高校专区
LoVeC：强化学习用于长文生成中的更可靠的 verbalized 自信度
机构 * University of Cambridge（剑桥大学）
AI总结 本文提出LoVeC，一种基于强化学习的方法，通过在长文生成过程中实时附加数值自信度评分，提升事实性生成的可靠性。实验表明，该方法在多个长文问答数据集上实现了更好的校准和跨领域泛化能力，且效率显著高于传统自一致性方法。
Comments ACL 2026 Main
Di-BiLPS：在稀疏观测下去噪诱导的双向隐空间求解器
机构 * School of Science, Harbin Institute of Technology, Shenzhen, China（哈尔滨工业大学深圳校区科学学院） ； Department of Theoretical Physics（理论物理系） ； Applied Mathematics, University of Cambridge, Cambridge, United Kingdom（应用数学系，剑桥大学，英国）
AI总结 本文提出Di-BiLPS，一种在极稀疏观测下处理正向和逆向PDE问题的统一神经框架，结合变分自编码器、隐扩散模块和对比学习，提升求解效率与准确性。
发现隐藏的校准失真区域
机构 * University of Cambridge（剑桥大学）
AI总结 本文提出一种无需预定义数据切片的方法，发现隐藏的校准失真区域，通过学习输入空间的校准感知表示，利用核平滑估计局部校准误差，实验证明输入依赖的校准异质性普遍存在，并支持局部置信度修正。
在演绎错误下教学与学习
机构 * Department of Informatics University of Bergen（卑尔根大学信息学院） ； University of Bergen（卑尔根大学） ； VRAIN - Universitat Politecnica de Valencia（瓦伦西亚理工大学VRAIN实验室） ； Universitat Politecnica de Valencia（瓦伦西亚理工大学） ； Leverhulme Centre for the Future of Intelligence - University of Cambridge（剑桥大学未来智能中心）
AI总结 本文研究了在存在演绎错误的教学与学习框架，分析了机器教学中如何通过PAC设定生成近似正确的假设，并探讨了计算复杂性及实验验证。
Comments 15 pages, preprint neurips
LLM精细化实际提升了什么？对文档级文学翻译的系统研究
机构 * University of Amsterdam（阿姆斯特丹大学） ； University of Cambridge（剑桥大学） ； Amazon AGI（亚马逊人工智能研究院）
AI总结 本文系统研究了文档级文学翻译中LLM精细化的效果，发现文档级MT后接段级精细化能带来稳定提升，而文档级精细化效果有限。通用精细化提示优于特定错误提示和评估后精细化策略。
事件作为多智能体强化学习中行为多样性的触发因素
机构 * Department of Computer Science and Technology, University of Cambridge（计算机科学与技术系，剑桥大学）
AI总结 本文提出通过事件触发机制解耦智能体身份与行为，引入神经流形多样性与事件驱动超网络，实现动态行为适应与零样本泛化，提升多智能体协作效率。
Zatom-1：迈向3D分子和材料的多模态基础模型
机构 * LBNL（劳伦斯伯克利国家实验室） ； ICSI（国际计算机科学研究所） ； University of Cambridge（剑桥大学） ； Yale University（耶鲁大学） ； MIT（麻省理工学院） ； UC Berkeley（加州大学伯克利分校）
AI总结 Zatom-1是一种跨领域、通用的模型架构，统一了3D分子和材料的生成与预测学习，通过多模态流匹配目标实现高效的预训练和稳定采样，提升了生成推理速度和跨领域预测性能。
Comments 38 pages, 10 figures, 15 tables. ICLR 2026 FM4Science. Code, data, and model weights are available at https://github.com/Zatom-AI/zatom
基于生成模型输出的高效优化
机构 * University of Cambridge（剑桥大学） ； Lancaster University（兰卡斯特大学） ； Karolinska Institutet（卡罗林斯卡研究院） ； Boeing Commercial Airplanes（波音商用飞机） ； Boeing AI（波音人工智能） ； InstaDeep ； Monumo
AI总结 本文提出O3方法，通过构建代理潜在空间实现对扩散和流匹配模型的高效黑盒优化，提升样本评分性能，无需额外训练。
用于贝叶斯反演的几何自编码器先验：先学习后观察
机构 * Department of Engineering University of Cambridge（工程系剑桥大学） ； Institute of Structural Engineering ETH Zürich（结构工程研究所苏黎世联邦理工学院）
AI总结 本文提出GABI框架，通过学习几何感知的生成模型作为贝叶斯反演的先验，利用ABC采样实现高效反演，适用于复杂几何问题。
关于逆问题中的幻觉：根本限制与可证明的评估方法
机构 * Gauss Centre for Supercomputing e.V.（Gauss超级计算中心） ； John von Neumann Institute for Computing（约翰·冯·诺依曼计算研究所） ； Deutsches Zentrum für Luft und Raumfahrt（德国航空航天中心） ； Laboratory Directed Research and Development Program of Oak Ridge National Laboratory（橡树岭国家实验室定向研究与开发计划） ； UT-Battelle, LLC（UT-巴特尔公司） ； Computing and Computational Sciences, Oak Ridge National Laboratory（橡树岭国家实验室计算与计算科学部） ； DAMTP, University of Cambridge（剑桥大学DAMTP）
AI总结 本文研究了逆问题中幻觉的根本限制，提出理论框架和可计算的评估方法，通过实验验证了其在多种成像任务中的有效性。
Comments 31 pages, 11 figures; code available at https://github.com/davidiagraid/hallucinations_invpb
MMCL-Bench：多模态上下文学习从视觉规则、程序和证据
机构 * University of Cambridge（剑桥大学） ； HKUST（香港科技大学） ； Tsinghua University（清华大学）
AI总结 MMCL-Bench提出一个多模态上下文学习基准，要求模型从视觉或混合模态教学上下文中学习规则、程序和经验模式，并应用于新实例。评估发现当前系统在多模态上下文学习上仍不稳健。
预条件流匹配
机构 * University of British Columbia（不列颠哥伦比亚大学） ； University of Cambridge（剑桥大学）
AI总结 本文提出预条件流匹配方法，通过预处理目标分布提升流匹配的条件数，改进生成质量与稳定性。
Comments 34 pages, 16 figures, 5 tables
紧凑的3D高斯散射用于密集视觉SLAM
机构 * Shanghai Jiao Tong University（上海交通大学） ； Nanyang Technological University（南洋理工大学） ； The University of Tokyo（东京大学） ； Harvard University（哈佛大学） ； University of Cambridge（剑桥大学）
AI总结 本文提出紧凑的3D高斯散射SLAM系统，通过滑动窗口遮罩策略和几何代码本压缩高斯参数，提升训练和渲染速度，保持高质量场景表示。
Comments Accepted by IJCV 2026
LOFT：基于任务感知支持选择的低秩正交微调
机构 * The University of Sydney（悉尼大学） ； Microsoft India（微软印度） ； Indian Institute of Technology Bombay（印度班加罗尔理工学院） ； University of Cambridge（剑桥大学）
AI总结 LOFT通过明确分离适应子空间和变换操作，改进正交参数高效微调方法，提出任务感知支持选择策略，提升效率与性能平衡。
Muon 并不那么特殊：随机或倒置光谱效果一样好
机构 * University of Cambridge（剑桥大学） ； University of Tübingen（图宾根大学） ； University of Oxford（牛津大学）
AI总结 本文挑战了非欧几里得优化中几何结构的重要性，通过Freon和Kaon等优化器展示，证明精确几何并非关键，而局部对齐和下降潜力控制性能。
Comments 45 pages
流式传输渲染内容与自适应帧率和分辨率
机构 * University of Cambridge（剑桥大学）
AI总结 本文提出一种基于人类视觉系统时空限制的自适应流式传输方法，通过动态调整帧率和分辨率提升视觉质量并降低计算成本。
偏见能走多远？从预训练数据到对齐的偏见追溯
机构 * CIS, LMU Munich（慕尼黑大学语言信息学研究所） ； ILLC, University of Amsterdam（阿姆斯特丹大学语言研究所） ； Language Technology Lab, University of Cambridge（剑桥大学语言技术实验室）
AI总结 研究探讨预训练数据中的性别职业偏见如何在LLM中表现，通过零样本提示和词元共现分析，发现训练数据中的偏见被放大，指令微调部分缓解了代表性偏见，但整体性别刻板印象仍存在。
记住遗忘：门控自适应位置编码
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） ； Department of Information Engineering, University of Padova（信息工程系，帕多瓦大学）
AI总结 GAPE通过引入内容感知偏差优化注意力逻辑，在保持旋转几何的前提下，分离距离抑制与token重要性，提升长上下文鲁棒性。
haystack 中的许多针：用于扰动实验的主动命中发现
机构 * Wellcome Sanger Institute, Wellcome Genome Campus, Hinxton, UK（韦尔科姆桑格研究所，韦尔科姆基因组校园，英国辛顿） ； Cambridge Center for AI in Medicine, University of Cambridge, Cambridge, UK（剑桥人工智能医学中心，剑桥大学，剑桥，英国） ； Cambridge Stem Cell Institute, University of Cambridge, Cambridge, UK（剑桥干细胞研究所，剑桥大学，剑桥，英国） ； Department of Computer Science and Technology, University of Cambridge, Cambridge, UK（剑桥计算机科学与技术系，剑桥大学，剑桥，英国） ； MediaTek Research, Cambridge, UK（联发科研究，剑桥，英国）
AI总结 本文提出Probability-of-Hit方法，通过后验概率排名候选者，有效发现超过阈值的扰动，提升实验效率。
Comments To be published in International Conference on Machine Learning (ICML) 2026
HyperEyes: 双粒度效率感知强化学习用于并行多模态搜索代理
机构 * Xiaohongshu Inc.（小红书公司） ； University of Cambridge（剑桥大学）
AI总结 HyperEyes通过双粒度效率感知强化学习，实现并行多模态搜索代理，提升搜索效率与准确性，其在六个基准测试中超越现有开源代理。
Comments Code & Data: https://github.com/DeepExperience/HyperEyes
随机性的确定性：提示残差种子塑形用于扩散生成
机构 * USTC（中国科学技术大学） ； Li Auto Inc.（利亚自动化公司） ； Xi’an High-tech Research Institute（西安高新技术研究院） ； Wechat Vision（微信视觉） ； Cambridge University（剑桥大学） ； HUST（华中科技大学）
AI总结 本文研究了扩散生成中种子敏感性，提出无需训练的提示残差种子塑形方法，通过单个高噪声冷启动提示残差提升生成对齐和质量。
医学模型合成架构：一种案例研究
机构 * MIT（麻省理工学院） ； University of Cambridge（剑桥大学） ； Princeton University（普林斯顿大学） ； Duke University（杜克大学） ； The Alan Turing Institute（艾伦·图灵研究所） ； Canada CIFAR AI Chair（加拿大CIFAR人工智能主席）
AI总结 本文提出一种框架，使AI系统能在不确定性下进行实用且形式透明的临床预测。通过语言模型检索知识并构建概率模型，实现校准和可验证的推理，用于鉴别诊断并讨论未来应用方向。
Comments Working paper
ConFixGS：基于置信度感知扩散先验的学习以修复馈送式3D高斯点溅射在驾驶场景中
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； University of Cambridge（剑桥大学） ； Technical University of Munich（慕尼黑技术大学）
AI总结 本文提出ConFixGS，通过置信度感知扩散先验学习修复馈送式3D高斯点溅射，提升稀疏视角驾驶场景中新型视角合成的鲁棒性，实验显示PSNR提升3.68dB，FID降低近一半。
Comments 28 pages, 12 figures
频域变换神经过程
机构 * University of Cambridge（剑桥大学） ； Tencent（腾讯） ； Imperial College London（伦敦帝国理工学院）
AI总结 本文提出Spectral Transformer Neural Processes，通过引入频域聚合器增强神经过程对周期性和拟周期性数据的建模能力，实验表明其在回归任务和现实数据集上提升了预测性能。
Comments 37 pages, 10 figures, 18 tables
表格基础模型用于生成建模
机构 * Department of Computer Science and Technology, University of Cambridge, UK（计算机科学与技术系，剑桥大学，英国） ； SAP SE ； Télécom Paris, Institut Polytechnique de Paris, France（巴黎telecom，巴黎理工 institute，法国）
AI总结 本文提出TabFORGE，一种基于预训练因果感知特征编码器的表格基础生成模型，通过两阶段设计缓解潜在嵌入分布偏移，实现高质量合成表格数据生成。
成对不够：用于多智能体路径规划的超图神经网络
机构 * University of Cambridge（剑桥大学） ； National Institute of Advanced Industrial Science and Technology（国家先进工业科学与技术研究院）
AI总结 本文提出HMAGAT超图多智能体注意力网络，通过超图注意力机制捕捉群体动态，解决多智能体路径规划中的注意力稀释问题，展现超图表示在复杂交互中的优势。
Comments Published at ICLR 2026
LILO：带有自然语言反馈的贝叶斯优化
机构 * Meta ； DAMTP, University of Cambridge（剑桥大学DAMTP）
AI总结 LILO通过将大语言模型转化为结构化偏好信号，提升贝叶斯优化在复杂主观偏好下的适应性与效率，实验证明其在反馈受限场景中表现优异。
Journal ref Proceedings of the 43rd International Conference on Machine Learning, Seoul, South Korea. PMLR 306, 2026
CauSim：通过日益复杂的因果模拟器扩展因果推理
机构 * DAMTP, University of Cambridge, Cambridge, UK（剑桥大学 DAMTP 实验室，剑桥，英国）
AI总结 CauSim通过构建日益复杂的因果模拟器，将因果推理从稀缺标签问题转化为可扩展的监督学习问题，实现跨表示的泛化和因果推理能力的提升。
基于混合策略蒸馏的推理压缩
机构 * Technical University of Munich（慕尼黑技术大学） ； GESIS – Leibniz Institute for the Social Sciences（莱布尼茨社会科学研究所） ； Northeastern University（东北大学） ； LMU Munich（慕尼黑大学） ； Siemens AG（西门子股份公司） ； University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） ； Mina AI
AI总结 本文提出混合策略蒸馏框架，通过从大模型压缩推理轨迹到小模型，有效减少token使用并提升推理性能。
EdgeFlowerTune: 在现实边缘系统约束下评估联邦大语言模型微调
机构 * Duke Kunshan University（杜克-肯尼思大学） ； Flower Labs（Flower实验室） ； University of Cambridge（剑桥大学）
AI总结 本文提出EdgeFlowerTune基准，评估联邦LLM微调在现实边缘系统中的可行性，通过联合评估模型质量和系统成本，包括通信、时延、内存使用、能耗和动态边缘条件鲁棒性，揭示仅凭准确率评估的局限性。
Comments 30 pages, 10 figures
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