的计算
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
AI总结 研究通过训练语言模型解释自身计算，发现其能有效生成内部机制的自然语言描述，为可解释性方法提供新途径。
Comments 23 pages, 8 tables, 7 figures. Code and data at https://github.com/TransluceAI/introspective-interp
虚拟社区：人类、机器人与社会的开放世界
机构 * UMass Amherst（马萨诸塞大学阿默斯特分校） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室） ； Johns Hopkins University（约翰霍普金斯大学） ； CMU（卡内基梅隆大学）
AI总结 虚拟社区是一个开放世界平台，旨在研究人类与机器人共存的社会智能，通过多智能体模拟和大规模社区生成，提出两个新挑战以探索开放世界中的协作与规划能力。
Comments website https://virtual-community-ai.github.io/
ABBA-Adapters: 高效且表达力强的基础模型微调
机构 * Mohamed bin Zayed University of Artificial Intelligence（莫德尔·本·扎耶德人工智能大学） ； Duke University（杜克大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 ABBA-Adapters通过引入低秩矩阵的Hadamard乘积，实现高效且表达力强的基础模型微调，显著提升适应新领域的性能。
Comments ICLR 2026. Raghav Singhal, Kaustubh Ponkshe, and Rohit Vartak contributed equally to this work
安全子空间并非线性区分：一项微调案例研究
机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎德·本·扎耶德人工智能大学） ； University of California San Diego（加州大学圣地亚哥分校） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本研究通过微调案例发现，安全行为与通用学习组件高度交织，基于子空间的防御策略存在根本限制。
Comments ICLR 2026. Kaustubh Ponkshe, Shaan Shah, and Raghav Singhal contributed equally to this work
估计基于证据的决策制定的价值
机构 * Department of Economics, MIT（MIT经济学系） ； Department of Industrial Engineering and Operations Research, Columbia University（哥伦比亚大学工业工程与运筹学系） ； Graduate School of Business, Stanford（斯坦福大学商学院）
AI总结 本文提出一个实证框架，用于估算基于证据的决策制定的价值，并评估统计精度和项目构想的回报率。
公平感知的奖励优化
机构 * CSAIL, Department of EECS, Massachusetts Institute of Technology（计算机科学与人工智能实验室，电气工程与计算机科学系，麻省理工学院） ； School of CIT, MCML, MDSI, Technical University of Munich（信息科技学院，MCML，MDSI，慕尼黑技术大学）
AI总结 Faro通过在处理过程中训练奖励模型，实现公平性、准确性与校准性的平衡，减少偏见并提升模型质量。
GraphAgents: 基于知识图谱的多智能体AI用于跨领域材料设计
机构 * Department of Civil and Environmental Engineering Massachusetts Institute of Technology（土木与环境工程系 马萨诸塞理工学院） ； Department of Mechanical Engineering Massachusetts Institute of Technology（机械工程系 马萨诸塞理工学院） ； Department of Civil and Environmental Engineering Department of Mechanical Engineering Schwarzman College of Computing Massachusetts Institute of Technology（土木与环境工程系 机械工程系 斯沃茨曼计算学院 马萨诸塞理工学院）
AI总结 GraphAgents通过多智能体与知识图谱结合，实现跨领域材料设计，生成可持续替代品并平衡性能与生物相容性。
大型语言模型开发中是否存在'秘密配方'？
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 研究发现大型语言模型的前沿进展主要由计算量驱动，而非专有技术，但非前沿领域中专有技术可显著降低计算需求。
通过Koopman谱分析生成建模：一个算子理论的观点
机构 * Center for Science Adventure ； Collaborative Research Advancement, Graduate School of Science, Kyoto University, Kyoto, Japan ； Massachusetts Institute of Technology, Cambridge, MA ； LinkedIn Corporation, Sunnyvale, CA ； Dynamic Systems Lab, University College London, London, UK ； Graduate School of Information Science ； Technology, The University of Osaka, Osaka, Japan ； RIKEN Center for Advanced Intelligence Project, Tokyo, Japan
AI总结 KSWGD通过Koopman理论和Wasserstein梯度下降结合，实现高效生成建模，克服梯度消失问题，提升收敛速度和样本质量。
打破尺度锚定：用于从低分辨率训练准确进行高分辨率推断的频率表示学习
机构 * School of Future Technology, South China University of Technology, China（未来技术学院，华南理工大学，中国） ； State Key Laboratory of Ocean Sensing & Ocean College, Zhejiang University, China（海洋感知国家重点实验室，浙江大学，中国） ； Kavli Institute for Astrophysics and Space Research, Massachusetts Institute of Technology, USA（天体物理与空间研究所，麻省理工学院，美国）
AI总结 本文提出了一种架构无关的频率表示学习方法，通过分辨率对齐的频率表示和频谱一致性训练，解决尺度锚定问题，提升高分辨率推断的准确性。
Comments Accepted as a poster paper at ICLR 2026
深度集成用于知识不确定性：一个频数视角
机构 * EECS, MIT, Cambridge MA, USA（麻省理工学院电子工程与计算机科学系）
AI总结 本文从频数视角探讨深度集成在量化epistemic不确定性中的有效性，通过bootstrap估计器和数据变异性的分解，揭示了深度集成捕捉训练随机性成分的机制。
广义流映射用于黎曼流形上的少步生成建模
机构 * University of Oxford（牛津大学） ； Harvard University（哈佛大学） ； Kempner Institute（凯普纳研究所） ； Institute for Artificial Intelligence and Fundamental Interactions, MIT（人工智能与基本相互作用研究所，MIT） ； Carnegie Mellon University（卡内基梅隆大学） ； AITHYRA（AITHYRA研究所） ； Mila（Mila研究所） ； Imperial College London（伦敦帝国学院）
AI总结 本文提出广义流映射（GFM）用于黎曼流形上的少步生成建模，通过自蒸馏方法提升现有生成模型性能。
Comments Under review
你的强化学习奖励函数是你的最佳搜索PRM：统一强化学习与基于搜索的文本生成
机构 * Rutgers University（新泽西州立大学） ； Nanyang Technological University（南洋理工大学） ； University of Connecticut（康涅狄格大学） ； Fudan University（复旦大学） ； NVIDIA Research（NVIDIA研究） ； Red Hat AI Innovation（红帽AI创新） ； MIT-IBM Watson AI Lab（MIT-IBM沃森AI实验室） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出AIRL-S，通过强化学习与搜索技术的统一，利用奖励函数直接学习动态PRM，提升推理链扩展和跨任务泛化能力，实验显示性能提升9%并优于基线PRM。
déjà vu？通过眼动模式解码重复阅读
机构 * Faculty of Data and Decision Sciences, Technion - Israel Institute of Technology（数据与决策科学学院，特拉维夫大学-以色列理工学院） ； Department of Brain and Cognitive Sciences, Massachusetts Institute of Technology（脑与认知科学系，麻省理工学院）
AI总结 通过分析眼动模式，研究自动判断读者是否曾接触过同一文本，并探索记忆效应在重复阅读中的作用。
Journal ref https://aclanthology.org/2025.acl-long.956/
XAI-CLIP: 通过区域感兴趣引导扰动框架实现多模态视觉-语言模型中可解释的医学图像分割
机构 * King Fahd University of Petroleum and Minerals（国王法赫德石油和矿物大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Imperial College London（伦敦帝国学院） ； KFUPM-SDAIA Joint Research Centre for Artificial Intelligence（KFUPM-SDAIA联合人工智能研究中心）
AI总结 XAI-CLIP通过多模态视觉-语言模型嵌入实现医学图像分割的可解释性和效率提升，减少计算开销并提高分割精度。
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