University of Cambridge（剑桥大学）

Multilinguality at the Edge: Developing Language Models for the Global South

边缘侧多语言性：为全球南方开发语言模型

Lester James V. Miranda, Songbo Hu, Roi Reichart, Anna Korhonen

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） 纠错

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/

Graph Representation Learning Augmented Model Manipulation on Federated Fine-Tuning of LLMs

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

Hanlin Cai, Kai Li, Houtianfu Wang, Haofan Dong, Yichen Li, Falko Dressler, Ozgur B. Akan

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） 纠错

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: Measuring the Impact of Tokenizer Choice on Language Model Behavior

TokSuite：衡量分词器选择对语言模型行为的影响

Gül Sena Altıntaş, Malikeh Ehghaghi, Brian Lester, Fengyuan Liu, Wanru Zhao, Marco Ciccone, Colin Raffel

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 纠错

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

Equivalence of Context and Parameter Updates in Modern Transformer Blocks

现代Transformer模块中上下文与参数更新的等价性

Adrian Goldwaser, Michael Munn, Javier Gonzalvo, Benoit Dherin

机构 * University of Cambridge, UK（英国剑桥大学） ； Google Research（谷歌研究） 纠错

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。

When is a System Discoverable from Data? Discovery Requires Chaos

系统何时可从数据中发现？发现需要混沌

Zakhar Shumaylov, Peter Zaika, Philipp Scholl, Gitta Kutyniok, Lior Horesh, Carola-Bibiane Schönlieb

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） 纠错

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

The Bayesian Approach to Continual Learning: An Overview

持续学习的贝叶斯方法：综述

Tameem Adel

机构 * NPL, Maxwell Centre, University of Cambridge（NPL、麦克斯韦中心、剑桥大学） 纠错

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: Flexible Learning of Adaptive Sampling from History in Temporal Graph Neural Networks

FLASH：时态图神经网络中从历史灵活学习自适应采样

Or Feldman, Krishna Sri Ipsit Mantri, Carola-Bibiane Schönlieb, Chaim Baskin, Moshe Eliasof

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） 纠错

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