Constant Individual Regret in General Games
一般博弈中的恒定个体遗憾
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 针对完全信息反馈下的有限N玩家标准型博弈，提出确定性完全非耦合的ECHO-OFTRL算法，消除个体遗憾与时间跨度的多对数依赖，保证各玩家遗憾上界为O(poly(N, log m_max))。
高校专区
Massachusetts Institute of Technology（麻省理工学院）
BAITBENCH: Measuring Agent Reward Hacking with Optional Shortcuts Planted in ML Tasks
BAITBENCH：通过植入ML任务中的可选捷径测量智能体的奖励黑客行为
机构 * National University of Singapore（新加坡国立大学） ； MIT（麻省理工学院） ； Vrije Universiteit Amsterdam（阿姆斯特丹自由大学） ； University of Toronto（多伦多大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Arb Research（Arb研究机构）
AI总结 BAITBENCH是含三个合成表格型ML任务的基准，用于测量智能体利用可选捷径获得虚高分的奖励黑客行为，实验显示57.1%的运行存在该行为，发布相关资源作为缓解措施评估测试平台。
Using Prosody to Predict Syntactic Structure
用韵律预测句法结构
机构 * Georgetown University（乔治城大学） ； UC San Diego（加州大学圣迭戈分校） ； MIT（麻省理工学院） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 该研究从信息论视角提出通用框架，利用多模态语言模型量化韵律与句法的互信息，发现韵律可降低自然对话中10.2%的句法不确定性，为相关理论提供实证支持。
Comments 15 pages, 4 figures. EMNLP 2026 camera-ready
AutoCRAT: Within-trajectory Joint Control of Stochasticity and Compute for LLM Reasoning
AutoCRAT：针对大语言模型推理的轨迹内随机性与计算量联合控制
机构 * New York University（纽约大学） ； New York University Abu Dhabi（纽约大学阿布扎比分校） ； University of Washington Seattle（华盛顿大学西雅图分校） ； Harvard University（哈佛大学） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
AI总结 AutoCRAT是针对大语言模型推理的轨迹内随机性与计算量联合控制方法，仅在语义边界更新决策，在6个基准上减少推理令牌并提升准确率，且跨主干迁移性强。
Comments EMNLP 2026 Findings
SkillForge: Compositional Skill Synthesis with Verification-in-the-Loop for Generating Formally Verified Dafny Programs
SkillForge：结合验证循环的组合技能合成方法，用于生成形式化验证的 Dafny 程序
机构 * Zhejiang University（浙江大学） ； Southeast University（东南大学） ； MIT（麻省理工学院） ； Weixin AI Lab（微信AI实验室） ； Renmin University（中国人民大学）
AI总结 SKILLFORGE 是将形式化代码合成分解为原子技能库并结合验证循环协调的框架，在自然语言转 Dafny 程序任务上性能优于现有方法。
Comments Accepted by EMNLP 2026
GHOST in the Robots: Real-Time Exocentric Dual-Robot VR Teleoperation from Onboard Cameras
机器人中的GHOST：基于机载摄像头的实时异中心双机器人VR遥操作
机构 * Brown University（布朗大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出开源VR遥操作系统GHOST，可让单操作员通过机载传感以直接低级命令控制两台移动操作机器人，其在多机器人遥操作任务上的成功率和速度均优于商用平板界面。
Nested Convex-Body Chasing for Online Optimization with Evolving Feasible Sets
针对可行集不断演化的在线优化的嵌套凸体追踪
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Purdue University（普渡大学）
AI总结 该研究针对两类在线优化问题，提出嵌套凸体追踪算法，将损失控制与几何运动分离，在降低维度依赖的同时保证了遗憾和约束违反的理论边界，还证明了二维场景下的最优时间范围依赖性。
Text-Driven Artistic Staging: Pose, Lighting, and Camera References from Paintings
文本驱动的艺术舞台布置：来自绘画的姿态、光照与相机参考
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 该研究针对现有生成方法独立建模舞台布置元素的问题，提出文本驱动的可编辑3D舞台布置任务，构建相关数据集并训练流匹配Transformer模型，在情感描述的舞台布置检索任务上性能优于CLIP方法，验证了生成3D舞台布置参考的可行性。
Denoising as Projection: Constrained Optimization with Gradient-Guided Diffusion
去噪即投影：带梯度引导扩散的约束优化
机构 * MIT（麻省理工学院） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出一种将目标梯度融入去噪步骤的投影梯度引导扩散更新方法，用于结构化可行集上的约束优化，在三类设置中保证收敛，实验验证其平衡目标下降与几何保留的有效性。
Modeling the Structure of Human Behavior with AI Prompt Vectors
AI提示词如何能帮助我们理解人类行为的结构
机构 * Stanford（斯坦福大学） ； Sante Fe Institute（圣达菲研究所） ； MIT（麻省理工学院） ； Michigan（密歇根大学） ； Moblab（莫布实验室） ； Expected Parrot（期望鹦鹉公司）
AI总结 该研究提出一种基于大语言模型的AI方法，通过调整类型向量匹配人类选择，发现人类行为可由风险厌恶、策略复杂度、信任三个维度近似，能预测不同游戏行为，为行为科学提供简约理论支持。
SPADE: Self-Play in Adaptive Synthetic Executable Environments
SPADE：自适应合成可执行环境中的自博弈
机构 * University of Washington（华盛顿大学） ； Stanford University（斯坦福大学） ； Northeastern University（东北大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Massachusetts Institute of Technology（麻省理工学院） ； National University of Singapore（新加坡国立大学） ； Seoul National University（首尔大学） ； Stevens Institute of Technology（史蒂文斯理工学院） ； University of Chicago（芝加哥大学）
AI总结 SPADE是一种双角色自博弈强化学习框架，让单个LLM同时担任环境设计者与推理智能体，在多类基准上显著提升了语言智能体的性能，推动了开放式自我改进。
Comments Work in progress. Project page: https://spade-rl.github.io ; Code: https://github.com/spade-rl/spade
CL4D: Contrastive Language-4D Pretraining for Vision-Language Reasoning in Dynamic Scenes
CL4D：用于动态场景视觉-语言推理的对比语言-4D预训练
机构 * University of Moratuwa（莫拉图瓦大学） ； Singapore-MIT Alliance for Research & Technology (SMART) Centre（新加坡-麻省理工研究与技术联盟（SMART）中心） ； Agency for Science, Technology and Research (A*STAR)（新加坡科学、技术与研究局（A*STAR））
AI总结 本研究提出CL4D（首个4D视觉编码器）及基于其的4DVLM，在自建DynAction4D数据集上训练，CL4D性能较现有方法提升约16.75%，4DVLM优于Gemini、GPT-5等前沿视频VLM。
Comments Accepted at the 19th European Conference on Computer Vision (ECCV 2026)
JUMP-lite: Compact, reproducible benchmarking of cell representations
JUMP-lite：紧凑、可复现的细胞表征基准测试
机构 * Broad Institute of MIT and Harvard（麻省理工学院与哈佛大学博德研究所）
AI总结 研究针对JUMP数据集体积过大导致细胞表征基准测试难以开展的问题，提出JUMP-lite压缩子集与Nahual框架，测试5种表征方法并验证压缩保留下游信号，为相关基准测试提供基础。
Comments Submitted to WACV 2027
Rating the Pitch, Not the Product: User Evaluations of LLMs Reflect Expectations More Than Performance
评价的是宣传话术，而非产品本身：用户对大语言模型的评估更多反映期望而非性能
机构 * Brock University（布鲁克大学） ； Emory University（埃默里大学） ； University of Southern California（南加州大学） ； University College London（伦敦大学学院） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 研究通过控制实验，让参与者使用不同宣传话术下的六种大语言模型完成任务，发现宣传话术影响用户评价和交互行为，任务表现未变，用户评价更多反映期望管理。
Comments Accepted to EMNLP 2026 Main Conference
FracEvent: Event-Camera Simulation via Fractional-Relaxation Pixel Dynamics
FracEvent: 通过分数阶弛豫像素动力学进行事件相机模拟
机构 * The University of Sydney（悉尼大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Beijing Technology and Business University（北京工商大学）
AI总结 提出FracEvent模拟器，利用分数阶弛豫电压动力学建模像素级生命周期，通过连续电压轨迹定位阈值交叉生成事件，保留记忆模式以改进事件时序结构，在下游任务中优于现有方法。
Clinically Grounded Privacy Evaluation of Medical LMs
临床导向的医学语言模型隐私评估
机构 * Stanford University（斯坦福大学） ； Massachusetts Institute of Technology（麻省理工学院） ； American Board of Family Medicine（家庭医学认证委员会）
AI总结 提出临床导向框架，按对抗访问等级评估医学语言模型隐私泄露，发现常规元数据可导致高比率逐字记忆和敏感诊断恢复，但部分记忆源于模板化文档。
CrowdMath: A Dataset of Crowdsourced Mathematical Research Discussions
CrowdMath: 众包数学研究讨论数据集
机构 * University of Massachusetts Lowell（马萨诸塞大学洛文分校） ； San Jose State University（圣何塞州立大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Dartmouth College（达特茅斯学院） ； Amazon AGI（亚马逊人工智能研究院）
AI总结 提出CrowdMath数据集，包含164条专家标注的进展链，用于评估大语言模型在协作开放问题求解中的能力，发现模型在局部预测上表现良好但在角色分类上存在不足。
Comments 16 pages, 4 figures; Accepted to EMNLP 2026 Findings
ADMM-Q: An Improved Hessian-based Weight Quantizer for Post-Training Quantization of Large Language Models
ADMM-Q: 一种改进的基于Hessian的权重量化器用于大语言模型的后训练量化
机构 * MIT Operations Research Center（麻省理工学院运筹学中心） ； MIT Sloan School of Management（麻省理工学院斯隆管理学院） ； MIT Center for Statistics（麻省理工学院统计中心）
AI总结 ADMM-Q是一种新的权重量化算法，通过交替方向乘子法的组合变体，优化层间重建误差并逐步施加量化约束，提升大语言模型的压缩性能。
Performance Manipulation: Labor Market Implications in AI-assisted Era
在机器学习竞赛中基准黑客现象：建模、洞察与设计
机构 * Department of Economics, Dartmouth College（达特茅斯学院经济系） ； Sloan & CSAIL, Massachusetts Institute of Technology（麻省理工学院斯隆管理学院与计算机科学与人工智能实验室） ； Department of Computer Science, University of Chicago（芝加哥大学计算机科学系）
AI总结 本文研究了机器学习竞赛中基准黑客现象，通过建模揭示其战略均衡，并通过实证支持理论预测，指出奖励结构对竞赛结果的影响。
MOONSHOT : A Framework for Multi-Objective Pruning of Vision and Large Language Models
MOONSHOT：一种用于视觉和大语言模型多目标剪枝的框架
机构 * Google（谷歌） ； OpenAI ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 MOONSHOT通过联合优化层重建误差和训练损失的二阶泰勒近似，提升视觉和大语言模型在无重新训练下的压缩效果，显著提升模型性能。
Uncertainty Makes It Stable: Curiosity-Driven Quantized Mixture-of-Experts
不确定性使其稳定：基于好奇心的量化专家混合框架
机构 * MIT Critical Data（MIT关键数据） ； Université de Rennes（里昂大学） ； Technetium Engineering（Technetium工程） ； Institución Universitaria Colegio Mayor del Cauca（科瓦卡大学学院） ； CeADAR - Ireland’s Centre for AI（爱尔兰人工智能中心） ； University College Dublin（都柏林大学） ； Tsinghua University（清华大学） ； Beth Israel Deaconess Medical Center（贝瑟尔以色列德acons医院） ； Harvard T.H. Chan School of Public Health（哈佛T.H.陈公共卫生学院）
AI总结 本文提出基于好奇心驱动的量化专家混合框架，通过贝叶斯知识不确定性路由提升模型在资源受限设备上的精度与推理延迟稳定性，实验证明其在音频分类任务中具有更高的准确率和更低的能耗。
AI-Generated Measurements for Identification and Inference with Missing Data: A Weak Shadow Variable Approach
利用预训练模型中的弱影子变量在缺失数据下的部分识别
机构 * Massachusetts Institute of Technology, Cambridge, MA 02139（麻省理工学院） ； Emory University, Atlanta, GA 30322（埃默里大学）
AI总结 针对缺失非随机（MNAR）导致的估计偏差，提出部分识别框架，通过线性规划结合预训练模型（如LLM）的预测作为弱影子变量收紧边界，并设计集合扩张估计器保证覆盖，实验显示识别区间缩小75-83%。
POCI-Diff: 3D-Layout Guided Diffusion for Controllable Synthetic Surveillance Data Generation
POCI-Diff: 通过3D布局引导扩散实现位置对象一致性和交互
机构 * DISI, University of Trento（DISI，特伦托大学） ； Toretei S.r.l.（Toretei公司） ； Visual AI Lab, MIT-IBM Watson AI Lab（视觉人工智能实验室，MIT-IBM沃森人工智能实验室） ； Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）
AI总结 POCI-Diff通过3D布局引导扩散实现一致性和交互性的物体位置控制，提升文本到图像生成的布局一致性和编辑质量。
The Double-Edged Nature of the Rashomon Set for Trustworthy Machine Learning
拉索蒙集在可信机器学习中的双刃剑性质
机构 * Duke University（杜克大学） ； MIT（麻省理工学院） ； UNC-Chapel Hill（北卡罗来纳大学教堂山分校） ； Rutgers University（罗格斯大学）
AI总结 研究揭示了拉索蒙集在可信机器学习中的双刃剑性质，指出其在提升鲁棒性的同时也带来隐私风险。
Comments Accepted to ICML 2026
