University of Cambridge（剑桥大学）

How Should I Pick a Foundation Model for My Robot? In Favor of a Community Evaluation Framework for Social Robots

我该如何为我的机器人选择基础模型？支持社会机器人的社区评估框架

Eric Nichols, Alva Markelius, Hatice Gunes

机构 * Honda Research Institute Japan（本田研究所日本分部） ； University of Cambridge（剑桥大学） 纠错

AI总结 针对社会机器人选择基础模型的难题，本文提出三层评估漏斗范式，梳理五个评估维度的适用评估方法，呼吁社区共建评估框架。

Comments 5 pages, 1 figure, 1 table. Accepted at the FoRMA workshop (Foundation Models in the RO-MAN Age: Responsible Development for Social Robotics) at IEEE RO-MAN 2026, Kitakyushu, Japan. Workshop homepage: https://sites.google.com/cam.ac.uk/forma/

ADIAS: Automated Design of Interactive Agentic Systems

ADIAS：交互式智能体系统的自动化设计

Lekang Jiang, Bohan Tang, Stephan Goetz, Yiwen Guo

机构 * University of Cambridge（剑桥大学） ； Tencent（腾讯） 纠错

AI总结 本研究针对现有智能体设计方法的缺陷，提出以问题为中心的优化方案，构建ADIAS框架，在五个交互式基准中较最强基线平均提升25.2%，消融实验验证了关键机制的有效性。

Comments 23 pages, 7 tables, 5 figures

Beyond Structural Symmetries: Linear Mode Connectivity via Neuron Identifiability

超越结构对称性：通过神经元可辨识性实现线性模式连通性

Vincent Bürgin, Daniel Herbst, Ya-Wei Eileen Lin, Stefanie Jegelka

机构 * DeepMind, London, UK（伦敦英国深Mind公司） ； University of Cambridge（剑桥大学） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本文通过提出有效函数类理论框架并形式化神经元可辨识性，揭示了神经网络中即使结构不对称也存在大量近似等价解，并展示了神经元可辨识性如何无需先验对齐即可实现表示合并及线性低损失路径。

Comments Accepted at ICML 2026

Thinking in Scales: Accelerating Gigapixel Pathology Image Analysis via Adaptive Continuous Reasoning

尺度思考：通过自适应连续推理加速千兆像素病理图像分析

Jiusong Ge, Yingkang Zhan, Wenjie Zhao, Di Zhang, Ke Wang, Jiashuai Liu, Chunze Yang, Chengzu Li, Jian Zhang, Yuxin Dong, Ni Zhang, Qidong Liu, Mireia Crispin-Ortuzar, Huazhu Fu, Chen Li, Zeyu Gao

机构 * School of Computer Science（计算机科学学院） ； Technology, Xi’an Jiaotong University, Xi’an, China（技术学院，西安交通大学，西安，中国） ； Department of Transmedia Art, Xi’an Academy of Fine Arts, Xi’an, China（多媒体艺术系，西安美术学院，西安，中国） ； Department of Oncology, University of Cambridge, Cambridge, U.K.（肿瘤学系，剑桥大学，剑桥，英国） ； Language Technology Lab, University of Cambridge, Cambridge, U.K.（语言技术实验室，剑桥大学，剑桥，英国） ； Institute of High Performance Computing, Agency for Science, Technology（高性能计算研究所，科技研究局） 纠错

AI总结 提出PathCTM模型，通过动态尺度切换和注意力引导的区域剪枝实现高效连续推理，大幅减少计算开销并保持诊断性能。

Comments Accepted to ICML 2026