高校专区
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：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：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：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
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: 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。
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: 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: 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。
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：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。
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。
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: 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。
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
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