MIT 研究人員提出了一項總體不確定性指標，該指標比較來自不同開發者的多個 LLM 的輸出，能比現有的自我一致性(self-consistency)方法更準確地檢測出過度自信和幻覺的預測。

UC San Diego與MIT的研究人員在Science發表了一項具有里程碑意義的研究，展示了一種可擴展的方法，透過直接操控內部概念表示來引導與監控AI模型，並揭示了安全性脆弱點與能力提升。

MIT研究人員開發了用於密碼子最佳化的語言模型，提升包含曲妥珠單抗（trastuzumab）在內的蛋白質產量25%至300%，研究發表於PNAS。

麻省理工學院教授Jim Collins領導開創性研究，使用生成式人工智慧設計可程式化的抗菌劑，以針對抗藥性病原體。

麻省理工的研究人員開發了突破性的人工智慧軟體，能自動在腦幹的核磁共振影像中分割出八條不同的神經纖維束。

MIT CSAIL 推出 EnCompass 框架，使 AI 代理能回溯並優化 LLM 的輸出，在程式碼減少 82% 的情況下，準確度提升 15 至 40%。

麻省理工的工程師開發了 DiffSyn，一種基於擴散的生成式 AI 模型，在 23,000 個合成配方上訓練，可在不到一分鐘內建議製備新材料的有前景路徑，顯著加快實驗與發現的時程。

MIT 的新跨學科課程檢視人工智慧系統中的理性，將計算機科學與哲學結合，面向下一代學者。

麻省理工學院的研究人員示範了在新的資料環境中，表現最佳的機器學習模型可能會變成表現最差，揭示了醫療人工智慧及其他關鍵應用中來自虛假相關性的潛在風險。