高校专区
关注上下文：通过环境-社会解耦实现社会适配机器人动作的持续学习
机构 * Utrecht University（乌得勒支大学） ； University of Cambridge（剑桥大学）
AI总结 该研究针对社交机器人在多样上下文场景下的持续学习问题，提出EDD框架解耦环境与社会知识，缓解遗忘，性能优于现有基线，相关代码已公开。
Comments Extended version of the paper accepted at the 2026 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026)
通过多光谱成像（MSI）重建历史手稿：对比度在评估图像质量与可读性中的潜力
机构 * University of Cambridge（剑桥大学）
AI总结 该研究针对历史手稿修复质量评估难题，以公开多光谱成像数据集开展实验，发现基于对比度的图像质量指标优于通用指标，可作为手稿可读性与重建质量的客观评估工具。
Comments 8 pages main paper, 7 pages Supplementary Material
Journal ref 17th IAPR International Workshop on Document Analysis Systems at 20th International Conference on Document Analysis and Recognition (ICDAR), Vienna 2026
基于随机游走首次返回时间分布的嵌入网络
机构 * The Mathematical Institute, University of Oxford（牛津大学数学研究所） ； Department of Engineering, University of Cambridge（剑桥大学工程系）
AI总结 本文提出基于随机游走首次返回时间分布的节点嵌入方法，通过数学原理和实验验证，展示了其在复杂网络分析中的有效性。
地球观测嵌入是概率性天气降尺度的有效亚网格描述符
机构 * University of Cambridge（剑桥大学）
AI总结 该研究提出用TESSERA嵌入增强卷积条件神经过程，用于概率性天气降尺度，在五个气候区提升了2米温度和10米风速的降尺度技能，且对不同变量和新站点均有效。
Comments 39 pages, 12 figures, 6 tables
具身融合智能体：以人为中心的智能体人工智能新范式
机构 * Université de Montréal（蒙特利尔大学） ； Mila – Quebec Artificial Intelligence Institute（米拉-魁北克人工智能研究所） ； Institute of Advanced Intelligence and Computing (IAIC), A*STAR（新加坡科技研究局高级智能与计算研究所） ； Nanjing Medical University（南京医科大学） ； Nanjing University（南京大学） ； Renmin University of China（中国人民大学） ； University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） ； Tsinghua University（清华大学） ； National University of Singapore（新加坡国立大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Southern University of Science and Technology（南方科技大学） ； Southeast University（东南大学） ； University of Glasgow（格拉斯哥大学） ； Nanyang Technological University（南洋理工大学）
AI总结 该研究提出以人为中心的 Combodied Agents 新范式，整合多类智能体能力形成闭环，聚焦人类状态轨迹建模，推动智能体 AI 从任务完成转向人类持续福祉。
Comments 38 pages, 6 figures, 10 tables
带有可学习线性变换的核学习的变分分析
机构 * Cambridge University, Department of Pure Mathematics and Mathematical Statistics（剑桥大学数学系） ； Northwestern University, Department of Statistics and Data Science（西北大学统计与数据科学系）
AI总结 本文对引入可学习线性变换 $U$ 的核岭回归推广问题进行变分分析，研究其数学性质，重点关注多尺度与多指标数据场景下变换 $U$ 的作用。
Comments 68 pages, revised version
分子通信中约束信道编码的掩码神经检测
机构 * Centre for neXt Communications (CXC), Department of Engineering, University of Cambridge（下一代通讯中心（CXC）、工程系、剑桥大学） ； Centre for neXt Communications (CXC), Department of Electrical and Electronics Engineering, Koç University（下一代通讯中心（CXC）、电子与电气工程系、科克大学）
AI总结 针对分子通信中的扩散记忆问题，提出掩码神经检测器，结合RLIM约束码与SBRNN，在多数情况下优于未编码检测，平均增益达10.36倍，并设计RLIM定制训练掩码进一步提升性能。
Comments 5 pages, 2 figures, 3 tables
论智能体工具调用与强化学习训练的有效性与效率
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Cambridge（剑桥大学） ； University of Toronto（多伦多大学）
AI总结 本文系统分析工具调用评估中的实现选择对结果敏感性的影响，并针对强化学习训练中的计算浪费提出两种加速技术。
Comments ICML 2026
Astrolabe：基于随机预测引导调度的大语言模型服务负载均衡
机构 * University of Cambridge（剑桥大学）
AI总结 本文提出Astrolabe，一种用于LLM服务的随机预测引导调度器，结合响应长度估计等策略实现负载均衡，在多组基准测试中提升SLO容量、降低延迟并减少资源开销。
Comments 16 pages. Accepted at SYSTOR 2026. Camera-ready version with expanded evaluation and revisions. Previously circulated as "Block"; renamed "Astrolabe" to match the SYSTOR publication title
可持续扩展的脑MRI基础模型
机构 * University of Cambridge（剑桥大学） ； University of Málaga（马拉加大学）
AI总结 本文提出可扩展的Alcmaeon脑MRI基础模型，结合体积编码、潜在扩散生成与Graph-Blueprint Pruning，在跨临床领域扩展时遗忘程度更低，可支持多种任务，为持续发展的脑MRI基础模型提供了可行方向。
表征初始人机交互的证明形式化工作流
机构 * Massachusetts Institute of Technology（麻省理工学院） ； University of Cambridge（剑桥大学） ； Princeton University（普林斯顿大学） ； University of Oxford（牛津大学） ； Caltech（加州理工学院） ； Carnegie Mellon University（卡内基梅隆大学） ； Universitat Politècnica de València（瓦伦西亚理工大学） ； New York University（纽约大学）
AI总结 通过混合方法分析，研究人们在形式化证明过程中对AI工具的需求、障碍及实际使用模式，发现AI辅助能提高形式化准确率且用户偏好多样但普遍希望保持人类对证明发现过程的高层控制。
Comments Updated working paper
检索增强防御：针对大语言模型的自适应且可控制的越狱防范
机构 * Department of Engineering University of Cambridge（工程系剑桥大学）
AI总结 针对大语言模型越狱攻击的挑战，提出检索增强防御（RAD）框架，在StrongREJECT数据集上验证其可降低强力越狱攻击有效性，同时平衡安全性与实用性。
LF²AR：考虑分层动态以改进语言模型的多模态适配
机构 * Université de Toulon, Aix-Marseille Université, CNRS, LIS, France（法国图卢兹大学、马赛大学、CNRS、LIS） ； Department of Engineering, University of Cambridge, UK（剑桥大学工程系） ； Mitsubishi Electric Research Laboratories (MERL), Cambridge, MA, USA（三菱电机研究实验室（MERL）） ； LIA, Avignon Université, France（法国阿维尼翁大学LIA） ； LIUM, Le Mans Université, France（法国勒芒大学LIUM） ； Zenidoc, Marseille, France（法国马赛Zenidoc）
AI总结 本研究提出LF²AR架构，通过分层抽象-细化动态设计适配机制，在文本转图像、语音模态上提升语言模型性能，支持1.9倍生成加速。
Comments Published as a conference paper at COLM 2026
我该如何为我的机器人选择基础模型？支持社会机器人的社区评估框架
机构 * Honda Research Institute Japan（本田研究所日本分部） ； University of Cambridge（剑桥大学）
AI总结 针对社会机器人选择基础模型的难题，本文提出三层评估漏斗范式，梳理五个评估维度的适用评估方法，呼吁社区共建评估框架。
Comments 5 pages, 1 figure, 1 table. Accepted at the FoRMA workshop (Foundation Models in the RO-MAN Age: Responsible Development for Social Robotics) at IEEE RO-MAN 2026, Kitakyushu, Japan. Workshop homepage: https://sites.google.com/cam.ac.uk/forma/
ADIAS：交互式智能体系统的自动化设计
机构 * University of Cambridge（剑桥大学） ； Tencent（腾讯）
AI总结 本研究针对现有智能体设计方法的缺陷，提出以问题为中心的优化方案，构建ADIAS框架，在五个交互式基准中较最强基线平均提升25.2%，消融实验验证了关键机制的有效性。
Comments 23 pages, 7 tables, 5 figures
超越结构对称性：通过神经元可辨识性实现线性模式连通性
机构 * DeepMind, London, UK（伦敦英国深Mind公司） ； University of Cambridge（剑桥大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本文通过提出有效函数类理论框架并形式化神经元可辨识性，揭示了神经网络中即使结构不对称也存在大量近似等价解，并展示了神经元可辨识性如何无需先验对齐即可实现表示合并及线性低损失路径。
Comments Accepted at ICML 2026
尺度思考：通过自适应连续推理加速千兆像素病理图像分析
机构 * School of Computer Science（计算机科学学院） ； Technology, Xi’an Jiaotong University, Xi’an, China（技术学院，西安交通大学，西安，中国） ； Department of Transmedia Art, Xi’an Academy of Fine Arts, Xi’an, China（多媒体艺术系，西安美术学院，西安，中国） ； Department of Oncology, University of Cambridge, Cambridge, U.K.（肿瘤学系，剑桥大学，剑桥，英国） ； Language Technology Lab, University of Cambridge, Cambridge, U.K.（语言技术实验室，剑桥大学，剑桥，英国） ； Institute of High Performance Computing, Agency for Science, Technology（高性能计算研究所，科技研究局）
AI总结 提出PathCTM模型，通过动态尺度切换和注意力引导的区域剪枝实现高效连续推理，大幅减少计算开销并保持诊断性能。
Comments Accepted to ICML 2026
BendTwin：基于弯曲感知可微分弹簧-质量模型的鲁棒密到稀物理重建
机构 * University of Cambridge（剑桥大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Northwestern Polytechnical University（西北工业大学） ； The Hong Kong Polytechnic University（香港理工大学）
AI总结 BendTwin是一种弯曲感知可微分弹簧-质量框架，通过引入弯曲约束提升力学稳定性，在可变形物体重建与预测任务中优于仅用轴向弹簧的PhysTwin，可用于从稀疏视角RGB-D视频构建力学保真数字孪生。
MameLoshnLM：意第绪语语言模型与评估基准
机构 * Bar-Ilan University（巴伊兰大学） ； University of Cambridge（剑桥大学） ； University of Washington（华盛顿大学） ； Allen Institute for AI（艾伦人工智能研究所）
AI总结 该研究推出首个专为意第绪语构建的开源8B参数语言模型MameLoshnLM，通过自研语料库与基准优化Llama 3.1 8B，其表现优于同规模开源基线，为意第绪语NLP及低资源语言模型开发提供了基础与模板。
Comments Accepted at the Conference on Language Modeling (COLM) 2026
TESSERA v2：扩展逐像素地球基础模型
机构 * University of Cambridge（剑桥大学） ； NVIDIA（英伟达） ； dClimate Labs（dClimate实验室）
AI总结 研究逐像素地球观测基础模型的扩展及预训练预算分配，通过大规模实验发现预训练损失难预测下游性能，给出计算分配规则，训练并蒸馏模型，其成果优于其他模型。
技能新词：迈向基于技能的持续学习
机构 * University of Cambridge（剑桥大学）
AI总结 本文提出了一种基于技能的新词（skill neologisms）方法，通过在模型词汇中集成软token，以提高模型在特定技能上的能力，同时支持零样本组合其他技能，从而实现可扩展的基于技能的持续学习。
基于等变谱子流形的物理信息降阶建模
机构 * University of Cambridge（剑桥大学）
AI总结 本研究提出等变谱子流形（eSSM）降阶算法，利用全阶模型对称性提升计算速度与模型鲁棒性，在基准问题上验证了其相比传统SSM降阶的优势。
HiResNets：使用中央凹残差流的原生全高清视频识别
机构 * University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） ； VGG（视觉几何组）
AI总结 该研究提出HiResNets，利用中央凹残差流消除残差流分辨率的二次依赖，实现快速处理高分辨率视频，在以自我为中心的视频识别任务中性能更优。
信号驱动观测：面向长程任务的Web智能体
机构 * University of Cambridge（剑桥大学）
AI总结 提出信号驱动观测（SDO）方法，通过专用子调用读取完整DOM但仅返回任务相关元素，并由轻量信号检测器触发重新调用，解决长程Web智能体中上下文退化问题。
Comments 10 pages, 1 figure. Accepted to the Failure Modes in Agentic AI (FAGEN) Workshop at ICML 2026
哈达玛流形上的1-利普希茨神经网络
机构 * Department of Applied Mathematics and Theoretical Physics, University of Cambridge（应用数学与理论物理系，剑桥大学） ； Department of Mathematical Sciences, Norwegian University of Science and Technology (NTNU)（数学科学系，挪威科学技术大学（NTNU）） ； Department of Mathematics, Simon Fraser University（数学系，西蒙·弗雷泽大学）
AI总结 研究在哈达玛流形上构建1-利普希茨神经网络，利用布泽曼函数设计保形层，通过双曲流形和对称正定矩阵流形的显式构造与示例，经两个数值实验测试，提升了网络在双曲扰动下的鲁棒性及去噪器效果与收敛性。
快速思考：估计前沿AI模型的无思维链任务完成时间范围
机构 * Redwood Research（红木研究） ； Astra Fellows Program（Astra 后援计划） ； Aether Research（Aether 研究） ； MATS Research（MATS 研究） ； Polytechnic University of Catalonia（加泰罗尼亚理工大学） ； Imperial College London（伦敦帝国理工学院） ； University of Cambridge（剑桥大学） ； University of Chicago（芝加哥大学） ； Durham University（杜伦大学） ； MIT（麻省理工学院） ； University of Oxford（牛津大学） ； University of Glasgow（格拉斯哥大学） ； Constellation（星座）
AI总结 本研究通过超过3万个问题测试前沿AI模型在无思维链推理下的表现，估计其50%任务完成时间范围，发现该时间每约两年翻一番，GPT-5.5已达3分钟以上。
基于深度学习的帕金森步态地面反作用力估计：使用优化的IMU数据集
机构 * University of Exeter（埃克塞特大学） ； École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院） ； University of Cambridge（剑桥大学） ； University of Exeter Medical School（埃克塞特大学医学院） ； NIHR Exeter BRC（英国国立卫生研究院埃克塞特生物医学研究中心）
AI总结 本研究首次提出混合CNN-BiLSTM深度学习框架，用优化的IMU数据集估计帕金森患者垂直地面反作用力，仅需2个IMU即可实现稳健估计，为相关可穿戴系统提供实用方案。
Comments 13 pages, 5 figures, 6 tables. Published in IEEE Transactions on Neural Systems and Rehabilitation Engineering
Journal ref IEEE Transactions on Neural Systems and Rehabilitation Engineering, vol. 34, pp. 2729-2740, 2026
CultureVidBench：文本到视频生成中的文化理解基准测试
机构 * Nanyang Technological University（南洋理工大学） ； Centrale Supélec（中央高等电力学院） ； Singapore Management University（新加坡管理大学） ； University of Cambridge（剑桥大学）
AI总结 本研究推出CultureVidBench基准，评估7款T2V模型的文化理解能力，发现现有模型难捕捉细粒度文化细节，尤其针对代表性不足的文化区域与线索。
Comments Project page:https://hanxjing.github.io/CultureVidBench/
从图像块到证据球：面向小样本全切片图像分类的类别条件证据检索
机构 * XJTU（西安交通大学） ； JUFE（江西财经大学） ； University of Cambridge（剑桥大学） ； NUS（新加坡国立大学）
AI总结 该研究针对小样本全切片图像分类任务，提出类别条件证据检索框架EviBall，通过组织证据球并结合任务特定类别查询，提升分类性能与可解释性，在四项相关任务上优于现有基线方法。
DeliChess: 一个用于国际象棋谜题求解中深思熟虑的多方对话数据集
机构 * University of Cambridge（剑桥大学） ； University of Sheffield（谢菲尔德大学）
AI总结 提出DeliChess数据集，包含多方协作解决国际象棋谜题的对话，通过讨论显著提升群体准确性，并分析探询性话语的作用。
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