FragmentFlow: Scalable Transition State Generation for Large Molecules
FragmentFlow: 适用于大分子的可扩展过渡态生成
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； MIT DMSE（麻省理工学院戴维·斯莫尔工程学院）
AI总结 FragmentFlow通过分而治之的方法，针对大分子反应核心预测过渡态几何结构，实现高效、可扩展的过渡态生成。
高校专区
Massachusetts Institute of Technology（麻省理工学院）
GLASS Flows: Transition Sampling for Alignment of Flow and Diffusion Models
GLASS Flows: 用于对齐流模型与扩散模型的过渡采样
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； FAIR, Meta（FAIR与Meta）
AI总结 GLASS Flows通过在流匹配模型内部模拟来提升流和扩散模型的推理效率，结合ODE的效率和SDE的随机性，实现文本生成性能的提升。
Aligning Dialogue Agents with Global Feedback via Large Language Model Multimodal Reward Decomposition
通过大语言模型多模态奖励分解对齐对话代理
机构 * MIT（麻省理工学院） ； CMU（卡内基梅隆大学）
AI总结 本文提出了一种基于大语言模型的多模态奖励分解方法，通过分解会话级反馈来提升对话生成质量，无需人工反馈。
Comments 9 pages, 3 figures, 3 tables
Cross-Sectional Asset Retrieval via Future-Aligned Soft Contrastive Learning
面向未来对齐的软对比学习资产检索
机构 * Seoul National University of Science and Technology（首尔科学技术大学） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Florida（佛罗里达大学） ； LG AI Research（LG人工智能研究） ； Ulsan National Institute of Science and Technology（釜山科学技术研究院）
AI总结 本文提出FASCL方法，通过未来收益相关性指导资产检索，提升未来行为预测性能。
Gauss-Newton Unlearning for the LLM Era
大语言模型时代的Gauss-Newton反学习
机构 * University of Toronto（多伦多大学） ； MIT（麻省理工学院） ； Vector Institute for Artificial Intelligence（人工智能向量研究所）
AI总结 K-FADE通过K-FAC近似实现大语言模型的高效反学习，减少遗忘集影响的同时保留保留集行为。
Comments 18 pages
Unlocked Backpropagation using Wave Scattering
利用波散射的解锁反向传播
机构 * Cold Spring Harbor Laboratory（冷泉港实验室） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出了一种基于波散射的解锁反向传播方法，通过引入优化时间维度和反向传播波变量，推导出适用于神经网络训练的全新算法。
Comments 8 pages
How Much Reasoning Do Retrieval-Augmented Models Add beyond LLMs? A Benchmarking Framework for Multi-Hop Inference over Hybrid Knowledge
检索增强模型在大语言模型之上添加多少推理能力？一种用于混合知识多跳推理的基准评估框架
机构 * Massachusetts Institute of Technology（麻省理工学院） ； IBM Research（IBM研究院） ； University of Central Florida（中央佛罗里达大学）
AI总结 HybridRAG-Bench通过混合知识和多跳推理评估框架，有效区分真实检索与参数回忆，为混合知识增强推理系统提供测试平台。
STRAND: Sequence-Conditioned Transport for Single-Cell Perturbations
STRAND：基于序列的传输用于单细胞扰动
机构 * Department of Biomedical Informatics, Harvard Medical School, Boston, MA, USA ； Merck \& Co., Inc., Cambridge, MA, USA ； Department of Biomedical Engineering, Johns Hopkins University, Baltimore, MD, USA ； Kempner Institute for the Study of Natural ； Artificial Intelligence, Harvard University, Allston, MA, USA ； Broad Institute of MIT
AI总结 STRAND通过条件化调控DNA序列预测单细胞转录响应，提升基因扰动分析的准确性和泛化能力。
Comments 8 pages for main draft, 6 main figures
H2OFlow: Grounding Human-Object Affordances with 3D Generative Models and Dense Diffused Flows
H2OFlow: 通过3D生成模型和密集扩散流接地人类-物体 affordances
机构 * MIT（麻省理工学院）
AI总结 H2OFlow通过3D生成模型和密集扩散流学习人类-物体交互的3D affordances，无需人工标注，有效泛化至现实物体。
