University of Cambridge（剑桥大学）

Leave it to the Specialist: Repair Sparse LLMs with Sparse Fine-Tuning via Sparsity Evolution

交给专家：通过稀疏性演化进行稀疏微调修复稀疏大语言模型

Qiao Xiao, Alan Ansell, Boqian Wu, Lu Yin, Mykola Pechenizkiy, Shiwei Liu, Decebal Constantin Mocanu

机构 * Eindhoven University of Technology（埃因霍温理工大学） ； University of Cambridge（剑桥大学） ； University of Luxembourg（卢森堡大学） ； University of Twente（埃因霍温理工大学） ； University of Surrey（萨里大学） ； Tübingen AI Center（图宾根人工智能中心） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） ； ELLIS Institute Tübingen（图宾根ELLIS研究所） 纠错

AI总结 提出稀疏演化微调（SEFT）框架，通过周期性重分配稀疏任务特定更新和重新激活有益剪枝权重，在保持稀疏性效率优势的同时实现稀疏大语言模型的有效下游任务适配。

Efficient Segment Anything with Depth-Aware Fusion and Limited Training Data

基于深度感知融合与有限训练数据的高效分割一切

Yiming Zhou, Xuenjie Xie, Panfeng Li, Albrecht Kunz, Ahmad Osman, Xavier Maldague

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 提出一种轻量级RGB-D融合框架，通过单目深度先验增强EfficientViT-SAM，在仅使用11.2k训练样本（不到SA-1B的0.1%）的情况下，实现比EfficientViT-SAM更高的分割精度。

Journal ref ICASSP 2026 - 2026 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), pp. 1731-1735

Adapting Noise to Data: Generative Flows from 1D Processes

将噪声适应于数据：来自一维过程的生成流

Jannis Chemseddine, Gregor Kornhardt, Richard Duong, Gabriele Steidl

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 提出一个通用框架，通过一维分位数函数学习数据自适应的参数化先验分布（潜在噪声），利用噪声与数据之间的Wasserstein距离进行优化，以改善生成流模型对重尾等分布的学习能力。

Comments ICML 2026

Laplacian Representations for Decision-Time Planning

用于决策时规划的拉普拉斯表示

Dikshant Shehmar, Matthew Schlegel, Matthew E. Taylor, Marlos C. Machado

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 本文提出利用拉普拉斯表示作为决策时规划的潜在空间，通过多时间尺度捕捉状态空间距离，并基于此设计层次规划算法ALPS，在离线目标条件强化学习任务中优于常用基线。

Comments Accepted at ICML 2026

Journal ref Proceedings of the 43rd International Conference on Machine Learning (ICML 2026)

Distribution-Calibrated Inference Time Compute for Thinking LLM-as-a-Judge

分布校准的推理时间计算用于思考型LLM作为评判者

Hamid Dadkhahi, Firas Trabelsi, Parker Riley, Juraj Juraska, Mehdi Mirzazadeh

机构 * University of California, Berkeley（加州大学伯克利分校） ； DeepMind（深Mind） ； University of Cambridge（剑桥大学） 纠错

AI总结 针对思考型大语言模型作为评判者时单样本噪声和聚合不一致问题，提出基于Bradley-Terry-Davidson模型的分布校准聚合方案，利用极性（非平局边际）和决定性（非平局率）区分微弱多数与强共识，显著降低MAE并提高成对准确率，匹配或超越人类评判者。

Fast and Expressive Multi-Byte Prediction with Probabilistic Circuits

基于概率电路的快速且富有表现力的多字节预测

Andreas Grivas, Lorenzo Loconte, Emile van Krieken, Piotr Nawrot, Yu Zhao, Euan Wielewski, Pasquale Minervini, Edoardo Ponti, Antonio Vergari

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 提出MTPC框架，利用概率电路编码未来令牌的联合分布，在字节级LLM中实现快速生成，同时保持表现力。

ParliaBench: An Evaluation and Benchmarking Framework for LLM-Generated Parliamentary Speech

ParliaBench: 面向大语言模型生成的议会演讲的评估与基准框架

Marios Koniaris, Argyro Tsipi, Panayiotis Tsanakas

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 提出ParliaBench基准框架，通过构建英国议会数据集、结合计算指标与LLM评判的评估方法以及两种新型嵌入指标（政治光谱对齐和政党对齐），系统评估LLM生成议会演讲的语言质量、语义连贯性和政治真实性，实验表明微调显著提升多数指标且新指标对政治维度具有强区分力。

Journal ref Proceedings of the Fifteenth Language Resources and Evaluation Conference (LREC 2026), pp. 4797-4818, European Language Resources Association (ELRA), Palma, Mallorca, Spain, May 2026

Scalable Single-Cell Gene Expression Generation with Latent Diffusion Models

基于潜在扩散模型的可扩展单细胞基因表达生成

Giovanni Palla, Sudarshan Babu, Payam Dibaeinia, James D. Pearce, Donghui Li, Aly A. Khan, Theofanis Karaletsos, Jakub M. Tomczak

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 提出scLDM，一种结合变分自编码器和潜在扩散模型的可扩展生成方法，通过置换不变/等变架构和扩散Transformer实现高质量单细胞基因表达生成。

Comments Accepted to ICML 2026, Github: https://github.com/czi-ai/scldm/

The Role of Ambiguity in Error Prediction via Uncertainty Quantification

不确定性量化中模糊性在错误预测中的作用

Ieva Raminta Staliūnaitė, James Bishop, Andreas Vlachos

机构 * University of Cambridge（剑桥大学） ； The Alan Turing Institute（艾伦·图灵研究所） 纠错

AI总结 通过解耦输入模糊性与不确定性信号，利用门控专家和选择性预测提升大语言模型在问答任务中的错误预测性能。

Comments 8 pages not including references and appendices, 3 figures

World-Task Factorization for Robot Learning

世界-任务分解用于机器人学习

Eduardo Sebastián, Adrian Pfisterer, Vito Mengers, Oliver Brock, Amanda Prorok

机构 * Department of Computer Science and Technology, University of Cambridge, United Kingdom（计算机科学与技术系，剑桥大学，英国） ； Robotics and Biology Laboratory, Technische Universität Berlin（机器人与生物学实验室，柏林技术大学） ； Science of Intelligence (SCIoI), Cluster of Excellence, Berlin, Germany（智能科学（SCIoI），卓越中心，柏林，德国） ； Robotics Institute Germany（德国机器人研究所） 纠错

AI总结 提出将策略分解为世界因子和任务因子，通过可微图模型AICON与紧凑学习策略结合，实现零样本泛化到新配置并迁移到真实硬件。

"I've Seen How This Goes": Characterizing Diversity via Progressive Conditional Surprise

“我知道这会如何发展”：通过渐进条件惊奇度刻画多样性

Matthew Khoriaty, David Williams-King, Shi Feng

机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Cambridge（剑桥大学） ； Stanford University（斯坦福大学） 纠错

AI总结 提出一种基于上下文学习的多样性度量方法 Decan（D_{Ca_n}），通过单次前向传递计算每个字节的得分，无需嵌入模型、参考语料或人工标注，在多个基准上验证了其有效性。

Comments 28 pages, 18 figures, 9 tables. Accepted to the Workshop on Generative AI, Creativity, and Human-AI Co-Creation @ ICML 2026 (non-archival). Code and data: https://github.com/AMindToThink/icl-diversity

Fast Generalization after Interpolation via Critically Damped Momentum Optimization

通过临界阻尼动量优化实现插值后的快速泛化

Luca Muscarnera, Silas Ruhrberg Estévez, Yuanzhang Xiao, Mihaela Van der Schaar

机构 * University of Cambridge（剑桥大学） ； University of Hawaii at Manoa（夏威夷大学曼瑙分校） 纠错

AI总结 提出GROKtimizer双阶段策略，结合快速收敛到插值与临界阻尼动量后插值范数最小化，在局部二次模型下实现比经典梯度下降二次加速，选择低范数插值解以提升泛化。

Emergent Transfer of a Physics Foundation Model from Simulation to Laboratory Turbulence

物理基础模型从模拟到实验室湍流的涌现迁移

Payel Mukhopadhyay, Stefan S. Nixon, Romain Watteaux, Michael McCabe, Alberto Bietti, Kyunghyun Cho, Cristiana Diaconu, Irina Espejo Morales, David Fouhey, Siavash Golkar, Tom Hehir, Shirley Ho, Jake Kovalic, Geraud Krawezik, Francois Lanusse, Tanya Marwah, Rudy Morel, Mariel Pettee, Helen Qu, Jeff Shen, Hadi Sotoudeh, Stuart B. Dalziel, Miles Cranmer

机构 * University of Cambridge（剑桥大学） ； CEA, DAM/DIF（法国CEA DAM/DIF） ； Flatiron Institute（Flatiron研究所） ； New York University（纽约大学） ； Princeton University（普林斯顿大学） ； Yale University（耶鲁大学） ； AIM, Université Paris-Saclay, Université Paris Cité, CEA, CNRS（AIM，巴黎-萨克雷大学，巴黎城市大学，CEA，CNRS） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Polymathic AI（聚合人工智能） 纠错

AI总结 通过微调连续介质动力学基础模型Walrus，在仅使用少量模拟数据的情况下，零样本泛化到实验室瑞利-泰勒不稳定性实验，揭示了初始条件在模拟-实验差距中的关键作用。

Digital Twin-Assisted Adaptive Multi-Agent DRL for Intelligent Spectrum and Resource Management in Open-RAN UAV-Enabled 6G Networks

数字孪生辅助的自适应多智能体深度强化学习用于Open-RAN无人机赋能6G网络中的智能频谱与资源管理

Marwan Dhuheir, Thang X. Vu, Symeon Chatzinotas

机构 * University of Cambridge（剑桥大学） ； University of Bristol（布里斯托大学） 纠错

AI总结 针对无人机辅助6G网络中动态频谱与资源管理难题，提出数字孪生辅助的自适应深度强化学习框架，结合粒子群优化轨迹与多智能体DRL分配资源，显著提升频谱效率、数据速率和能量利用率。

Comments accepted and presented at IEEE ICC-2026 conference paper

Towards Interactive Video World Modeling: Frontiers, Challenges, Benchmarks, and Future Trends

迈向交互式视频世界建模：前沿、挑战、基准与未来趋势

Jiuming Liu, Chaojun Ni, Mengmeng Liu, Chensheng Peng, Fangjinhua Wang, Sitian Shen, Marc Pollefeys, Masayoshi Tomizuka, Ayush Tewari, Per Ola Kristensson

机构 * Department of Engineering, University of Cambridge, U.K.（剑桥大学工程系） ； Peking University（北京大学） ； University of Twente（埃因霍温理工大学） ； Mechanical Systems Control Laboratory, University of California, Berkeley, USA（加州大学伯克利分校机械系统控制实验室） ； ETH Zurich（苏黎世联邦理工学院） ； Microsoft（微软公司） ； University of Oxford（牛津大学） 纠错

AI总结 本文系统综述了交互式世界建模的研究趋势、技术挑战、评估基准，并提出了未来方向，重点在于动作条件可控性、长程交互与记忆以及实时响应性。

Comments Under review. The GitHub repository is publicly available at: https://github.com/liujiuming123/Awesome-Interactive-World-Model

Infeasible optimization problems and the hierarchical augmented Lagrangian method in imitation learning

模仿学习中的不可行优化问题与分层增广拉格朗日方法

Roland Andrews, Justin Carpentier, Ajay Sathya

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 针对模仿学习中约束不可行导致训练不稳定的问题，提出基于增广拉格朗日方法的解决方案，将策略引导至最近可行约束问题的解，并在驾驶示例中验证其有效性。

Weak Critics Make Strong Learners: On-Policy Critique Distillation for Scalable Oversight

弱批评者造就强学习者：用于可扩展监督的在策略批评蒸馏

Can Jin, Jiakang Li, Rui Wu, Eddy Zhang, Dimitris N. Metaxas

机构 * University of Cambridge（剑桥大学） ； University of California, Berkeley（加州大学伯克利分校） ； UC Berkeley AI Lab（加州大学伯克利分校人工智能实验室） 纠错

AI总结 提出在策略批评蒸馏（OPCD）方法，利用弱模型作为批评者提供修订方向，通过自适应自教师信号蒸馏批评引导的行为，提升强模型在推理和对齐基准上的表现。

Zamba2-VL Technical Report

Zamba2-VL 技术报告

Hassan Shapourian, Kasra Hejazi, Olabode M. Sule, Beren Millidge

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） 纠错

AI总结 提出基于混合架构Zamba2的视觉语言模型Zamba2-VL，在图像理解等基准上媲美Transformer模型，且首次令牌延迟降低约一个数量级。

Comments 16 pages, 2 figures

Quantifying the Salience of Geo-Cultural Values for Pluralistic Safety Alignment

量化地理文化价值对多元安全对齐的显著性

Arkadiy Saakyan, Charvi Rastogi, Lora Aroyo

机构 * University of Oxford（牛津大学） ； University of Cambridge（剑桥大学） 纠错

AI总结 通过多层次模型分析，发现文化区域归属对安全评分有显著影响（p<0.05），约10%的项目存在文化敏感性，当前LLM无法可靠替代人类评分员但可辅助筛选。

Comments 119 pages, 13 figures. ICML 2026 camera ready

Perturbative methods for non-parametric instrumental variable

非参数工具变量的微扰方法

Wei Bu, Arthur Gretton

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 提出一种受物理微扰论启发的非参数工具变量估计方法，通过系统的高阶微扰校正改进核岭回归，在高维病态问题中预测误差降低高达99%。

Comments 8+24 pages, 4 figures, comments welcomed

Large-scale Uncertainty Quantification for Latent Variable Models Using Subsampling Markov Chain Monte Carlo

基于子抽样马尔可夫链蒙特卡罗的潜变量模型大规模不确定性量化

Xiaoyu Wang, Jonathan H. Huggins

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 针对潜变量模型中SGLD-Gibbs算法超参数调优缺乏理论指导的问题，通过推导统计缩放极限理论，提出确保不确定性量化有意义的调优准则。

Journal ref Proceedings of the 43rd International Conference on Machine Learning, Seoul, South Korea. PMLR 306, 2026

Product-Aware Deep Autoencoders for Robust Process Monitoring in Multi-Product Cyber-Physical Systems

产品感知深度自编码器用于多产品信息物理系统的鲁棒过程监控

MD Shafikul Islam, Jordan Carden

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 针对多产品制造中全局模型因决策边界扩大而产生盲点的问题，提出产品感知自编码器，通过限制学习域到产品特定分布来提升异常检测鲁棒性，在扩展田纳西伊士曼过程基准上实现100%攻击检测。

Benchmarking at the Edge of Comprehension

在理解边缘的基准测试

Samuele Marro, Jialin Yu, Emanuele La Malfa, Oishi Deb, Jiawei Li, Yibo Yang, Ebey Abraham, Sunando Sengupta, Eric Sommerlade, Michael Wooldridge, Philip Torr

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 提出Critique-Resilient Benchmarking框架，通过对抗性生成-评估游戏在人类理解受限时比较模型，利用批判韧性正确性概念和分项Bradley-Terry模型对LLM进行排序。

Honest Lying: Understanding Memory Confabulation in Reflexive Agents

诚实撒谎：理解反射型智能体中的记忆虚构

Prakhar Dixit, Sadia Kamal, Tim Oates

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 研究反射型智能体在自我反思中产生记忆虚构的问题，提出反射重复率（RRR）指标检测该现象，并通过程序化提取失败信号缓解问题。

Comments Accepted to ICML 2026 Workshop "Failure Modes in Agentic AI"

Beyond AI as Assistants: Toward Autonomous Discovery in Cosmology

超越AI助手：迈向宇宙学中的自主发现

Licong Xu, Thomas Borrett

机构 * Institute of Astronomy, University of Cambridge（剑桥大学天文研究所） ； Kavli Institute for Cosmology, University of Cambridge（剑桥大学凯斯勒宇宙研究所） ； Cavendish Astrophysics, University of Cambridge（剑桥大学卡文迪许天体物理研究所） 纠错

AI总结 本文提出两种互补的智能体系统（CMBEvolve和CosmoEvolve），通过LLM引导的代码进化与树搜索以及虚拟多智能体研究实验室，实现宇宙学中的自主科学发现，并在弱引力透镜异常检测和ACT DR6数据分析中展示了初步成果。

Comments 4 pages, 2 figures, Contribution to the 2026 Cosmology session of the 60th Rencontres de Moriond

Normalization Equivariance for Arbitrary Backbones, with Application to Image Denoising

任意骨干网络的归一化等变性及其在图像去噪中的应用

Youssef Saied, François Fleuret

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

AI总结 提出无参数包装器WNE，通过输入归一化、任意骨干网络处理、输出反归一化实现归一化等变，在盲去噪中提升CNN和Transformer对噪声水平失配的鲁棒性且无GPU开销。

U-Cast: A Surprisingly Simple and Efficient Frontier Probabilistic AI Weather Forecaster

U-Cast：一种惊人简单且高效的边界概率AI天气预报器

Salva Rühling Cachay, Duncan Watson-Parris, Rose Yu

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 提出基于标准U-Net骨架的概率天气预报模型U-Cast，通过确定性预训练和短时概率微调，以不到1/10的计算成本匹配或超越GenCast和IFS ENS的预报技能。

Comments ICML 2026. Our code is available at: https://github.com/Rose-STL-Lab/u-cast

Retrieval-aligned Tabular Foundation Models Enable Robust Clinical Risk Prediction in Electronic Health Records Under Real-world Constraints

检索对齐的表格基础模型实现电子健康记录中在现实约束下的稳健临床风险预测

Minh-Khoi Pham, Thang-Long Nguyen Ho, Thao Thi Phuong Dao, Tai Tan Mai, Minh-Triet Tran, Marie E. Ward, Una Geary, Rob Brennan, Nick McDonald, Martin Crane, Marija Bezbradica

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 针对电子健康记录中高维、异质、类别不平衡和分布偏移等挑战，提出任务对齐检索框架AWARE，通过监督嵌入学习和轻量适配器提升表格上下文学习性能，在极端不平衡下AUPRC提升高达12.2%。

Comments Not peer-reviewed

Incentives, Equilibria, and the Limits of Healthcare AI: A Game-Theoretic Perspective

激励、均衡与医疗AI的局限：博弈论视角

Ari Ercole

机构 * Cambridge Centre for AI in Medicine, University of Cambridge, UK（剑桥大学医学人工智能中心） ； Magdalene College, University of Cambridge, UK（剑桥大学玛格丽特学院） 纠错

AI总结 本文通过住院容量管理的协调问题，描述三种AI部署形式，并分析其对系统行为的影响，指出只有改变激励结构的干预才能改变稳定均衡，为医疗AI的采购、治理和评估提供实践启示。

Length Generalization Bounds for Transformers

Transformer的长度泛化界

Andy Yang, Pascal Bergsträßer, Georg Zetzsche, David Chiang, Anthony W. Lin

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 本文证明C-RASP（与Transformer紧密相关的语言类）不存在可计算的长度泛化界，但为正片段（等价于固定精度Transformer）提供了可计算的指数级最优界。

Comments 22 pages