高校专区
基于随机游走首次返回时间分布的嵌入网络
机构 * The Mathematical Institute, University of Oxford（牛津大学数学研究所） ； Department of Engineering, University of Cambridge（剑桥大学工程系）
AI总结 本文提出基于随机游走首次返回时间分布的节点嵌入方法，通过数学原理和实验验证，展示了其在复杂网络分析中的有效性。
具身融合智能体：以人为中心的智能体人工智能新范式
机构 * Université de Montréal（蒙特利尔大学） ； Mila – Quebec Artificial Intelligence Institute（米拉-魁北克人工智能研究所） ； Institute of Advanced Intelligence and Computing (IAIC), A*STAR（新加坡科技研究局高级智能与计算研究所） ； Nanjing Medical University（南京医科大学） ； Nanjing University（南京大学） ； Renmin University of China（中国人民大学） ； University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） ； Tsinghua University（清华大学） ； National University of Singapore（新加坡国立大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Southern University of Science and Technology（南方科技大学） ； Southeast University（东南大学） ； University of Glasgow（格拉斯哥大学） ； Nanyang Technological University（南洋理工大学）
AI总结 该研究提出以人为中心的 Combodied Agents 新范式，整合多类智能体能力形成闭环，聚焦人类状态轨迹建模，推动智能体 AI 从任务完成转向人类持续福祉。
Comments 38 pages, 6 figures, 10 tables
带有可学习线性变换的核学习的变分分析
机构 * Cambridge University, Department of Pure Mathematics and Mathematical Statistics（剑桥大学数学系） ； Northwestern University, Department of Statistics and Data Science（西北大学统计与数据科学系）
AI总结 本文对引入可学习线性变换 $U$ 的核岭回归推广问题进行变分分析，研究其数学性质，重点关注多尺度与多指标数据场景下变换 $U$ 的作用。
Comments 68 pages, revised version
分子通信中约束信道编码的掩码神经检测
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） ； Centre for neXt 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 针对分子通信中的扩散记忆问题，提出掩码神经检测器，结合RLIM约束码与SBRNN，在多数情况下优于未编码检测，平均增益达10.36倍，并设计RLIM定制训练掩码进一步提升性能。
Comments 5 pages, 2 figures, 3 tables
论智能体工具调用与强化学习训练的有效性与效率
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 本文系统分析工具调用评估中的实现选择对结果敏感性的影响，并针对强化学习训练中的计算浪费提出两种加速技术。
Comments ICML 2026
Astrolabe：基于随机预测引导调度的大语言模型服务负载均衡
机构 * University of Cambridge（剑桥大学）
AI总结 本文提出Astrolabe，一种用于LLM服务的随机预测引导调度器，结合响应长度估计等策略实现负载均衡，在多组基准测试中提升SLO容量、降低延迟并减少资源开销。
Comments 16 pages. Accepted at SYSTOR 2026. Camera-ready version with expanded evaluation and revisions. Previously circulated as "Block"; renamed "Astrolabe" to match the SYSTOR publication title
表征初始人机交互的证明形式化工作流
机构 * Massachusetts Institute of Technology（麻省理工学院） ； University of Cambridge（剑桥大学） ； Princeton University（普林斯顿大学） ； University of Oxford（牛津大学） ； Caltech（加州理工学院） ； Carnegie Mellon University（卡内基梅隆大学） ； Universitat Politècnica de València（瓦伦西亚理工大学） ； New York University（纽约大学）
AI总结 通过混合方法分析，研究人们在形式化证明过程中对AI工具的需求、障碍及实际使用模式，发现AI辅助能提高形式化准确率且用户偏好多样但普遍希望保持人类对证明发现过程的高层控制。
Comments Updated working paper
检索增强防御：针对大语言模型的自适应且可控制的越狱防范
机构 * Department of Engineering University of Cambridge（工程系剑桥大学）
AI总结 针对大语言模型越狱攻击的挑战，提出检索增强防御（RAD）框架，在StrongREJECT数据集上验证其可降低强力越狱攻击有效性，同时平衡安全性与实用性。
LF²AR：考虑分层动态以改进语言模型的多模态适配
机构 * Université de Toulon, Aix-Marseille Université, CNRS, LIS, France（法国图卢兹大学、马赛大学、CNRS、LIS） ； Department of Engineering, University of Cambridge, UK（剑桥大学工程系） ； Mitsubishi Electric Research Laboratories (MERL), Cambridge, MA, USA（三菱电机研究实验室（MERL）） ； LIA, Avignon Université, France（法国阿维尼翁大学LIA） ； LIUM, Le Mans Université, France（法国勒芒大学LIUM） ； Zenidoc, Marseille, France（法国马赛Zenidoc）
AI总结 本研究提出LF²AR架构，通过分层抽象-细化动态设计适配机制，在文本转图像、语音模态上提升语言模型性能，支持1.9倍生成加速。
Comments Published as a conference paper at COLM 2026
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
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）
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
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
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）
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
TESSERA v2：扩展逐像素地球基础模型
机构 * University of Cambridge（剑桥大学） ； NVIDIA（英伟达） ； dClimate Labs（dClimate实验室）
AI总结 研究逐像素地球观测基础模型的扩展及预训练预算分配，通过大规模实验发现预训练损失难预测下游性能，给出计算分配规则，训练并蒸馏模型，其成果优于其他模型。
技能新词：迈向基于技能的持续学习
机构 * University of Cambridge（剑桥大学）
AI总结 本文提出了一种基于技能的新词（skill neologisms）方法，通过在模型词汇中集成软token，以提高模型在特定技能上的能力，同时支持零样本组合其他技能，从而实现可扩展的基于技能的持续学习。
HiResNets：使用中央凹残差流的原生全高清视频识别
机构 * University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） ； VGG（视觉几何组）
AI总结 该研究提出HiResNets，利用中央凹残差流消除残差流分辨率的二次依赖，实现快速处理高分辨率视频，在以自我为中心的视频识别任务中性能更优。
信号驱动观测：面向长程任务的Web智能体
机构 * University of Cambridge（剑桥大学）
AI总结 提出信号驱动观测（SDO）方法，通过专用子调用读取完整DOM但仅返回任务相关元素，并由轻量信号检测器触发重新调用，解决长程Web智能体中上下文退化问题。
Comments 10 pages, 1 figure. Accepted to the Failure Modes in Agentic AI (FAGEN) Workshop at ICML 2026
哈达玛流形上的1-利普希茨神经网络
机构 * Department of Applied Mathematics and Theoretical Physics, University of Cambridge（应用数学与理论物理系，剑桥大学） ； Department of Mathematical Sciences, Norwegian University of Science and Technology (NTNU)（数学科学系，挪威科学技术大学（NTNU）） ； Department of Mathematics, Simon Fraser University（数学系，西蒙·弗雷泽大学）
AI总结 研究在哈达玛流形上构建1-利普希茨神经网络，利用布泽曼函数设计保形层，通过双曲流形和对称正定矩阵流形的显式构造与示例，经两个数值实验测试，提升了网络在双曲扰动下的鲁棒性及去噪器效果与收敛性。
快速思考：估计前沿AI模型的无思维链任务完成时间范围
机构 * Redwood Research（红木研究） ； Astra Fellows Program（Astra 后援计划） ； Aether Research（Aether 研究） ； MATS Research（MATS 研究） ； Polytechnic University of Catalonia（加泰罗尼亚理工大学） ； Imperial College London（伦敦帝国理工学院） ； University of Cambridge（剑桥大学） ； University of Chicago（芝加哥大学） ； Durham University（杜伦大学） ； MIT（麻省理工学院） ； University of Oxford（牛津大学） ； University of Glasgow（格拉斯哥大学） ； Constellation（星座）
AI总结 本研究通过超过3万个问题测试前沿AI模型在无思维链推理下的表现，估计其50%任务完成时间范围，发现该时间每约两年翻一番，GPT-5.5已达3分钟以上。
DeliChess: 一个用于国际象棋谜题求解中深思熟虑的多方对话数据集
机构 * University of Cambridge（剑桥大学） ； University of Sheffield（谢菲尔德大学）
AI总结 提出DeliChess数据集，包含多方协作解决国际象棋谜题的对话，通过讨论显著提升群体准确性，并分析探询性话语的作用。
谱范围：理解神经缩放作为进入谱尾的进展
机构 * Institute for Computational Physics, University of Stuttgart, Stuttgart, Germany（斯图加特大学计算物理研究所） ； Department of Applied Mathematics（应用数学系） ； Department of Physics, University of Cambridge, Cambridge, UK（剑桥大学物理系）
AI总结 本文提出“谱位置”度量，通过经验神经正切核的特征值分析神经缩放定律，发现大模型通过“谱范围”进入更深的谱尾从而降低损失，并指出特征学习是关键机制。
对齐伪造的行为分析
机构 * University of Cambridge（剑桥大学） ； Harvard University（哈佛大学） ； ERA ； UK AISI（英国人工智能学会）
AI总结 通过可控最小设置研究对齐伪造，发现其驱动因素包括价值观、目标保护和谄媚，且比先前报告更普遍，可从情境线索和模型倾向预测。
Comments preprint
稀疏协方差神经网络
机构 * Delft University of Technology（代尔夫特理工大学） ； University of Cambridge（剑桥大学）
AI总结 针对协方差神经网络的经验协方差矩阵含虚假相关性的问题，提出稀疏协方差神经网络，分真实协方差矩阵稀疏、稠密情形设计对应稀疏化方法，在多应用场景上实现性能、稳定性与计算效率的提升。
Journal ref IEEE Transactions on Signal Processing ( Volume: 74), Page(s): 3077 - 3091, Date of Publication: 17 July 2026
从机器学习到大规模地球观测产品：制作地图的最佳实践
机构 * ETH Zurich（苏黎世联邦理工学院） ； ETH AI Center（苏黎世联邦理工学院人工智能中心） ； University of Cambridge（剑桥大学） ； Swiss Federal Research Institute WSL（瑞士联邦森林、雪和景观研究所） ； Asterisk Labs（星号实验室） ； EcoVision Lab, University of Zurich（苏黎世大学生态视觉实验室） ； Leipzig University（莱比锡大学） ； TU Munich（慕尼黑工业大学） ； RISE Research Institutes of Sweden（瑞典皇家理工学院）
AI总结 本文探讨从机器学习到大规模EO产品制作地图的最佳实践，围绕EO数据基础设施、数据处理、模型训练、不确定性量化、地图制作与分发及验证等六个主题，给出从卫星数据到运营地图产品整个流程的推荐做法。
Comments ECCV 2026 TerraBytes II Workshop paper, non-archival
面向无脊椎动物物种的广义突触检测
机构 * MRC Laboratory of Molecular Biology, University of Cambridge, UK（英国剑桥大学分子生物学实验室（MRC）） ； Department of Physiology, Development and Neuroscience, University of Cambridge, UK（英国剑桥大学生理学、发育与神经科学系） ； Donostia International Physics Center (DIPC), San Sebastian, Spain（西班牙桑塞班的Donostia国际物理中心（DIPC））
AI总结 该研究针对无脊椎动物突触检测难题，构建含四个数据集的EM基准，提出轻量模型SimpSyn，其在突触位点检测F1分数上优于最先进模型Synful，为大规模连接组学流程提供实用方案。
SAGE: 基于智能体引导探索的随机提示优化
机构 * Slingshot AI ； Department of Engineering, University of Cambridge（剑桥大学工程系）
AI总结 提出随机提示优化框架SPO，其中SAGE方法通过多智能体诊断代码执行实现黑盒搜索，在多个基准测试中表现依赖于错误类型，并在心理健康聊天机器人中通过连续优化显著提升次日留存率。
CycleVLA: 通过子任务回溯和最小贝叶斯风险解码实现的前瞻性自修正视觉-语言-动作模型
机构 * Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； Department of Engineering, University of Cambridge（剑桥大学工程系）
AI总结 CycleVLA通过子任务回溯和最小贝叶斯风险解码实现前瞻性自修正，提升视觉-语言-动作模型的故障预测与恢复能力
Comments Project Page: https://dannymcy.github.io/cyclevla/
超越出行方式：城市环境随时间塑造主动出行对心理健康的影响
机构 * Martin Centre for Architectural and Urban Studies, University of Cambridge（剑桥大学马丁建筑与城市研究中心） ； Cambridge Public Health, University of Cambridge（剑桥大学剑桥公共卫生）
AI总结 研究主动出行对心理健康的影响，用因果机器学习等方法分析英国成年人数据，发现主动出行对焦虑等的个体影响有不平等，且随时间扩大，受城市环境强烈影响，未考虑个体和环境差异会加剧健康不平等。
人工智能数学推理：语言模型、神经符号系统与验证发现的综合综述
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 本文综述了数学推理领域从早期规则系统到当代推理模型、多智能体系统及验证发现工作流的演变，沿非正式推理、形式推理、数学发现及推理技术四轴组织，并评估了基准测试、失败模式及未来方向。
Comments Under review, 47 pages, 14 figures, 22 tables
Flow4R: 用场景流统一4D重建与跟踪
机构 * Technical University of Munich（慕尼黑技术大学） ； MCML ； University of Cambridge（剑桥大学）
AI总结 Flow4R通过统一的场景流表示，在4D重建与跟踪任务中实现最先进的性能。
Comments Project Page: https://shenhanqian.github.io/flow4r
用强化学习替代天气和气候模型中的可调参数以状态依赖函数
机构 * Department of Applied Mathematics and Theoretical Physics, University of Cambridge（剑桥大学应用数学与理论物理系） ； School of Mathematical Sciences, Lancaster University（兰卡斯特大学数学科学学院） ； Department of Computer Science and Technology, University of Cambridge（剑桥大学计算机科学与技术系） ； Met Office Hadley Centre（英国气象局哈德利中心）
AI总结 本文通过强化学习在线学习天气和气候模型中的参数方案，展示了在简化测试环境中，强化学习在气候偏差校正、辐射-对流平衡和纬向平均能量平衡模型中的应用，证明了强化学习在改进模型性能方面的有效性。
Comments 79 pages, 24 figures
Journal ref Journal of Advances in Modeling Earth Systems (JAMES) 18 (8), e2026MS005745
编辑干预对检测母语痕迹的影响
机构 * University of Cambridge（剑桥大学） ； University of Zurich（苏黎世大学）
AI总结 本文研究了编辑干预对母语识别鲁棒性的影响，发现深层母语特征在轻微编辑中仍能保持，而流畅性编辑和改写会显著降低识别性能。
Comments KONVENS 2026
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