跳到主要内容
检索

Massachusetts Institute of Technology

48 篇关联报道

订阅更新
  1. Nature

    JWST日冕图像改用可微物理模型减星光:灵敏度最高提升一个量级,首次在4.3微米拍到51 Eridani b

    直接成像系外行星需要把恒星光斑从图像中减掉,而传统做法依赖参考星图像,望远镜指向误差和热漂移会让参考与科学观测不一致,从而限制灵敏度。FLIP把基于物理的仪器模型写进PyTorch,用自动微分对百万级参数做多阶段优化,先在参考星上预校准,再在科学图像上微调,以补偿这些不稳定性。在JWST/NIRCam日冕数据上,FLIP相对标准KLIP方法取得2至15倍的灵敏度优势,并在F430M波段以信噪比6.3首次探测到51 Eridani b,对应4.3微米。

  2. arXiv

    智能体要自己认出偏微分方程:RSI-PDEbench 用 1001 个案例考它,四模型平均通过率最高提升 181.9%

    从采样解数据反推偏微分方程,需要专家完成方程发现、系数估计和数值求解器配置。RSI-PDEbench 把这一流程做成 1001 个案例、42 个方程模板的基准,分无噪声、50% 高斯噪声和未见模板加偏移系数三种设定;配套的 RSI-PDE 智能体用残差筛出候选方程、用相对反馈修正系数与求解器,并以验证门保留改进。四个前沿模型上,其平均通过率相对单次运行基线提升 106.5%–181.9%,相对原生智能体框架提升 3.0%–19.6%。

  3. bioRxiv

    常规fMRI也能看到介观功能组织:f-LENNS靠合成数据训练超分辨到1毫米,跨3T与7T免重训

    f-LENNS把常规分辨率的功能磁共振幅度图像超分辨到1毫米各向同性,让介观尺度的功能组织不必依赖超高场扫描仪。模型只用域随机化的合成MRI训练,不含对抗或生成成分,因此无需重训即可用于不同场强、序列与分辨率的实验数据。在视觉皮层,超分辨后的色觉、运动与视差选择区定位比插值上采样和锐化更接近原始高分辨率采集。

  4. arXiv

    Möbius把去噪搬进语言模型:不靠运动VAE,HumanML3D生成与描述同时领先

    Möbius把运动生成中的整个去噪过程放进与运动理解共用的多模态表示空间,干净运动、带噪运动和文本一起参与共享注意力,不再依赖离散分词器或预训练运动VAE。在HumanML3D上,0.6B版本在文本到运动生成和运动描述两项任务上均优于扩散模型、语言模型及统一运动-语言基线;扩展到1.7B参数、1700小时运动数据后,各运动-语言任务进一步提升。

  5. arXiv

    攻防不再各打各的:CyberArena让智能体同场互攻互守,12个前沿模型分出高下

    CyberArena把网络安全评测从静态靶标改成多轮攻防对抗:两个智能体在隔离沙箱里同时攻击对方服务并修补自己的服务,目标每轮轮换。在40个挑战、466局比赛中,12个前沿模型里GPT-5.6 Sol与Claude Opus 5领先,而三个模型单独都能解出的30个挑战进入对抗后,第三轮捕获率分别降到52%、37%和35%。

  6. arXiv

    全身PET/CT配准不再靠像素强度:anatomix体素表征让肿瘤体积误差降到1.78%

    全身PET/CT纵向配准此前主要依赖原始像素强度或稀疏的分割标签建立对应关系,前者对跨模态外观变化不稳健,后者只能给出粗粒度身份。该工作改用anatomix三维基础模型提取的逐体素语义表征,叠加手工MIND-SSC描述子和分割标签,驱动FireANTs求解器分两阶段优化形变,并加入病灶体积保持约束。在2026 Learn2Reg PSMAReg挑战赛测试集上,该系统未在挑战训练集上训练即排名第一,MTV误差1.78%、TLG误差1.39%。

  7. arXiv

    人形机器人跑跳不再只学动作:Contact-UAN用6.5分钟行走数据补上执行器力模型

    人形策略在仿真里学会动作,却常常学不会训练中的力交互,导致力矩浪费、力跟踪不准、落地冲击难吸收。Contact-UAN保留仿真器的刚体与接触物理,只学习执行器指令通道上的残差修正,并用本体感知推断落脚姿态,使回放从与硬件一致的接触力开始。在Unitree G1上,仅用6.5分钟真实行走数据训练的一个残差模型,使跑步力矩降低20%、力跟踪误差降低43%,并支持稳定跳跃与落地。

  8. arXiv

    Titan-Llama给预训练模型外挂神经记忆:冻结主干,长文问答准确率从23.87%升到40.51%

    Titan-Llama把预训练Llama-3.2-1B-Instruct前四层改成块状注意力,并在每个KV头上外挂一个固定大小的神经记忆模块,用测试时训练把历史键值压进模块,主干参数保持冻结。在QuALITY上,相比仅用分段注意力窗口,准确率从23.87%升到40.51%;在LongHealth上从14.50%升到40.75%。评测配置下,中等上下文长度预填充快20%以上、解码快37%,稳态解码显存低24%。

  9. 核质量预测不再只是黑箱:可解释AI从数据里挖出被遗忘的Jaffe因子化,把WS4误差压到0.12 MeV以下

    核物理长期依赖唯象模型预测原子核结合能,而高精度AI模型又难以判断外推是否可信。一个仅以质子数和中子数为输入的可解释神经网络,其内部表示自发形成双螺旋几何,并在主成分分解中重现液滴模型等宏观项,还重新发现了1969年提出后长期被忽视的局域Jaffe因子化。把这一因子化作为局域修正施加到WS4模型上,结合能预测的均方根误差降到0.12 MeV以下,且修正过程不依赖黑箱。

  10. arXiv

    雅可比透镜为何偏爱慢变特征:理论把它的选择写成三个相干性因子,并在玩具模型上预测排序

    雅可比透镜(J-lens,一种把模型隐状态解码成词的可解释性工具)此前被用来寻找类似工作记忆的线性方向,但没人说清它究竟按什么标准挑方向。这项工作给出一个数学理论:透镜优先选出在层间增长、在词位置上平滑、在不同上下文中一致的方向,也就是相干性高的李雅普诺夫模式。在贝叶斯滤波器和一个两层玩具 Transformer 上,调节任务参数改变相干性,透镜选出的潜在状态排序随之按预测改变。