高校专区
面向LLM智能体的事实增强前瞻规划
机构 * University of Cambridge（剑桥大学）
AI总结 提出LWM-Planner框架，通过从轨迹中提取关键事实并用于条件化动作提议、世界模型模拟和状态值估计，实现无需参数更新的在线规划改进，在多个环境上优于ReAct/Reflexion和纯搜索基线。
Comments Accepted at the 29th International Conference on Artificial Intelligence and Statistics (AISTATS 2026). Camera-ready version. 9-page main text plus appendices (63 pages total), 1 figure
PTL-Diffusion: 具有周期终端定律的流形感知扩散
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） ； Harvard University（哈佛大学） ； MIT（麻省理工学院） ； University of Washington（华盛顿大学）
AI总结 提出PTL-Diffusion，通过将前向噪声过程收敛到周期高斯终端族而非单一分布，显式嵌入相位结构，改善低维流形上的分布匹配，在点云和人脸数据集上降低误差。
代码不仅仅是文本：代码生成的不确定性估计
机构 * Shanghai Jiao Tong University（上海交通大学） ； University of Cambridge（剑桥大学）
AI总结 针对代码生成中错误程序的可靠性问题，提出基于词法、算法和功能三个正交轴的不确定性估计方法，在五个代码LLM上将AUROC提升8.1个百分点。
推理竞技场：当可验证奖励不足时的轨迹锦标赛
机构 * University of Cambridge（剑桥大学） ； Mistral AI
AI总结 提出推理竞技场框架，通过轨迹锦标赛将无梯度信号的非多样奖励组转化为相对奖励信号，结合Bradley-Terry模型高效整合强化学习，在数学和编码基准上平均提升7.6%，加速训练27%-41%。
Comments 9 pages, 6 figures, 2 tables (17 pages including references and appendices)
张量化Engram：在N-gram嵌入中共享潜在变量对大型语言模型有益
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 提出张量化Engram（TN-gram），通过CP分解共享因子压缩n-gram嵌入，减少参数并避免哈希冲突，在多个任务上匹配或超越现有方法。
构建带有工具性干预的比较动机概况
机构 * MATS ； University of Cambridge（剑桥大学） ； KAIST（韩国科学技术院） ； George Washington University（乔治华盛顿大学）
AI总结 通过对称工具性干预区分对齐伪装中的策略性自我保护与研究者期望追踪，发现模型对期望追踪更敏感，提示需要构念效度检验。
摘要生成尚未消亡
机构 * Saarland University（萨尔大学） ； Max Planck Institute for Informatics（马克斯·普朗克信息学研究所） ； University of Cambridge（剑桥大学） ； University of Edinburgh（爱丁堡大学） ； Zhejiang University（浙江大学） ； Tencent YouTu Lab（腾讯优图实验室）
AI总结 通过多维度评估，发现人类参考摘要在信息量和忠实度上仍优于大语言模型，后者仅在表面连贯性和流畅性上占优，表明摘要生成研究仍有挑战。
REACT 2026：第四届多适切面部反应生成挑战赛：个性化MAFRG与适切脑电反应预测
机构 * University of Exeter（埃克塞特大学） ； Politecnico di Milano（米兰理工大学） ； Nanjing University of Science and Technology（南京理工大学） ； King Abdullah University of Science and Technology（阿卜杜拉国王科技大学） ； King's College London（伦敦国王学院） ； Universitat de Barcelona（巴塞罗那大学） ； University of Nottingham（诺丁汉大学） ； IMT Nord Europe（IMT 北欧欧洲） ； Université Grenoble Alpes（格勒诺布尔-阿尔卑斯大学） ； University of Augsburg（奥格斯堡大学） ； University of Cambridge（剑桥大学）
AI总结 提出REACT 2026挑战赛，鼓励开发机器学习模型，用于生成个性化、适切、多样、真实且同步的人类面部反应，并引入个性标签和脑电记录，探索新的一对多个性化面部反应生成设置。
Comments arXiv admin note: text overlap with arXiv:2505.17223
边缘设备上小语言模型训练中对抗检测的模型多重性
机构 * Computer Lab, University of Cambridge（剑桥大学计算机实验室）
AI总结 针对边缘设备上分布式微调语言模型易受投毒攻击的问题，提出基于模型多重性的系统级防御，通过旋转或并行训练多个小语言模型并量化其差异来检测异常，实验表明比经典单模型防御更早更可靠地检测投毒。
量子增强的极化材料分类相似度度量
机构 * University of Cambridge（剑桥大学）
AI总结 提出量子-经典混合流水线，将极化材料分类转化为点匹配问题，利用SWAP测试估计嵌入向量保真度，实现竞争性分类精度和开放集判别能力。
scCBGM：可解释的单细胞反事实编辑
机构 * University of Copenhagen（哥本哈根大学） ； University of Cambridge（剑桥大学） ； University of Amsterdam（阿姆斯特丹大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Tokyo（东京大学） ； University of Washington（华盛顿大学） ； University of Oxford（牛津大学）
AI总结 提出scCBGM框架，通过概念瓶颈架构和解耦惩罚实现单细胞反事实编辑，在组合泛化和反事实预测上表现优异。
Comments Accepted to ICML 2026; code at https://github.com/almaan/scCBGM
为什么将残差流限制在层而不是令牌？用于连续潜在推理的持久记忆
机构 * University of Cambridge（剑桥大学）
AI总结 针对CoCoNuT在潜在空间推理中因中间隐藏状态被覆盖导致概念瓶颈的问题，提出AGCLR模型，通过门控概念流持久记忆机制，在GSM8K、HotpotQA和ProsQA上取得一致提升。
通过基础模型的对抗微调实现单细胞跨模态迁移
机构 * University of Cambridge（剑桥大学）
AI总结 提出利用单细胞基础模型进行对抗微调，实现未配对空间转录组与单细胞RNA测序数据的跨模态翻译，性能优于多组学翻译方法。
立场：拟人化错位研究需要更强证据
机构 * University of Cambridge（剑桥大学）
AI总结 本文指出拟人化错位研究（AMR）在概念模糊、数据不鲁棒、实验设计不足等问题上存在证据薄弱，提出证据层级框架和诊断清单以提升方法论严谨性。
贡献权重：自注意力Transformer的几何分析
机构 * University of Cambridge（剑桥大学）
AI总结 提出基于投影的贡献权重度量，结合注意力权重、值向量大小和方向对齐，更准确识别关键令牌，并揭示注意力汇的主动抑制功能。
OmniMem: 面向流式音视频大语言模型的扰动感知记忆压缩
机构 * Tsinghua University（清华大学） ； ByteDance（字节跳动） ； Department of Engineering, University of Cambridge（剑桥大学工程系）
AI总结 提出OmniMem，一种针对音视频LLM的流式记忆压缩框架，通过模态感知分配和扰动感知选择压缩KV缓存，在保持长视频理解的同时减少内存，在多个基准上提升2-4%准确率。
Comments Code: https://github.com/bytedance/SALMONN/tree/omni_mem
GOTabPFN: 从特征排序到高维表格基础模型的紧凑分词化
机构 * University of Cambridge（剑桥大学）
AI总结 针对高维小样本表格预测问题，提出GOTabPFN模型，通过图引导排序和神经启发子单元压缩实现紧凑表示，提升TabPFN在严格token预算下的稳定性和准确性。
Comments Accepted to the 43rd International Conference on Machine Learning (ICML 2026). Code and resources GitHub https://github.com/zadid6pretam/GOTabPFN PyPI https://pypi.org/project/gotabpfn Project webpage https://www.zadidhabib.com/gotabpfn.html Hugging Face ZeroGPU https://huggingface.co/spaces/zadid6pretam/GOTabPFN CPU backup https://huggingface.co/spaces/zadid6pretam/GOTabPFN_CPU
物理约束生成的正确度量：后验一致PDE逆问题的共面积修正
机构 * University of Cambridge（剑桥大学） ； University of Toronto（多伦多大学）
AI总结 针对扩散模型和流匹配在硬约束PDE逆问题中采样后验分布错误的问题，提出共面积修正因子和CoCoS采样器，实现正确的后验采样。
AI天气模型能否预测两周以上？长期推演的定量基准与分析
机构 * ETH AI Center（ETH人工智能中心） ； ETH Zurich（苏黎世联邦理工学院） ； Swiss Data Science Center（瑞士数据科学中心） ； Scalable Parallel Computing Lab（可扩展并行计算实验室） ； Dep. of Applied Mathematics and Theoretical Physics（应用数学与理论物理系） ； University of Cambridge（剑桥大学） ； Institute of Geodesy and Photogrammetry（大地测量与摄影测量研究所） ； Seminar for Applied Mathematics（应用数学研讨会）
AI总结 通过九种AI天气模型的一年推演，将长期不稳定性分类为爆发、漂移和季节性丧失三种模式，并发现稳定性取决于对小时空尺度的处理。
提升为超低功耗应用设计的可并行递归神经网络的性能和学习稳定性
机构 * University of Cambridge（剑桥大学）
AI总结 本文提出CMRU和αCMRU，通过累积更新公式恢复梯度流并保持持久记忆，提升收敛稳定性并减少初始化敏感性，在多样本基准中表现优异，尤其在需要离散长距离保留的任务中表现突出。
Comments Accepted as a spotlight at ICML2026. This work has been the subject of patent applications under numbers EP26175243.0 and EP26175248.9
集成化分层决策在逆运动学规划与控制中
机构 * University of Cambridge（剑桥大学）
AI总结 本文提出一种高效的非线性规划框架，整合分层决策与全身逆运动学规划控制，解决逆运动学规划中同时选择端效应器位置的问题。
Comments Accepted paper to "Robotics: Science and Systems" (2026)
从反向传播到正向回放：重新审视LLM参数编辑中的目标构造
机构 * University of Cambridge（剑桥大学） ； University of Edinburgh（爱丁堡大学）
AI总结 本文重新审视LLM参数编辑中的目标构造，提出一种更简洁的替代方法，通过正向传播代替反向传播，提高目标隐藏状态的准确性和兼容性。
Comments ICML 2026, code: https://github.com/jugechengzi/FE
扩散模型何时学会生成多个物体？
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Cambridge（剑桥大学） ； University of Washington（华盛顿大学） ； University of Toronto（多伦多大学）
AI总结 研究探讨了扩散模型在多物体生成中的局限性，发现场景复杂度比概念不平衡更关键，且低数据条件下计数任务更难学习。
Comments ICML2026
POET-X：通过扩展正交变换实现内存高效的LLM训练
机构 * University of Cambridge（剑桥大学）
AI总结 POET-X通过优化正交等价变换降低计算和内存开销，实现高效稳定的LLM训练，支持在单块H100 GPU上预训练十亿参数模型。
Comments ICML 2026 Oral (15 pages, 7 figures, project page: https://spherelab.ai/poetx/)
Critique-GRPO：通过自然语言和数值反馈提升大语言模型推理能力
机构 * HCCL, The Chinese University of Hong Kong, Hong Kong, China（香港中文大学人工智能研究中心，香港，中国） ； University of Cambridge, Cambridge, United Kingdom（剑桥大学，剑桥，英国） ； MMLab, The Chinese University of Hong Kong, Hong Kong, China（香港中文大学人工智能实验室，香港，中国） ； Shanghai Artificial Intelligence Laboratory, Shanghai, China（上海人工智能实验室，上海，中国）
AI总结 本文提出Critique-GRPO框架，结合自然语言和数值反馈提升LLM推理能力，实验显示其在多个任务中优于传统方法，显著提升推理性能。
Comments Accepted by ICML 2026 Spotlight
常微分方程的基础推理模型
机构 * University of Cambridge（剑桥大学） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 提出FIM-ODE，一种预训练的基础推理模型，通过单次前向传播从含噪轨迹直接预测向量场，实现零样本性能匹配并超越ODEFormer，微调后优于现代神经和GP基线。
Comments Published in ICML 2026
Journal ref Proceedings of the 43rd International Conference on Machine Learning (ICML 2026)
表现性学习理论
机构 * University of Cambridge（剑桥大学）
AI总结 将表现性预测嵌入统计学习理论，证明在样本和总体表现性效应下的泛化界，揭示模型影响数据越多则学习越少的权衡，并提出通过再训练改善泛化保证。
Comments ICML 2026. v2: corrected typo in author list; v3: added explanation of condition 3.2, modified condition 3.3 and fixed lemma 3.4, added examples and explanations in sections 2, 5, and 6
基于模型预测控制的流模型逆问题求解
机构 * University of Cambridge（剑桥大学）
AI总结 提出MPC-Flow框架，将流模型逆问题求解转化为序列控制子问题，实现无需训练的推理时引导，理论联系最优控制，在图像修复任务中表现优异。
Comments Accepted for publication at ICML 2026
SLAM-AGS：基于滑片标签的多任务预训练方法：利用自适应梯度手术的计算细胞学
机构 * University of Cambridge（剑桥大学）
AI总结 SLAM-AGS通过联合优化弱监督相似性和自监督对比性目标，提升下游任务性能，并利用自适应梯度手术解决任务梯度冲突，实现在低见证率下的稳定预训练和更优表现。
Comments 5 pages, 2 figures, Submitted to ISBI2026
Journal ref 2026 IEEE 23rd International Symposium on Biomedical Imaging (ISBI)
通过探针提示实现自动化归因图解释
机构 * University of Cambridge（剑桥大学）
AI总结 提出探针提示方法，利用跨提示激活签名将归因图特征分组为概念对齐的超节点，并通过因果干预验证标签，在Gemma-2-2B上实现100%的预测转向行为。
Comments 35 pages, 24 figures, 18 tables. Code and interactive demo available
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