Massachusetts Institute of Technology（麻省理工学院）

Agentic AI for Scalable and Robust Optical Systems Control

面向可扩展和鲁棒光学系统控制的代理AI

Zehao Wang, Mingzhe Han, Wei Cheng, Yue-Kai Huang, Philip Ji, Denton Wu, Mahdi Safari, Flemming Holtorf, Kenaish AlQubaisi, Norbert M. Linke, Danyang Zhuo, Yiran Chen, Ting Wang, Dirk Englund, Tingjun Chen

机构 * Department of Electrical and Computer Engineering, Duke University（电气与计算机工程系，杜克大学） ； Duke Quantum Center and Department of Physics, Duke University（杜克量子中心和物理系，杜克大学） ； Department of Computer Science, Duke University（计算机科学系，杜克大学） ； NEC Laboratories America（NEC美国实验室） ； Axiomatic AI（公理AI） ； Joint Quantum Institute, Department of Physics, and the National Quantum Laboratory (QLab), University of Maryland（联合量子研究所、物理系以及国家量子实验室（QLab），马里兰大学） ； Research Laboratory of Electronics, Massachusetts Institute of Technology（电子研究实验室，麻省理工学院） 纠错

AI总结 AgentOptics通过代理AI框架实现异构光学系统的可扩展和鲁棒自主控制，展示了高保真任务成功率和多任务协调能力。

Robust Taylor-Lagrange Control for Safety-Critical Systems

安全关键系统鲁棒泰勒-拉格朗日控制

Wei Xiao, Christos Cassandras, Anni Li

机构 * Robotics Engineering Department at Worcester Polytechnic Institute and MIT CSAIL（沃思希尔理工大学机器人工程系及MIT CSAIL） ； Electrical and Computer Engineering Department at The University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校电子与计算机工程系） ； division of Systems Engineering at Boston University（波士顿大学系统工程系） 纠错

AI总结 本文提出鲁棒泰勒-拉格朗日控制方法，通过提高安全函数的展开阶数以解决可行性保持问题，提升安全关键系统的控制性能。

Comments 7 pages

Understanding Empirical Unlearning with Combinatorial Interpretability

理解经验性反学习与组合可解释性

Shingo Kodama, Niv Cohen, Micah Adler, Nir Shavit

机构 * Middlebury College（中大西洋学院） ； New York University（纽约大学） ； MIT（麻省理工学院） ； Red Hat（红帽公司） 纠错

AI总结 本文通过组合可解释性框架研究经验性反学习中知识的持续存在机制，揭示反学习方法在移除目标概念知识方面的有效性及知识恢复的可能性。

Adaptive Problem Generation via Symbolic Representations

通过符号表示实现自适应问题生成

Teresa Yeo, Myeongho Jeon, Dulaj Weerakoon, Rui Qiao, Alok Prakash, Armando Solar-Lezama, Archan Misra

机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院） ； Singapore-MIT Alliance for Research and Technology（新加坡-麻省理工联盟研究技术） ； Massachusetts Institute of Technology（麻省理工学院） ； Singapore Management University（新加坡管理大学） 纠错

AI总结 本文提出通过符号表示生成自适应问题，以提升小型语言模型在数学任务上的表现。

Sycophantic Chatbots Cause Delusional Spiraling, Even in Ideal Bayesians

谄媚型聊天机器人会导致妄想螺旋，即使在理想贝叶斯理性者中

Kartik Chandra, Max Kleiman-Weiner, Jonathan Ragan-Kelley, Joshua B. Tenenbaum

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； University of Washington, Seattle（华盛顿大学） ； MIT Department of Brain & Cognitive Sciences（麻省理工学院脑科学与认知科学系） 纠错

AI总结 本文研究了聊天机器人谄媚性导致用户产生妄想螺旋的现象，揭示了即使理性用户也易受其影响，并探讨了缓解措施的局限性。

StreamDiffusionV2: A Streaming System for Dynamic and Interactive Video Generation

StreamDiffusionV2：动态交互视频生成的流式系统

Tianrui Feng, Zhi Li, Shuo Yang, Haocheng Xi, Muyang Li, Xiuyu Li, Lvmin Zhang, Keting Yang, Kelly Peng, Song Han, Maneesh Agrawala, Kurt Keutzer, Akio Kodaira, Chenfeng Xu

机构 * Stanford University（斯坦福大学） ； MIT（麻省理工学院） 纠错

AI总结 StreamDiffusionV2通过无训练管道和系统级优化，实现了低延迟、高效率的实时视频生成，支持灵活的去噪步骤和多GPU扩展，推动生成直播的实用化和普及。

Comments Accepted by MLSys 2026. Project Page: http://streamdiffusionv2.github.io

A Checklist for Deploying Robots in Public: Articulating Tacit Knowledge in the HRI Community

公共部署机器人的一份清单：在人机交互社区中阐明隐性知识

Claire Liang, Franziska Babel, Hannah Pelikan, Sydney Thompson, Xiang Zhi Tan

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Yale University（耶鲁大学） ； Northeastern University（东北大学） 纠错

AI总结 本文提出一份公开可用的机器人公共部署清单，旨在通过整合社区专业知识，帮助研究人员避免常见错误并提升部署效率。

Why ReLU? A Bit-Model Dichotomy for Deep Network Training

为何使用 ReLU？深度网络训练的位模型二元性

Ilan Doron-Arad, Elchanan Mossel

机构 * MIT（麻省理工学院） 纠错

AI总结 本研究揭示了深度网络训练的位模型二元性，表明ReLU等分段线性激活函数在有限精度下具有可计算性，而多项式激活函数则面临$\#P$-难的计算复杂性。

From Static Spectra to Operando Infrared Dynamics: Physics Informed Flow Modeling and a Benchmark

从静态光谱到原位红外动力学：物理指导的流模型与基准

Shuquan Ye, Ben Fei, Hongbin Xu, Jiaying Lin, Wanli Ouyang

机构 * Department of Information Engineering, The Chinese University of Hong Kong（香港中文大学信息工程系） ； Department of Computer Science and Engineering, The Hong Kong University of Science and Technology（香港科学与技术大学计算机科学与工程系） ； Department of Computer Science（计算机科学系） ； Engineering, The Hong Kong University of Science（工程，香港科学大学） ； Shenzhen Loop Area Institute（深圳河套学院） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本文提出ABCC模型，通过物理指导的流模型预测原位红外光谱动态，实现对SEI形成路径的可解释恢复，提升电化学研究效率。

Learning Collective Variables from BioEmu with Time-Lagged Generation

从BioEmu中学习集体变量

Seonghyun Park, Kiyoung Seong, Soojung Yang, Rafael Gómez-Bombarelli, Sungsoo Ahn

机构 * KAIST（韩国科学技术院） ； MIT（麻省理工学院） 纠错

AI总结 本文提出BioEmu-CV框架，通过从BioEmu中自动学习集体变量，用于快速折叠蛋白质的自由能估计和过渡路径采样。

Mirror Bridges Between Probability Measures

概率测度间的镜像桥梁

Leticia Mattos Da Silva, Silvia Sellán, Francisco Vargas, Justin Solomon

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Columbia University（哥伦比亚大学） ； Xaira Theurapetics ； CSAIL Future of Data program（CSAIL数据未来计划） ； MIT–IBM Watson AI Laboratory（MIT-IBM沃森人工智能实验室） ； Wistron Corporation（威盛集团） ； Toyota–CSAIL Joint Research Center（丰田-CSAIL联合研究中心） 纠错

AI总结 本文提出镜像桥梁模型，通过解决施瓦茨桥问题实现条件重采样，生成分布内变化样本，简化算法并提高应用效果。