University of Cambridge（剑桥大学）

BOAT: Navigating the Sea of In Silico Predictors for Antibody Design via Multi-Objective Bayesian Optimization

BOAT：通过多目标贝叶斯优化导航抗体设计的虚拟预测者海洋

Jackie Rao, Ferran Gonzalez Hernandez, Leon Gerard, Alexandra Gessner

机构 * MRC Biostatistics Unit, University of Cambridge（剑桥大学生物统计学单位） ； Centre for AI, Data Science and Artificial Intelligence, R&D, AstraZeneca（人工智能、数据科学和人工智能研究中心，阿斯利康研发部） 纠错

AI总结 本文提出BOAT框架，通过贝叶斯优化与遗传算法联合优化抗体多属性，解决抗体设计中的多目标优化问题，展示其在序列空间中的高效探索能力。

Comments Proceedings of the 29th International Conference on Artificial Intelligence and Statistics (AISTATS) 2026

Rethinking Image-to-3D Generation with Sparse Queries: Efficiency, Capacity, and Input-View Bias

重新思考基于稀疏查询的图像到3D生成：效率、容量和输入视角偏差

Zhiyuan Xu, Jiuming Liu, Yuxin Chen, Masayoshi Tomizuka, Chenfeng Xu, Chensheng Peng

机构 * UC Berkeley（伯克利大学） ； University of Cambridge（剑桥大学） ； UT Austin（奥斯汀大学） 纠错

AI总结 本文提出SparseGen框架，通过稀疏查询实现高效的图像到3D生成，降低输入视角偏差并提升效率。模型采用紧凑的稀疏学习3D锚点查询和解码器，减少内存和推理时间，保持多视角保真度。

Comments Code is available at https://github.com/Pixtella/SparseGen

WybeCoder: Verified Imperative Code Generation

WybeCoder：验证性 imperative 代码生成

Fabian Gloeckle, Mantas Baksys, Darius Feher, Kunhao Zheng, Amaury Hayat, Sean B. Holden, Gabriel Synnaeve, Peter O'Hearn

机构 * CERMICS, ENPC, Institut Polytechnique de Paris, CNRS（CERMICS，ENPC，巴黎理工学院，CNRS） ； Computer Lab, University of Cambridge（剑桥大学计算机实验室） ； Korea Institute for Advanced Study（韩国高级研究院） ； FAIR, Meta（FAIR，Meta） ； University College London（伦敦大学学院） 纠错

AI总结 WybeCoder 提出了一种验证性 imperative 代码生成框架，通过证明与生成同步的方式，实现代码、不变式和证明的共同进化，提升了复杂算法的验证效率。