高校专区
边缘侧多语言性：为全球南方开发语言模型
机构 * Language Technology Lab, University of Cambridge（剑桥大学语言技术实验室） ； Technion – Israel Institute of Technology（技术学院——以色列理工学院）
AI总结 针对全球南方非英语、硬件受限社区的语言模型落地难题，调研232篇相关文献，梳理多语言与边缘部署交叉领域进展，提出面向NLP生态各方的可行建议。
Comments Updated formatting and improved spacing. Project website is in https://ljvmiranda921.github.io/multilinguality-at-the-edge/
UNIVERSE：面向自动驾驶的基于灵活掩码调制模态生成的统一视频动作模型
机构 * University of Twente（特温特大学） ； Xiaomi EV（小米汽车） ； University of Cambridge（剑桥大学） ； University of Bath（巴斯大学）
AI总结 针对现有方案难以将视频建模收益迁移至轨迹生成的问题，提出单掩码调制扩散Transformer的统一模型，通过模态解耦掩码实现直接的视频监督，大幅提升跨域动作泛化与推理效率。
Comments 18 pages, 7 figures, 8 tables
迈向促进儿童福祉的个性化社交机器人：从推荐系统角度看数据需求原则
机构 * University of Cambridge（剑桥大学） ； Honda Research Institute Japan（本田日本研究院）
AI总结 研究如何为儿童福祉打造个性化社交机器人，从推荐系统角度出发，针对数据收集难题提出四个数据原则及具体指导方针。
Comments Accepted as a Late Breaking Report (LBR) at IEEE RO-MAN 2026
通过条件策略混合展示泛化失败
机构 * University of Virginia（弗吉尼亚大学） ； ETH Zurich（苏黎世联邦理工学院） ； MATS ； Meridian Visiting Researcher Program（子午访问研究员计划） ； University of Cambridge（剑桥大学）
AI总结 研究前沿语言模型训练后因环境分布变化导致泛化失败的问题。提出构建语言模型的方法，用监督微调基于条件策略混合数据集得到模型，经强化学习训练后出现可控泛化失败，还借此说明未来语言模型泛化失败的新方式。
噪声量子硬件的路由匿名性与可识别性
机构 * Centre for Quantum Information and Foundations, DAMTP, University of Cambridge（量子信息与基础研究中心，DAMTP，剑桥大学） ； Quantum Software Lab, School of Informatics, University of Edinburgh（量子软件实验室，信息学院，爱丁堡大学）
AI总结 研究噪声量子硬件中后端可识别性及隐私问题，通过引入后端可识别性博弈形式化路由匿名性，证明相关问题是假设检验问题，建立效用-匿名权衡及深度原则，并辅以实验验证。
Comments 22+30 pages, 6 figures
嵌套切片采样：适用于GPU加速推断的向量化嵌套采样
机构 * Kavli Institute for Cosmology Cambridge（剑桥卡维利宇宙研究所） ； Institute of Astronomy, University of Cambridge（剑桥大学天文研究所） ； Cavendish Laboratory and Department of Engineering, University of Cambridge（剑桥大学卡文迪许实验室和工程系）
AI总结 本文提出嵌套切片采样，一种适用于GPU的向量化嵌套采样方法，通过Hit-and-Run切片采样实现约束更新，提升高维问题的计算效率和稳定性，实验表明其在复杂多模态问题中表现优异。
Comments 58 pages, 13 figures, Accepted to Transactions on Machine Learning Research
Journal ref Transactions on Machine Learning Research, 2026
图表示学习增强的模型操纵在联邦微调大型语言模型中的应用
机构 * Centre for neXt Communications (CXC), Department of Engineering, University of Cambridge（下一代通讯中心（CXC），工程系，剑桥大学） ； Interdisciplinary Centre for Security, Reliability and Trust (SnT), University of Luxembourg（安全、可靠与信任跨学科中心（SnT），卢森堡大学） ； Telecommunication Networks group (TKN) at the School of Electrical Engineering and Computer Science, TU Berlin（电信网络组（TKN）位于电气工程与计算机科学学院，柏林技术大学） ； Center for neXt-Generation Communications (CXC), Department of Electrical and Electronics Engineering, Koç University（下一代通讯中心（CXC），电子与电气工程系，科克大学）
AI总结 本文提出AugMP策略，通过图表示学习框架和迭代操纵算法，增强对抗性更新的有效性和隐蔽性，实验表明其能显著降低全局LLM准确率。
TokSuite：衡量分词器选择对语言模型行为的影响
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； Google DeepMind（谷歌DeepMind） ； McGill University（麦吉尔大学） ； University of Cambridge（剑桥大学） ； Hugging Face
AI总结 提出TokSuite，含模型集合与基准测试，通过不同分词器的预训练模型及多语言鲁棒性基准测试，解耦分词器影响，阐明多种流行分词器优缺点。
Comments ICML 2026. 46 pages, 13 figures
现代Transformer模块中上下文与参数更新的等价性
机构 * University of Cambridge, UK（英国剑桥大学） ； Google Research（谷歌研究）
AI总结 研究将基础理论扩展到现代大语言模型多样架构，先为Gemma风格模块给出解析解，后推广结果并引入框架，证明特定条件下MLP模块可实现完美隐式权重补丁，有助于理解模型转换提示为有效权重的方式。
系统何时可从数据中发现？发现需要混沌
机构 * University of Cambridge（剑桥大学） ； IBM Research（IBM研究院） ； LMU Munich and Munich Center for Machine Learning (MCML)（慕尼黑大学及慕尼黑机器学习中心）
AI总结 研究在何种条件下能从有限观测中唯一识别系统控制方程，发现混沌对连续或解析函数空间中系统可发现性至关重要，还探讨了不同情况及对工程应用的影响，表明数据驱动发现假设需重新评估。
Comments 17 pages, 5 figures; Newly added Stability results and Experiments
持续学习的贝叶斯方法：综述
机构 * NPL, Maxwell Centre, University of Cambridge（NPL、麦克斯韦中心、剑桥大学）
AI总结 探讨持续学习问题，利用贝叶斯推理方法，避免遗忘旧知识，无需从头重训，总结其不同设置、算法分类、现状及与其他领域联系，分析挑战并展望未来研究方向。
FLASH：时态图神经网络中从历史灵活学习自适应采样
机构 * Ben-Gurion University of the Negev（本·古里安大学） ； Purdue University（普渡大学） ； University of Cambridge（剑桥大学）
AI总结 研究时态图未来链接预测汇总历史交互信号时，长历史会消耗资源，常用启发式采样静态且不适应图结构。提出FLASH可学习且图自适应的邻域选择机制，集成到TGNNs并端到端训练，实验证明性能提升。
Comments IJCAI 2026, 24 pages, 5 figures, 14 tables
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