高校专区
通过规范化的扩散模型重新思考对称性：应用于分子图生成
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Zhejiang University（浙江大学） ； Peking University（北京大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Princeton University（普林斯顿大学） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本文提出通过规范化的扩散模型生成分子图，利用几何谱和位置编码提升生成效果，优于等变基线方法。
Comments 32 pages
PhyScensis: 基于物理的LLM代理用于复杂物理场景布置
机构 * UMass Amherst（马萨诸塞大学阿姆赫斯特分校） ； Genesis AI ； 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）
AI总结 PhyScensis通过物理引擎驱动的LLM代理框架，生成复杂物理场景布局，提升机器人操作中的场景复杂性和物理准确性。
Comments ICLR 2026
通过自我蒸馏进行强化学习
机构 * ETH Zurich（苏黎世联邦理工学院） ； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； MIT（麻省理工学院） ； Stanford（斯坦福大学）
AI总结 通过自我蒸馏策略优化（SDPO）提升强化学习在可验证环境中的样本效率和准确性，利用自身反馈改进策略。
超越显而易见：一种无梯度框架，揭示视觉不变性的隐藏景观
机构 * Neuroscience Area, International School for Advanced Studies (SISSA), Trieste (Italy)（国际先进研究学院（SISSA）神经科学部门，特里埃斯蒂（意大利）） ； Boston Children’s Hospital, Harvard Medical School, Boston (USA)（哈佛医学院波士顿儿童医院，波士顿（美国）） ； Center for Brains, Minds, and Machines, MIT, Cambridge (USA)（麻省理工学院大脑、心智与机器中心，剑桥（美国）） ； Harvard-MIT Program in Health Sciences and Technology, MIT, Cambridge (USA)（哈佛-麻省理工学院健康科学与技术项目，麻省理工学院，剑桥（美国））
AI总结 本文提出SnS框架，通过无梯度方法揭示视觉单元的不变性及对抗敏感性，发现深层表示的伸展会降低模型可解释性。
Comments 33 pages, 15 figures, Accepted as a conference paper at ICLR 2026
构建用于科学领域异常检测的机器学习挑战
机构 * The Ohio State University（俄亥俄州立大学） ； University of Washington（华盛顿大学） ； MIT（麻省理工学院） ； Lawrence Berkeley National Laboratory（伯克利国家实验室） ； Duke University（杜克大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Maryland Baltimore County（马里兰大学巴尔的摩县分校） ； University of Colorado, Boulder（科罗拉多大学博尔德分校） ； University of Minnesota（明尼苏达大学） ； Princeton University（普林斯顿大学） ； University of Arkansas for Medical Sciences（亚拉巴马医学科学大学） ； University of Zürich（苏黎世大学）
AI总结 本文提出三个跨学科数据集，旨在开发基于机器学习的异常检测方法，以推动科学发现。
Comments 17 pages 6 figures to be submitted to Nature Communications
迈向基于空间转录组的病理基础模型
机构 * Department of Pathology, Mass General Brigham, Harvard Medical School, Boston, MA, USA（病理学系，马萨诸塞州总医院与哈佛医学院，波士顿，马萨诸塞州，美国） ； Department of Computer Science & Technology, University of Cambridge, Cambridge, UK（计算机科学与技术系，剑桥大学，剑桥，英国） ； Cancer Program, Broad Institute of Harvard and MIT, Cambridge, MA, USA（癌症计划，哈佛与麻省理工联合学院，剑桥，马萨诸塞州，美国） ； Data Science Program, Dana-Farber Cancer Institute, Boston, MA, USA（数据科学计划，达纳-法伯癌症研究所，波士顿，马萨诸塞州，美国） ； Harvard-MIT Division of Health Sciences and Technology, Massachusetts Institute of Technology, Cambridge, MA, USA（哈佛-麻省理工健康科学与技术 division，麻省理工学院，剑桥，马萨诸塞州，美国） ； Télécom Paris, Institut Polytechnique de Paris, Paris, France（巴黎电信学院，巴黎理工学院，巴黎，法国） ； Harvard Data Science Initiative, Harvard University, Cambridge, MA, USA（哈佛大学数据科学倡议，哈佛大学，剑桥，马萨诸塞州，美国）
AI总结 SEAL通过整合局部分子信息提升病理基础模型性能，实现跨模态应用与领域泛化。
GSRM：生成式语音奖励模型用于语音强化学习反馈机制
机构 * Meta Superintelligence Labs（Meta超智能实验室） ； Massachusetts Institute of Technology（麻省理工学院） ； Arizona State University（亚利桑那州立大学） ； University of Southern California（南加州大学）
AI总结 GSRM通过生成式语音奖励模型提升语音生成的自然度，利用可解释的推理链实现更准确的自然度评估。
环境物理：通过部分观测训练神经PDE求解器
机构 * The University of Edinburgh, Edinburgh, Scotland（爱丁堡大学） ； Massachusetts Institute of Technology, Cambridge, Massachusetts, United States（麻省理工学院）
AI总结 环境物理通过部分观测直接学习PDE系数-解对的联合分布，显著提升重建性能并减少计算成本。
基于条件高斯过程的集成方法（Ens-CGP）：表示、几何与推断
机构 * Earth Signals and Systems Group（地球信号与系统组） ； Earth, Atmospheric and Planetary Sciences（地球、大气与行星科学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出Ens-CGP，一种基于集成的条件高斯过程方法，通过将经验集成矩作为高斯先验进行精确条件化，为卡尔曼滤波等方法提供概率基础，并明确其与变分和集成视角的关系。
Comments 20 pages. Technical manuscrupt on representational equivalence between conditional Gaussian inference, quadratic optimization, and RKHS geometry in finite dimensions
离散共轭匹配
机构 * Massachusetts Institute of Technology（麻省理工学院） ； FAIR at Meta（Meta 的 FAIR）
AI总结 本文提出离散共轭匹配方法，用于微调离散生成模型，通过离散域上的共轭估计器解决熵正则化奖励优化问题。
Comments ICLR 2026
PRISMM-Bench: 一种基于同行评审的多模态不一致基准
机构 * Johannes Kepler University Linz（约翰内斯·开普勒大学林茨分校） ； Interdisciplinary Transformation University Austria（跨学科转型大学奥地利） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Stanford University（斯坦福大学） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室）
AI总结 PRISMM-Bench是首个基于同行评审标记的多模态不一致基准，通过整理384个不一致点，设计三个任务评估模型跨模态检测和推理能力，揭示了多模态科学推理的挑战。
Comments Accepted at ICLR 2026. Project page https://da-luggas.github.io/prismm-bench/
潜在去噪使分词器更有效
机构 * USC（美国南加州大学） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Google DeepMind（谷歌DeepMind） ； OpenAI
AI总结 本文提出通过潜在去噪目标优化分词器，提升生成模型的生成质量。
Comments Code is available at: https://github.com/Jiawei-Yang/DeTok
想法才是关键：评估前沿大语言模型在有害话题上的说服尝试
机构 * Université de Montréal, MILA（蒙特利尔大学，MILA） ； Carnegie Mellon University（卡内基梅隆大学） ； MIT, Center for Research and Teaching in Economics（麻省理工学院，经济研究与教学中心） ； Cornell University, University of Regina（康奈尔大学， Regina大学） ； Cornell University, MIT（康奈尔大学，麻省理工学院）
AI总结 本文提出APE基准测试，评估前沿大语言模型在有害话题上的说服意愿，揭示模型在有害情境下尝试说服的倾向及风险。
RAVENEA：多模态检索增强视觉文化理解的基准
机构 * University of Copenhagen（哥本哈根大学） ； ETH Zürich（苏黎世联邦理工学院） ； University of Amsterdam（阿姆斯特丹大学） ； University of Cambridge（剑桥大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Singapore University of Technology and Design（新加坡科技设计大学） ； Singapore Management University（新加坡管理大学）
AI总结 RAVENEA通过多模态检索增强方法提升视觉文化理解，验证了文化注释对多模态检索和下游任务的增强效果，并揭示了不同国家间性能差异。
Comments ICLR 2026; Project page: https://jiaangli.github.io/ravenea/
少即是多：通过偏好数据选择改进大语言模型对齐
机构 * University of Science and Technology of China（中国科学技术大学） ； Peking University（北京大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Alibaba Cloud Computing（阿里云计算） ； MoE Key Lab of BIPC, University of Science and Technology of China（中国科学技术大学MoE关键实验室）
AI总结 通过改进偏好数据选择策略，提升大语言模型对齐效果，实验显示在较少数据下实现显著性能提升。
人工智能监管中的内部部署缺口
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 本文研究了人工智能监管在内部部署中的缺口，指出监管框架在处理内部系统时存在的三个关键问题，并提出解决方法及权衡。
ParoQuant: 基于成对旋转的量化方法用于高效推理大语言模型推理
机构 * NVIDIA ； MIT（麻省理工学院） ； UC San Diego（加州大学圣地亚哥分校）
AI总结 ParoQuant通过结合硬件高效旋转与通道缩放，有效解决推理LLMs中的异常值问题，实现更高的准确性和更低的开销。
Comments ICLR 2026 | Project page: https://paroquant.z-lab.ai | GitHub: https://github.com/z-lab/paroquant
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