高校专区
评估语言模型对游戏的评估
机构 * University of Cambridge（剑桥大学） ； MIT（麻省理工学院） ； Princeton University（普林斯顿大学） ； NYU（纽约大学） ； Harvard University（哈佛大学） ； Stanford University（斯坦福大学）
AI总结 本文研究了语言模型对游戏评估的能力，通过比较现代语言模型和人类及符号计算代理的评估结果，发现推理模型在游戏评估上更接近人类，但随着模型接近博弈最优，其与人类数据的匹配度会减弱，且在评估趣味性时表现出更大的波动。
代数先验用于近似等变网络
机构 * University of Cambridge（剑桥大学）
AI总结 本文提出了一种无需参数的代数方法，利用群表示理论来构建等变网络的先验，通过实验验证该方法在多个任务中表现优异，甚至在无限群情况下也优于专门设计的模型。
交互评估需要一种设计科学
机构 * University of Texas Austin（德克萨斯大学奥斯汀分校） ； California Institute of Technology（加州理工学院） ； Carnegie Mellon University（卡内基梅隆大学） ； Stanford University（斯坦福大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Microsoft Research（微软研究院） ； Northwestern University（西北大学） ； University of Cambridge（剑桥大学）
AI总结 本文探讨了交互评估应被视为一种原则性的评估范式，而非仅仅是新的智能体基准。通过定义评估为证据到判断的自主映射，文章展示了交互评估如何改变这一映射的两方面，并提出双轴分类法，制定设计原则和报告标准，分析了长期评估挑战在轨迹层面的再现。
Comments 10 pages
通过一步生成建模加速红移条件下的星系图像合成
机构 * The Center for Computational Science（计算科学中心） ； University College London（伦敦大学学院） ； Cavendish Laboratory（卡文迪许实验室） ； Kavli Institute for Cosmology University of Cambridge（剑桥大学卡文迪许宇宙研究所）
AI总结 本文研究了利用扩散模型和像素MeanFlow实现高效红移条件下的星系图像生成，通过对比不同模型在GalaxiesML-64数据集上的表现，发现一步生成模型在计算成本大幅降低的情况下能有效恢复星系形态统计信息，为大规模宇宙巡天和基于模拟的科学推断提供了新路径。
Comments 19 pages, 8 figures
RoboFlow4D: 一种轻量级的流世界模型，面向实时的流引导机器人操作
机构 * School of Data Science, The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳）数据科学学院） ； The Hong Kong Polytechnic University（香港理工大学） ； University of Cambridge（剑桥大学） ； Shenzhen Loop Area Institute（深圳河套学院）
AI总结 本文提出RoboFlow4D，一种轻量级的流世界模型，通过统一感知与规划，利用物理3D空间中的时间运动估计，实现高效的实时流引导机器人操作，提高了操作成功率和计算效率。
Mamba-VGGT: 通过外部滑动窗口Mamba内存实现持久长序列视频几何 grounded 变换器
机构 * Shanghai Jiao Tong University（上海交通大学） ； ETH Zurich（苏黎世联邦理工学院） ； Cambridge University（剑桥大学） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出Mamba-VGGT框架，通过引入滑动窗口Mamba内存模块，解决传统VGGT在长序列视频中几何遗忘和累积漂移问题，提升3D场景重建的精度与稳定性。
通过迭代奖励引导的后训练改进表格语言模型
机构 * Department of Engineering, University of Cambridge（剑桥大学工程系） ； CISPA Helmholtz Center for Information Security, Saarbrücken, Germany（德国萨尔布吕肯信息安全中心） ； The Alan Turing Institute, London（伦敦阿兰·图灵研究所）
AI总结 本文研究了通过生成-评分-对齐协议进行迭代奖励引导的后训练，提出了一种基于组相对对齐的方法TabGRAA，通过比较高分和低分生成组的组平均策略/参考对数比来改进表格语言模型，在五个混合类型基准上优于额外监督微调，并在保真度和下游效用之间实现了最佳平均权衡，同时保持经验隐私诊断接近监督基线。
双空间知识蒸馏与关键-查询匹配用于具有词汇不匹配的大型语言模型
机构 * University of Cambridge, Department of Engineering（剑桥大学工程系） ； Toshiba Europe Limited（东芝欧洲有限公司）
AI总结 本文研究了针对具有词汇不匹配的大型语言模型的双空间知识蒸馏与关键-查询匹配方法，通过分析注意力机制揭示其优缺点，并提出基于生成对抗学习的新方法以解决关键-查询分布不匹配问题。
Comments Copyright 2026 IEEE. Published in ICASSP 2026 - 2026 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), scheduled for 4-8 May 2026 in Barcelona, Spain
在图神经网络中学习历史激活
机构 * Technion – Israel Institute of Technology（技术ion–以色列理工学院） ； NVIDIA ； Ben-Gurion University of the Negev（贝内-约尔根大学） ； University of Cambridge（剑桥大学）
AI总结 本文提出HISTOGRAPH，一种基于注意力的两阶段最终聚合层，通过层间和节点间的注意力机制，利用节点的激活历史和图结构来优化最终预测特征，从而在多个图分类基准上实现了优于传统方法的性能。
Comments ICLR 2026
通过逆强化学习学习推理奖励从专家示范
机构 * University of Cambridge（剑桥大学）
AI总结 本文提出了一种名为Reasoning Adversarial Inverse Reinforcement Learning (R-AIRL)的方法，通过逆强化学习从专家示范中学习推理奖励，以克服传统监督微调的局限性，并在多个数据集上展示了其在训练和推理过程中的有效性。
LLM-TabLogic: 通过提示引导的潜在扩散模型在合成表格数据中保留列间逻辑关系
机构 * Department of Engineering, University of Cambridge（剑桥大学工程系） ； The Alan Turing Institute（艾伦·图灵研究所）
AI总结 本文提出LLM-TabLogic方法，利用大语言模型推理捕捉表格列间的复杂逻辑关系，并通过Score-based Diffusion模型在潜在空间中生成数据，以在不需领域知识的情况下有效保持合成表格数据中的列间关系。
评估合成表格数据生成中列之间的逻辑关系
机构 * Department of Engineering, University of Cambridge（剑桥大学工程系） ； The Alan Turing Institute, London（伦敦艾伦·图灵研究所）
AI总结 本文提出三种评估指标，用于评估合成表格数据中列间逻辑关系的保持情况，并通过实验证明现有方法在保持逻辑一致性方面存在不足，讨论了改进逻辑关系建模的可能路径。
利用无监督学习实现高效视觉异常检测
机构 * Department of Engineering, University of Cambridge（剑桥大学工程系）
AI总结 本研究提出一种低成本视觉异常检测系统，通过预训练模型和低成本硬件，利用少量数据实现高准确率的异常检测，适用于中小型企业。
TriAxialKV: 向极低精度KV缓存量化迈进以应对代理推理任务
机构 * University of Cambridge（剑桥大学） ； Imperial College London（伦敦帝国学院）
AI总结 本文提出TriAxialKV，一种混合精度的KV缓存量化方案，通过为每个token分配三轴标签，校准每种标签的敏感性，并在固定内存预算下分配INT2/INT4位宽，以提高代理推理任务的效率和吞吐量。
VoxScene: 基于锚点的体素扩散用于室内场景布置
机构 * Shanghai Jiao Tong University（上海交通大学） ； Hong Kong University of Science and Technology（香港科技大学） ； Tsinghua University（清华大学） ； University of Cambridge（剑桥大学） ； Peking University（北京大学）
AI总结 本文提出VoxScene，一种基于锚点的体素扩散框架，用于3D场景合成。通过引入显式的、以物体为中心的体素表示，解决了现有方法在处理密集环境时的物理碰撞和结构纠缠问题，实现了高保真体素网格的生成，提升了场景布置的物理合理性和形状多样性。
超图模式机：用于高阶交互的组合分词
机构 * University of Notre Dame（内布拉斯加大学） ； Stanford University（斯坦福大学） ； Yale University（耶鲁大学） ； University of Cambridge（剑桥大学） ； University of Washington（华盛顿大学）
AI总结 本文提出超图模式机，通过学习子集的组合模式，改进高阶交互的建模，从而在超图基准和真实案例中取得更好效果。
StAD：基于Stein算子的 amortized 散度用于具有扩散和流的快速似然
机构 * Institute of Astronomy（天文研究所） ； Kavli Institute for Cosmology, University of Cambridge, Cambridge, UK（剑桥大学卡文迪许实验室，剑桥，英国） ； Research Computing Services, University of Cambridge, Cambridge, UK（剑桥大学研究计算服务） ； The Oskar Klein Centre, Department of Physics, Stockholm University, Stockholm, SE（斯德哥尔摩大学物理系奥斯卡·克莱因中心） ； Cavendish Laboratory, Department of Physics, University of Cambridge, Cambridge, UK（剑桥大学物理系卡文迪许实验室）
AI总结 本文提出StAD方法，利用Langevin-Stein算子预测和学习PF-ODE的散度，无需计算雅可比矩阵，提升了似然预测的效率和稳定性。
Comments 24 pages, 10 figures
面向可扩展性和鲁棒性的力感知神经切线核用于机器学习原子势的主动学习
机构 * InstaDeep ； Department of Engineering, University of Cambridge（工程系，剑桥大学）
AI总结 本文提出一种线性可扩展的主动学习框架，结合力感知神经切线核，有效提升MLIPs在大规模候选池中的鲁棒性和效率，验证了其在多个数据集上的优越性能。
Comments 10 main pages, total 34 pages
预训练模型表示作为主动学习MLIPs的获取信号
机构 * University of Cambridge（剑桥大学）
AI总结 本文研究预训练MLIP的潜在空间是否包含有效获取信息，提出两种获取信号提升主动学习效率，减少数据需求，提升性能。
Comments 8 main pages, 28 total pages
通过硬币翻转统计检测多变量数据中的局部密度异常
机构 * Scuola Internazionale Superiore di Studi Avanzati (SISSA)（国际先进研究高等学院） ； University of Cambridge（剑桥大学） ； Imperial College London（伦敦帝国理工学院） ； University of Nova Gorica（诺瓦戈里察大学） ； LUT University（卢托拉大学）
AI总结 本文提出EagleEye方法，通过编码k近邻列表为二进制序列，检测多变量数据中的局部过密度和欠密度异常，并在三种场景中验证其有效性。
Comments Code Availability: The code used to generate the results of this study is available at GitHub via the link: https://github.com/sspring137/EagleEye
响应条件化的并行到顺序 orchestration 用于多智能体系统
机构 * MBZUAI（马克斯·普朗克智能系统研究所） ； University of Cambridge（剑桥大学） ； Flower Labs（Flower实验室） ； Michigan State University（密歇根州立大学）
AI总结 本文提出Nexa框架，通过响应条件化的策略结合并行与顺序执行，减少通信和延迟同时提高最终响应准确性，展示了其通用性。
CTF4Nuclear: 用于核裂变和核聚变模型的通用任务框架
机构 * Autodesk Research（Autodesk研究院） ； Department of Energy, Nuclear Engineering Division, Politecnico di Milano（能源部，核工程系，米兰理工学院） ； Nuclear Science and Engineering, Massachusetts Institute of Technology（核科学与工程，麻省理工学院） ； Department of Applied Mathematics, University of Washington（应用数学系，华盛顿大学） ； Department of Electrical and Computer Engineering, University of Washington（电气与计算机工程系，华盛顿大学） ； High Performance Machine Learning, SURF（高性能机器学习，SURF） ； Distyl AI ； Department of Computer Science, Columbia University（计算机科学系，哥伦比亚大学） ； Department of Mechanical Engineering, University of Washington（机械工程系，华盛顿大学） ； Department of Mechanical Engineering, Politecnico di Milano（机械工程系，米兰理工学院） ； Department of Mathematics, American University in Beirut（数学系，贝鲁特美国大学） ； Department of Mechanical Engineering, American University in Beirut（机械工程系，贝鲁特美国大学） ； Department of Applied Mathematics and Theoretical Physics, University of Cambridge（应用数学与理论物理系，剑桥大学）
AI总结 本文提出CTF4Nuclear框架，用于核工程中机器学习方法的标准化评估，通过12个指标和稀疏测量系统监控，提升核工业科学ML的严谨性和可重复性。
多项式神经束扩散：基于细胞束的谱过滤方法
机构 * Department of Computer Science and Technology, University of Cambridge（计算机科学与技术系，剑桥大学） ； Department of Computer, Control and Management Engineering, Sapienza University（计算机、控制与管理工程系，萨皮恩扎大学）
AI总结 本文提出PolyNSD方法，通过多项式运算和谱过滤提升神经束扩散的稳定性与效率，实现无需大维度stalk的高性能表现。
SPDEBench：学习随机偏微分方程的广泛基准
机构 * Shanghai Jiao Tong University（上海交通大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Cambridge（剑桥大学） ； University of Sydney（悉尼大学） ； Imperial College London（伦敦帝国理工学院） ； University College London（伦敦大学学院） ； Fujian Normal University（福建师范大学） ； Beijing Institute of Technology（北京理工大学） ； Chinese Academy of Sciences（中国科学院）
AI总结 本文提出SPDEBench，首个统一的ML学习随机偏微分方程基准，提供物理和数学重要的1-3维领域数据集，涵盖正则和奇异SPDE，并包含7种评估指标，验证模型精度、鲁棒性和分布外泛化能力。
Articraft: 一种可扩展的拟人化3D资产生成代理系统
机构 * University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出Articraft代理系统，利用大语言模型生成大规模拟人化3D资产，构建了包含10000+资产的Articraft-10K数据集，应用于机器人仿真和虚拟现实等下游任务。
Comments Project page: https://articraft3d.github.io/
SciPaths: 预测科学发现的路径
机构 * University of Cambridge（剑桥大学） ； The Alan Turing Institute（艾伦·图灵研究所） ； Singapore University of Technology and Design（新加坡科技设计大学）
AI总结 本文提出SciPaths基准，通过专家标注的262条金路径和2444条银路径，评估科学发现路径预测任务，发现核心方法依赖最难恢复，需改进分解质量以提升端到端路径恢复能力。
DMAP：文本的分布图
机构 * University of Manchester, UK（曼彻斯特大学，英国） ； Featurespace, a Visa Solution（Visa解决方案的Featurespace） ； Risk and Security AI Lab, Visa Inc., UK（Visa公司的风险与安全AI实验室，英国） ； University of Cambridge, UK（剑桥大学，英国）
AI总结 DMAP通过语言模型将文本映射到单位区间内的样本集，编码排名和概率信息，用于高效分析文本并支持多种应用，包括生成参数验证和机器生成文本检测。
Comments ICLR 2026
SplineFlow：基于B样条插值的动态系统流匹配
机构 * CISPA Helmholtz Center for Information Security（CISPA海德堡信息安全研究中心） ； Department of Computer Science and Technology（计算机科学与技术系） ； University of Cambridge（剑桥大学）
AI总结 SplineFlow通过B样条插值联合建模多观测条件路径，解决动态系统建模中高阶动态学习的稳定性与多边际约束问题，实验验证其在多种动态系统和细胞轨迹推断中的优越性。
Comments 36 pages, 35 tables, 22 figures
ContextFlow: 基于上下文的流匹配用于从空间组学数据推断轨迹
机构 * CISPA Helmholtz Center for Information Security（CISPA 高等研究院） ； Department of Computer Science and Technology, University of Cambridge（剑桥大学计算机科学与技术系） ； Institute for Computational Biomedicine, Heidelberg University Hospital（海德堡大学医院计算生物医学研究所）
AI总结 ContextFlow通过整合局部组织结构和配体-受体通信模式，提升从空间解析组学数据中推断轨迹的准确性与生物学意义。
Comments 42 pages, 21 figures, 30 tables
在多轮交互中对大语言模型的置信度估计
机构 * University of Cambridge（剑桥大学） ； Fudan University（复旦大学）
AI总结 本文研究了多轮对话中大语言模型置信度估计的问题，提出了一种评估框架和新指标，发现传统方法在多轮对话中表现不佳，而新方法更有效。
Comments ACL 2026 Findings
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