Recursively Trained Diffusion Models: Limiting Collapse Distribution and Spectral Characterization
递归训练的扩散模型：限制崩溃分布与谱特征
机构 * University of Cambridge（剑桥大学）
AI总结 研究递归训练扩散模型时的分布崩溃问题，证明即使完美学习也会因早期停止导致漂移，并收敛到唯一极限分布，该分布具有低通滤波谱特性。
高校专区
University of Cambridge（剑桥大学）
Instruct-Particulate: Scaling Feed-Forward 3D Object Articulation with Kinematic Control
Instruct-Particulate: 基于运动学控制的可扩展前馈式3D物体关节化
机构 * University of Oxford（牛津大学） ； University of Cambridge（剑桥大学） ； Nanyang Technological University（南洋理工大学）
AI总结 提出Instruct-Particulate模型，通过运动学规范（部件描述、连接性、关节类型等）指导3D网格的关节分割和运动参数预测，利用异构数据集（15万+物体）训练，实现跨类别和AI生成网格的泛化。
Comments Project page: https://instruct-particulate.github.io/
Flood and Harvest: The Provable Necessity of Trivia for Generating Valuable Mathematics via the Lens of Language Generation in the Limit
洪流与收获：通过极限语言生成视角证明琐碎知识对于生成有价值数学的必要性
机构 * University of New South Wales（新南威尔士大学） ； University of Sydney（悉尼大学） ； University of Cambridge（剑桥大学）
AI总结 本文通过极限语言生成模型证明，在形式化数学生成中，验证器无法替代品味：覆盖未记录的有价值数学必须产生无限但渐近可忽略的琐碎语句，这是理论上的必然。
A Low-Rank Subspace Analysis of LLM Interventions
LLM干预的低秩子空间分析
机构 * University of Cambridge（剑桥大学）
AI总结 提出诊断框架，将行为建模为激活空间中的低秩子空间，发现干预一个行为会不对称地影响其他行为，效果与子空间重叠和决策子空间角度相关。
Comments Mechanistic Interpretability Workshop @ ICML 2026
Detecting undisclosed LLM-generated content in parliamentary texts
检测议会文本中未披露的LLM生成内容
机构 * Chalmers University of Technology（查尔姆斯理工大学） ； University of Cambridge（剑桥大学）
AI总结 本研究训练可解释文本分类器，检测英国和瑞典议会文本中未披露的LLM使用情况，发现自2022年起两国议会中未披露的LLM使用持续增加。
LLMs Contain Multitudes: How Deployment Context Reshapes Model-Level Preferences and Values
LLM 蕴含多重性：部署上下文如何重塑模型层面的偏好与价值观
机构 * University of Cambridge（剑桥大学） ； ALTA Institute（ALTA研究所） ； Leverhulme Centre for the Future of Intelligence（勒沃霍姆未来智能中心） ； Microsoft UK（微软英国）
AI总结 本研究通过两个成对比较范式（国家偏好排序和效用判断）发现，部署上下文（如撰写Reddit帖子或新闻文章）对LLM偏好和价值观的影响远大于提示改写和温度控制，表明模型层面的偏好是上下文依赖的。
Comments 68 pages, 54 figures, 54 tables
Riemannian Metric Matching for Scalable Geometric Modeling of Distributions
黎曼度量匹配：面向分布的可扩展几何建模
机构 * University of Cambridge（剑桥大学）
AI总结 提出黎曼度量匹配框架，通过神经网络学习数据的黎曼几何，利用carré du champ算子的条件期望形式实现样本级训练和恒定成本推理，在精度相当或更优下速度提升400倍。
Comments ICML 2026 (Oral)
Regional Climate Model Emulation with Diffusion Approaches: What is the Added Value of Generative Machine Learning?
基于扩散方法的区域气候模型模拟：生成式机器学习的附加价值是什么？
机构 * University of Cambridge（剑桥大学） ； CNRS（法国国家科学研究中心） ； Institut Pierre Simon Laplace（皮埃尔·西蒙·拉普拉斯研究所）
AI总结 本文提出ParamDiffusion，一种两阶段扩散框架，与确定性方法对比，评估生成式机器学习在区域气候模型模拟中的附加价值，发现扩散方法能高技巧地再现气候统计特征，但极端事件模拟仍有不足。
Comments Submitted to Journal of Advances in Modeling Earth Systems (JAMES)
