University of Cambridge（剑桥大学）

A Decision-Theoretic Formalisation of Steganography With Applications to LLM Monitoring

基于决策理论的隐写术形式化及其在大语言模型监控中的应用

Usman Anwar, Julianna Piskorz, David D. Baek, David Africa, Jim Weatherall, Max Tegmark, Christian Schroeder de Witt, Mihaela van der Schaar, David Krueger

机构 * University of Cambridge（剑桥大学） ； Massachusetts Institute of Technology（麻省理工学院） ； UK AI Safety Institute（英国人工智能安全研究所） ； University of Oxford（牛津大学） ； Mila, University of Montreal（蒙特利尔大学米尔人工智能实验室） 纠错

AI总结 本文提出决策理论视角下的隐写术形式化方法，通过通用V-信息量定义隐写差距，用于检测和缓解大语言模型中的隐写推理行为。

Comments First two authors contributed equally

Fundamental Physics, Existential Risks and Human Futures

基础物理、存在风险与人类未来

Adrian Kent

机构 * Centre for Quantum Information and Foundations, DAMTP, University of Cambridge, Wilberforce Road, Cambridge, CB3 0WA, United Kingdom（量子信息与基础研究中心，戴森数学物理系，剑桥大学，威尔伯福路，剑桥，CB3 0WA，英国） ； Perimeter Institute for Theoretical Physics, 31 Caroline Street N, Waterloo, ON N2L 2Y5, Canada（周边理论物理研究所，31卡罗琳街N，水坝，ON N2L 2Y5，加拿大） 纠错

AI总结 作者探讨了基础物理、量子现实问题及意识与物理定律的关系，提出可能发现超越量子理论的新物理规律，对信息处理和人工智能未来有深远影响。

Comments Invited article for Phil. Trans. Roy. Soc. for the 25th anniversary of their millennium volume

Journal ref Philos Trans A Math Phys Eng Sci (2025) 383 (2296): 20230376

Quantamination: Dynamic Quantization Leaks Your Data Across the Batch

量化污染：动态量化在批次中泄露你的数据

Hanna Foerster, Ilia Shumailov, Cheng Zhang, Yiren Zhao, Jamie Hayes, Robert Mullins

机构 * University of Cambridge（剑桥大学） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 本文揭示动态量化中存在关键漏洞，攻击者可通过量化策略窃取同一批数据中的敏感信息，主要贡献是发现4种主流框架存在数据泄露风险。

Comments 11 pages, 4 figures, 4 tables

EnerGS: Energy-Based Gaussian Splatting with Partial Geometric Priors

EnerGS: 基于部分几何先验的能量场能量基于高斯点散射

Rui Song, Tianhui Cai, Markus Gross, Yun Zhang, Walter Zimmer, Zhiyu Huang, Olaf Wysocki, Jiaqi Ma

机构 * University of California, Los Angeles, California, USA（加州大学洛杉矶分校） ； University of Cambridge, Cambridge, UK（剑桥大学） ； Technical University of Munich, Munich, Germany（慕尼黑技术大学） 纠错

AI总结 EnerGS通过建模部分可观测几何为连续能量场，提升大规模户外场景中高斯点散射的光度质量和几何稳定性，同时缓解过拟合问题。

A Virtual Mechanical Interaction Layer Enables Resilient Human-to-Robot Object Handovers

虚拟机械交互层实现人机物体传递的鲁棒性

Omar Faris, Sławomir Tadeja, Fulvio Forni

机构 * Department of Engineering, University of Cambridge（剑桥大学工程系） ； Department of Mechanical Engineering, Massachusetts Institute of Technology（麻省理工学院机械工程系） 纠错

AI总结 本文提出虚拟模型控制层和增强现实技术，提升人机物体传递过程中对物体姿态变化的适应能力，并通过实验验证了其在复杂不确定性下的鲁棒性。

Comments Accepted for publication in IEEE Robotics and Automation Letters (RA-L)