University of Cambridge（剑桥大学）

Di-BiLPS: Denoising induced Bidirectional Latent-PDE-Solver under Sparse Observations

Di-BiLPS：在稀疏观测下去噪诱导的双向隐空间求解器

Zhonghao Li, Chaoyu Liu, Qian Zhang

机构 * School of Science, Harbin Institute of Technology, Shenzhen, China（哈尔滨工业大学深圳校区科学学院） ； Department of Theoretical Physics（理论物理系） ； Applied Mathematics, University of Cambridge, Cambridge, United Kingdom（应用数学系，剑桥大学，英国） 纠错

AI总结 本文提出Di-BiLPS，一种在极稀疏观测下处理正向和逆向PDE问题的统一神经框架，结合变分自编码器、隐扩散模块和对比学习，提升求解效率与准确性。

Discovery of Hidden Miscalibration Regimes

发现隐藏的校准失真区域

Katarzyna Kobalczyk, Mihaela van der Schaar

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 本文提出一种无需预定义数据切片的方法，发现隐藏的校准失真区域，通过学习输入空间的校准感知表示，利用核平滑估计局部校准误差，实验证明输入依赖的校准异质性普遍存在，并支持局部置信度修正。

Teaching and Learning under Deductive Errors

在演绎错误下教学与学习

Jan Arne Telle, Brigt Håvardstun, Jose Hernandez-Orallo

机构 * Department of Informatics University of Bergen（卑尔根大学信息学院） ； University of Bergen（卑尔根大学） ； VRAIN - Universitat Politecnica de Valencia（瓦伦西亚理工大学VRAIN实验室） ； Universitat Politecnica de Valencia（瓦伦西亚理工大学） ； Leverhulme Centre for the Future of Intelligence - University of Cambridge（剑桥大学未来智能中心） 纠错

AI总结 本文研究了在存在演绎错误的教学与学习框架，分析了机器教学中如何通过PAC设定生成近似正确的假设，并探讨了计算复杂性及实验验证。

Comments 15 pages, preprint neurips

What Does LLM Refinement Actually Improve? A Systematic Study on Document-Level Literary Translation

LLM精细化实际提升了什么？对文档级文学翻译的系统研究

Shaomu Tan, Dawei Zhu, Ke Tran, Michael Denkowski, Sony Trenous, Bill Byrne, Leonardo Ribeiro, Felix Hieber

机构 * University of Amsterdam（阿姆斯特丹大学） ； University of Cambridge（剑桥大学） ； Amazon AGI（亚马逊人工智能研究院） 纠错

AI总结 本文系统研究了文档级文学翻译中LLM精细化的效果，发现文档级MT后接段级精细化能带来稳定提升，而文档级精细化效果有限。通用精细化提示优于特定错误提示和评估后精细化策略。

Events as Triggers for Behavioral Diversity in Multi-Agent Reinforcement Learning

事件作为多智能体强化学习中行为多样性的触发因素

Hannes Büchi, Manon Flageat, Eduardo Sebastián, Amanda Prorok

机构 * Department of Computer Science and Technology, University of Cambridge（计算机科学与技术系，剑桥大学） 纠错

AI总结 本文提出通过事件触发机制解耦智能体身份与行为，引入神经流形多样性与事件驱动超网络，实现动态行为适应与零样本泛化，提升多智能体协作效率。

Zatom-1: Towards a Multimodal Foundation Model for 3D Molecules and Materials

Zatom-1：迈向3D分子和材料的多模态基础模型

Alex Morehead, Miruna Cretu, Antonia Panescu, Rishabh Anand, Maurice Weiler, Tynan Perez, Samuel Blau, Steven Farrell, Wahid Bhimji, Anubhav Jain, Hrushikesh Sahasrabuddhe, Pietro Lio, Tommi Jaakkola, Rafael Gomez-Bombarelli, Rex Ying, N. Benjamin Erichson, Michael W. Mahoney

机构 * LBNL（劳伦斯伯克利国家实验室） ； ICSI（国际计算机科学研究所） ； University of Cambridge（剑桥大学） ； Yale University（耶鲁大学） ； MIT（麻省理工学院） ； UC Berkeley（加州大学伯克利分校） 纠错

AI总结 Zatom-1是一种跨领域、通用的模型架构，统一了3D分子和材料的生成与预测学习，通过多模态流匹配目标实现高效的预训练和稳定采样，提升了生成推理速度和跨领域预测性能。

Comments 38 pages, 10 figures, 15 tables. ICLR 2026 FM4Science. Code, data, and model weights are available at https://github.com/Zatom-AI/zatom

Sample-Efficient Optimisation over the Outputs of Generative Models

基于生成模型输出的高效优化

Samuel Willis, Paul Duckworth, Jack Simons, Aleksandra Kalisz, Krisztina Sinkovics, Noam Ghenassia, Shikha Surana, Henry T. Oldroyd, Alexandru I. Stere, Dragos D Margineantu, Carl Henrik Ek, Henry Moss, Erik Bodin

机构 * University of Cambridge（剑桥大学） ； Lancaster University（兰卡斯特大学） ； Karolinska Institutet（卡罗林斯卡研究院） ； Boeing Commercial Airplanes（波音商用飞机） ； Boeing AI（波音人工智能） ； InstaDeep ； Monumo 纠错

AI总结 本文提出O3方法，通过构建代理潜在空间实现对扩散和流匹配模型的高效黑盒优化，提升样本评分性能，无需额外训练。

Geometric Autoencoder Priors for Bayesian Inversion: Learn First Observe Later

用于贝叶斯反演的几何自编码器先验：先学习后观察

Arnaud Vadeboncoeur, Gregory Duthé, Mark Girolami, Eleni Chatzi

机构 * Department of Engineering University of Cambridge（工程系剑桥大学） ； Institute of Structural Engineering ETH Zürich（结构工程研究所苏黎世联邦理工学院） 纠错

AI总结 本文提出GABI框架，通过学习几何感知的生成模型作为贝叶斯反演的先验，利用ABC采样实现高效反演，适用于复杂几何问题。

On Hallucinations in Inverse Problems: Fundamental Limits and Provable Assessment Methods

关于逆问题中的幻觉：根本限制与可证明的评估方法

David Iagaru, Nina M. Gottschling, Anders C. Hansen, Josselin Garnier

机构 * Gauss Centre for Supercomputing e.V.（Gauss超级计算中心） ； John von Neumann Institute for Computing（约翰·冯·诺依曼计算研究所） ； Deutsches Zentrum für Luft und Raumfahrt（德国航空航天中心） ； Laboratory Directed Research and Development Program of Oak Ridge National Laboratory（橡树岭国家实验室定向研究与开发计划） ； UT-Battelle, LLC（UT-巴特尔公司） ； Computing and Computational Sciences, Oak Ridge National Laboratory（橡树岭国家实验室计算与计算科学部） ； DAMTP, University of Cambridge（剑桥大学DAMTP） 纠错

AI总结 本文研究了逆问题中幻觉的根本限制，提出理论框架和可计算的评估方法，通过实验验证了其在多种成像任务中的有效性。

Comments 31 pages, 11 figures; code available at https://github.com/davidiagraid/hallucinations_invpb

MMCL-Bench: Multimodal Context Learning from Visual Rules, Procedures, and Evidence

MMCL-Bench：多模态上下文学习从视觉规则、程序和证据

Yifan Chen, Fei Yin, Qingyan Bai, Zicheng Lin, Yujiu Yang

机构 * University of Cambridge（剑桥大学） ； HKUST（香港科技大学） ； Tsinghua University（清华大学） 纠错

AI总结 MMCL-Bench提出一个多模态上下文学习基准，要求模型从视觉或混合模态教学上下文中学习规则、程序和经验模式，并应用于新实例。评估发现当前系统在多模态上下文学习上仍不稳健。

Preconditioned Flow Matching

预条件流匹配

Shadab Ahamed, Eshed Gal, Md Shahriar Rahim Siddiqui, Simon Ghyselincks, Moshe Eliasof, Eldad Haber

机构 * University of British Columbia（不列颠哥伦比亚大学） ； University of Cambridge（剑桥大学） 纠错

AI总结 本文提出预条件流匹配方法，通过预处理目标分布提升流匹配的条件数，改进生成质量与稳定性。

Comments 34 pages, 16 figures, 5 tables

Compact 3D Gaussian Splatting For Dense Visual SLAM

紧凑的3D高斯散射用于密集视觉SLAM

Tianchen Deng, Chang Nie, Shuhong Liu, Wenhua Wu, Jianfei Yang, Shenghai Yuan, Jiuming Liu, Danwei Wang, Hesheng Wang

机构 * Shanghai Jiao Tong University（上海交通大学） ； Nanyang Technological University（南洋理工大学） ； The University of Tokyo（东京大学） ； Harvard University（哈佛大学） ； University of Cambridge（剑桥大学） 纠错

AI总结 本文提出紧凑的3D高斯散射SLAM系统，通过滑动窗口遮罩策略和几何代码本压缩高斯参数，提升训练和渲染速度，保持高质量场景表示。

Comments Accepted by IJCV 2026