高校专区
FFR：前向-前向学习用于回归
机构 * University of Bristol（布里斯托大学） ； University College London（伦敦大学学院） ； University of Cambridge（剑桥大学）
AI总结 提出FFR框架，通过序数竞争 goodness 函数、分层阶梯架构和层次化预测将前向-前向算法扩展到回归任务，在多个数据集上恢复BP 98.6%的精度并显著降低内存和时间开销。
AI代理实现自适应计算机蠕虫
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； University of Cambridge（剑桥大学） ； ServiceNow
AI总结 本研究展示了AI代理能够生成针对每个目标的定制攻击策略，利用被感染机器上的大语言模型自我维持并传播，形成自持的AI驱动网络威胁。
通过幻觉拒绝采样构建可靠的长文本生成
机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of California, Berkeley（加州大学伯克利分校） ； University of Cambridge（剑桥大学） ； DeepMind（深度思维）
AI总结 提出分段幻觉拒绝采样框架SHARS，利用任意幻觉检测器在生成过程中拒绝并重采样幻觉片段，以缓解长文本生成中的幻觉累积问题，提升事实一致性。
Comments accepted by ICML 2026
从提示到服务：基于SLM的AI驱动虚拟世界代理编排网关
机构 * University of Cambridge（剑桥大学）
AI总结 本文提出一种基于小语言模型的代理编排网关，通过意图驱动的服务路由解耦虚拟世界客户端与异构AI后端，并在虚拟博物馆测试床中验证了其可行性和效率。
唯我论超级智能不太可能合作
机构 * DeepMind（深度Mind） ； University of Cambridge（剑桥大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本文指出，基于唯我论方法设计的超级智能（极端能力的任务求解器）因忽视部署引发的内生非平稳性而难以合作，呼吁将相互依存作为核心设计原则的非唯我论研究范式。
Comments 24 pages, 1 figure, Accepted at Proceedings of the 43rd International Conference on Machine Learning, 2026
GFFMERGE: 图神经力场的高效合并及其扩展
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； University of Cambridge（剑桥大学）
AI总结 提出GFFMERGE框架，通过凸嵌入对齐问题解析解实现图神经网络的闭式模型合并，在力场回归任务中恢复接近联合训练的性能，并实现5-27倍加速。
聊天机器人输出有意义（但有问题）的语言
机构 * University of Parma（帕尔马大学） ； University of Cambridge（剑桥大学） ； University of Pittsburgh（匹兹堡大学） ； Franklin and Marshall College（弗兰克林与马歇尔学院）
AI总结 本文论证大型语言模型（LLM）的输出是有意义的，但无需假设其具有心理状态或意图，并探讨了这一观点对语言理论和AI伦理的影响。
Comments 49 pages
QUIVER: 用于大型机器学习模型中增强表示的量子信息视角
机构 * University of California, Berkeley（加州大学伯克利分校） ； ETH Zurich（苏黎世联邦理工学院） ； University of Cambridge（剑桥大学）
AI总结 提出QUIVER框架，通过变分量子电路提取量子Fisher信息矩阵作为几何特征，与经典特征融合以提升大型机器学习模型性能，并在QM9和JetClass数据集上验证了有效性。
Comments 9 pages, 1 figure and 2 tables. Accepted as a poster at the AI4Physics Workshop, ICML 2026 (Seoul, South Korea)
多样性优于频率：重新思考视觉思维链智能体中的工具使用
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 本文研究视觉思维链智能体在复杂推理任务中的工具使用，发现工具使用崩溃现象，并提出熵正则化方法通过鼓励多样化探索提升推理性能。
Comments Presented in ICML 2026
潜在拉普拉斯扩散用于不规则多元时间序列
机构 * University of Cambridge（剑桥大学）
AI总结 提出潜在拉普拉斯扩散（LLapDiff）生成框架，通过低维潜在轨迹和拉普拉斯域参数化实现不规则时间序列的长时预测与缺失值插补。
Comments Accepted as a Spotlight at ICML 2026. The Version of Record will appear in Proceedings of Machine Learning Research (PMLR). 27 pages, 5 figures. Code: https://github.com/pixelhero98/LLapDiffusion
交给专家：通过稀疏性演化进行稀疏微调修复稀疏大语言模型
机构 * Eindhoven University of Technology（埃因霍温理工大学） ； University of Cambridge（剑桥大学） ； University of Luxembourg（卢森堡大学） ； University of Twente（埃因霍温理工大学） ； University of Surrey（萨里大学） ； Tübingen AI Center（图宾根人工智能中心） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） ； ELLIS Institute Tübingen（图宾根ELLIS研究所）
AI总结 提出稀疏演化微调（SEFT）框架，通过周期性重分配稀疏任务特定更新和重新激活有益剪枝权重，在保持稀疏性效率优势的同时实现稀疏大语言模型的有效下游任务适配。
基于深度感知融合与有限训练数据的高效分割一切
机构 * University of Cambridge（剑桥大学）
AI总结 提出一种轻量级RGB-D融合框架，通过单目深度先验增强EfficientViT-SAM，在仅使用11.2k训练样本（不到SA-1B的0.1%）的情况下，实现比EfficientViT-SAM更高的分割精度。
Journal ref ICASSP 2026 - 2026 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), pp. 1731-1735
将噪声适应于数据：来自一维过程的生成流
机构 * University of Cambridge（剑桥大学）
AI总结 提出一个通用框架，通过一维分位数函数学习数据自适应的参数化先验分布（潜在噪声），利用噪声与数据之间的Wasserstein距离进行优化，以改善生成流模型对重尾等分布的学习能力。
Comments ICML 2026
用于决策时规划的拉普拉斯表示
机构 * University of Cambridge（剑桥大学）
AI总结 本文提出利用拉普拉斯表示作为决策时规划的潜在空间，通过多时间尺度捕捉状态空间距离，并基于此设计层次规划算法ALPS，在离线目标条件强化学习任务中优于常用基线。
Comments Accepted at ICML 2026
Journal ref Proceedings of the 43rd International Conference on Machine Learning (ICML 2026)
分布校准的推理时间计算用于思考型LLM作为评判者
机构 * University of California, Berkeley（加州大学伯克利分校） ； DeepMind（深Mind） ； University of Cambridge（剑桥大学）
AI总结 针对思考型大语言模型作为评判者时单样本噪声和聚合不一致问题，提出基于Bradley-Terry-Davidson模型的分布校准聚合方案，利用极性（非平局边际）和决定性（非平局率）区分微弱多数与强共识，显著降低MAE并提高成对准确率，匹配或超越人类评判者。
基于概率电路的快速且富有表现力的多字节预测
机构 * University of Cambridge（剑桥大学）
AI总结 提出MTPC框架，利用概率电路编码未来令牌的联合分布，在字节级LLM中实现快速生成，同时保持表现力。
ParliaBench: 面向大语言模型生成的议会演讲的评估与基准框架
机构 * University of Cambridge（剑桥大学）
AI总结 提出ParliaBench基准框架，通过构建英国议会数据集、结合计算指标与LLM评判的评估方法以及两种新型嵌入指标（政治光谱对齐和政党对齐），系统评估LLM生成议会演讲的语言质量、语义连贯性和政治真实性，实验表明微调显著提升多数指标且新指标对政治维度具有强区分力。
Journal ref Proceedings of the Fifteenth Language Resources and Evaluation Conference (LREC 2026), pp. 4797-4818, European Language Resources Association (ELRA), Palma, Mallorca, Spain, May 2026
基于潜在扩散模型的可扩展单细胞基因表达生成
机构 * University of Cambridge（剑桥大学）
AI总结 提出scLDM，一种结合变分自编码器和潜在扩散模型的可扩展生成方法，通过置换不变/等变架构和扩散Transformer实现高质量单细胞基因表达生成。
Comments Accepted to ICML 2026, Github: https://github.com/czi-ai/scldm/
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