LatentLens: Revealing Highly Interpretable Visual Tokens in LLMs
LatentLens: 揭示大语言模型中高度可解释的视觉标记
机构 * University of Cambridge（剑桥大学）
AI总结 提出 LatentLens 方法，通过将视觉标记与文本语料库中的上下文标记表示进行最近邻匹配，实现视觉标记的可解释性，发现大多数视觉标记在各层均具有可解释性。
Comments ICML 2026 (Camera Ready)
高校专区
University of Cambridge（剑桥大学）
Geometry-Guided Generative Representation for Functional Brain Graphs
功能脑图的几何引导生成表示
机构 * University of Cambridge（剑桥大学）
AI总结 研究针对网络神经科学中功能脑图表征问题，用图变换器自动编码器，结合特定领域功能梯度几何，无监督学习紧凑脑图表示，能分离认知状态、解码视觉刺激，还可生成合成脑图。
Comments Accepted at the 43rd International Conference on Machine Learning (ICML 2026)
Lower-Resource, Higher Scores: Language Bias in LLM Evaluators
语言模型评估器在不同语言间存在偏差
机构 * University of Cambridge（剑桥大学） ； Language Technology Lab（语言技术实验室）
AI总结 研究发现语言模型评估器在多语言环境中存在偏差，不同语言评分差异显著，与语言资源水平相关，成对准确率无法检测到这些偏差，还探究了资源少的语言得分高的原因，揭示了语言层面的结构错位。
Reframing AI Loss of Control: What Control Is, How to Have It, How to Lose It
重新定义AI失控：它是什么，如何拥有，如何失去
机构 * Oxford Martin AI Governance Initiative AI Standards Lab（牛津马丁人工智能治理倡议人工智能标准实验室） ； Centre for the Study of Existential Risk, University of Cambridge（存在风险研究中心，剑桥大学） ； Institute of Mathematics Education, University of Cologne（数学教育研究所，科隆大学） ； Cornell University（康奈尔大学）
AI总结 本文通过将控制锚定于“设定和获取目标”，建立控制的工作定义，探讨控制如何被失去、AI如何导致失控，并提出维持控制的建议。
Comments 64 pages
Automatic Construction of Clinical Scoring Systems with LLM Agents
基于LLM代理的临床评分系统自动构建
机构 * DAMTP, University of Cambridge, Cambridge, UK（剑桥大学 DAMTP 实验室，剑桥，英国）
AI总结 提出AgentScore方法，利用大语言模型进行语义引导的规则搜索与验证，自动构建符合临床部署约束的加权评分系统，在多个任务上优于现有方法。
Data Reliability Scoring
数据可靠性评分
机构 * Harvard University（哈佛大学） ； University of Cambridge（剑桥大学） ； George Mason University（乔治·梅森大学）
AI总结 研究在无法获取真实情况时评估数据集可靠性的问题，提出Gram行列式分数，通过衡量描述观测数据和实验结果的向量所跨体积来评估，实验表明该分数能有效捕捉不同观测过程中的数据质量，具有实验不可知论特性。
Comments 43 pages, 17 figures
Data-driven Machine Learning Cannot Reach Symbolic-level Logical Reasoning -- The Limit of the Scaling Law
数据驱动的机器学习无法达到符号级逻辑推理——缩放定律的极限
机构 * The Alan Turing Institute（艾伦·图灵研究所） ； University of Cambridge（剑桥大学）
AI总结 本文通过理论分析和实验证明，数据驱动的监督深度学习无法通过增加训练数据和时间达到符号级三段论推理的严谨性，并揭示了训练数据和方法上的根本限制。
Factorized Neural Operators Decompose Dynamic and Persistent Responses
因子化神经算子分解动态与持久响应
机构 * School of Medicine, University of Dundee（邓迪大学医学院） ； School of Data Science, Fudan University（复旦大学数据科学学院） ； School of Mathematical Sciences, Fudan University（复旦大学数学科学学院） ； Institute of Science and Technology for Brain-inspired Intelligence, Fudan University（复旦大学类脑智能科学与技术研究院） ； School of Science and Engineering, University of Dundee（邓迪大学科学与工程学院） ； Department of Applied Mathematics and Theoretical Physics, University of Cambridge（剑桥大学应用数学与理论物理系）
AI总结 提出因子化神经算子（FaNO），通过分解谱表示为等变动态响应和不变持久响应，提升多尺度物理系统的预测精度、参数效率和跨尺度泛化能力。
FAIR_XAI: Improving Multimodal Foundation Model Fairness via Explainability for Wellbeing Assessment
FAIR_XAI: 通过可解释性提升多模态基础模型公平性以用于幸福感评估
机构 * Department of Computer Science & Technology, University of Cambridge（计算机科学与技术系，剑桥大学） ； Harvard University（哈佛大学）
AI总结 本文研究了多模态基础模型在幸福感评估中的公平性问题，通过可解释性干预框架改善诊断可靠性与公平性，发现不同模型在不同数据集上表现差异显著，且存在性别和种族偏见。
Comments 11 pages, 4 figures
From physical surfaces to human-centric heat stress: LST and UTCI heat mapping reveals nonlinear effects of urban morphology
超越地表温度：可解释的空间机器学习揭示城市形态对以人类为中心的热压力的影响
机构 * Department of Architecture, National University of Singapore, Singapore 117566, Singapore ； Cambridge Centre for Advanced Research ； Sustainable Design Group, Department of Architecture, University of Cambridge, Cambridge, United Kingdom ； Department of City ； Regional Planning, University of Pennsylvania, Philadelphia, PA 19104, USA ； Urban Analytics Subject Group, Urban Studies \& Social Policy Division, University of Glasgow ； Laboratory for Earth Surface Processes, Ministry of Education, College of Urban ； Environmental Sciences, Peking University, Beijing 100871, China
AI总结 本文通过比较地表温度与通用热气候指数，揭示城市形态对人类热压力的影响，采用可解释的机器学习方法分析两者在空间分布和机制上的差异。
Comments Accepted manuscript. The final published version is available at https://doi.org/10.1016/j.scs.2026.107659
A Machine Learning Benchmarking Framework for Lipid Nanoparticle Transfection Efficiency Prediction
用于脂质纳米颗粒转染效率预测的机器学习基准框架
机构 * Department of Electrical and Computer Engineering, University of Southern California（电气与计算机工程系，南加州大学） ； University of Cambridge（剑桥大学） ； School of Pharmacy, University of Wisconsin-Madison（威斯康星大学麦迪逊分校药学院） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； East Tennessee State University（东田纳西州立大学）
AI总结 研究针对脂质纳米颗粒转染效率预测，提出机器学习基准框架，系统测试不同分子表示与机器学习架构，用特定数据集评估模型，显示利用显式分子子结构编码的模型准确性最高，为相关预测模型发展建立基线。
Comments Published in Communications AI & Computing (Nature Portfolio), 2026
Journal ref Commun. AI Comput. 1, 2 (2026)
BiliVLA: Scene-Aware Vision-Language-Action Model with Reinforcement Learning for Autonomous Biliary Endoscopic Navigation
BiliVLA: 基于强化学习的场景感知视觉-语言-动作模型用于自主胆道内镜导航
机构 * The Chinese University of Hong Kong（香港中文大学） ； The Third Affiliated Hospital of Sun Yat-sen University（中山大学附属第三医院） ； University of Cambridge（剑桥大学） ； University of California, Davis（加州大学戴维斯分校）
AI总结 提出BiliVLA框架，将胆道内镜导航建模为指令条件化的视觉运动学习问题，结合场景感知监督和两阶段训练（SFT+GRPO），在ERCP子任务中实现91.96%的动作精度和84.85%的成功率。
From Reward-Hack Activations to Agentic Risk States: Context-Calibrated Mechanistic Monitoring in LLM Agents
从奖励黑客激活到智能体风险状态：LLM智能体中的上下文校准机制监控
机构 * University of Cambridge（剑桥大学）
AI总结 本研究通过分析ReAct风格智能体在Gameable ALFWorld和WebShop环境中的奖励黑客行为，提出结合激活状态、熵和决策上下文的上下文校准监控方法，以更准确评估智能体风险。
Spectral Diffusion Processes
谱扩散过程
机构 * University of Oxford（牛津大学） ； ENS, CNRS, PSL University Paris（巴黎高等师范学院、国家科学研究中心、巴黎大学） ； University of Cambridge（剑桥大学）
AI总结 研究将扩散模型应用于函数空间上的随机过程，通过谱表示分离随机部分与时空结构，用有限维扩散模型建模谱系数，经截断确保模型有效性，投影回原空间对应相关噪声扩散模型，还展示了方法在多模态数据建模及条件采样上的有效性。
Comments This version (v3) extends the previous workshop version (v2) with conditional sampling and theoretical results. Work carried out in 2022/23. V2 appeared in Score-based Methods Workshop at the 36th Conference on Neural Information Processing Systems (NeurIPS 2022)
Revisiting Neural Processes via Fourier Transform and Volterra Series
通过傅里叶变换和Volterra级数重新审视神经过程
机构 * University of Cambridge（剑桥大学）
AI总结 本文利用Volterra展开和集合傅里叶卷积，提出了两种新的条件神经过程模型，解决了现有平移等变神经过程在可解释性和计算效率上的局限性。
Rare Event Analysis via Stochastic Optimal Control
基于随机最优控制的稀有事件分析
机构 * Microsoft Research New England（微软研究院新英格兰分部） ； Cornell University（康奈尔大学） ； University of Cambridge（剑桥大学） ； Courant Institute of Mathematical Sciences, NYU（纽约大学Courant数学科学研究所）
AI总结 提出将稀有事件分析中的committor函数估计转化为随机最优控制问题，通过反馈控制引导轨迹采样，并开发两种损失函数及处理亚稳态的方法，在基准系统上获得更准确的结果。
People use fast and flat simulation to reason about new games
人们使用快速且扁平的模拟来对新游戏进行推理
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Princeton University（普林斯顿大学） ； University of Cambridge（剑桥大学） ； Stanford University（斯坦福大学） ； New York University（纽约大学） ； The Alan Turing Institute（艾伦·图灵研究所）
AI总结 研究人们对新游戏的推理，通过超千名参与者和121种新棋盘游戏的研究，发现人们玩新游戏或评估时具系统性和适应性理性，用“直观玩家”模型解释，为新问题应对及类人AI系统设计提供见解。
Data-Driven Registration and Modeling of Brain Deformation for Image-Guided Neurosurgery: A Systematic Review
数据驱动的图像配准与变形建模在图像引导神经外科中的应用：系统综述
机构 * LASIGE, Faculty of Sciences, University of Lisbon（里斯本大学科学学院LASIGE） ； Department of Neurosurgery and Department of Radiology, Brigham and Women's Hospital, Harvard Medical School（哈佛医学院布里洛妇女医院神经外科与放射科） ； Gina Cody School of Engineering and Computer Science, Concordia University（康科迪亚大学工程与计算机科学学院） ； Cancer Research UK Cambridge Centre, University of Cambridge（剑桥大学癌症研究英国中心） ； Department of Oncology, University of Cambridge（剑桥大学肿瘤科） ； Department of Clinical Neurosciences, University of Cambridge（剑桥大学临床神经科学系） ； Computational Health Informatics Program (CHIP) and Department of Radiology, Boston Children's Hospital, Harvard Medical School（哈佛医学院波士顿儿童医院计算健康信息学计划与放射科） ； Sorbonne Université, Institut du Cerveau - Paris Brain Institute - ICM（索邦大学巴黎脑研究所-ICM）
AI总结 系统综述2020-2025年间基于学习的脑变形补偿方法，包括深度学习配准、变形场回归、多模态对齐、切除感知架构及混合模型，指出当前方法在鲁棒性、标准化基准、可解释性和临床部署方面的局限，并展望未来研究方向。
Comments 41 pages, 7 figures, 9 tables. Accepted at Medical Image Analysis
Polyglot Teachers: Evaluating Language Models for Multilingual Synthetic Data Generation
多语言教师：评估语言模型用于多语言合成数据生成
机构 * Language Technology Lab, University of Cambridge（剑桥大学语言技术实验室）
AI总结 本文评估了多语言教师模型的有效性，通过Polyglot Score衡量数据质量和学生模型表现，发现Gemma 3和Aya Expanse在不同学生模型家族中表现优异，数据质量如提示多样性、长度和响应流畅度对教学效果影响显著。
Comments Added human evaluation experiment results. Code is in https://github.com/ljvmiranda921/polyglot-teachers
Unequal Uncertainty: Rethinking Algorithmic Interventions for Mitigating Discrimination from AI
不平等的不确定性：重新思考减轻人工智能歧视的算法干预
机构 * University of Cambridge（剑桥大学） ； Northumbria University（北umbria大学） ； George Washington University（乔治华盛顿大学） ； King’s College London（伦敦大学国王学院）
AI总结 研究人工智能预测不确定性带来的法律伦理问题，通过对英国法律下基于不确定性的算法干预（选择性弃权和选择性摩擦）进行教义分析及案例研究，发现不确定性阈值有歧视性影响，认为选择性摩擦在法律上更优，还探讨其对决策质量的影响及条件。
Comments Accepted at the 5th European Conference on Algorithmic Fairness (ECAF 2026). To appear in Proceedings of Machine Learning Research
ZeroBench: An Impossible Visual Benchmark for Contemporary Large Multimodal Models
ZeroBench：当代大型多模态模型的一个不可能的视觉基准测试
机构 * University of Cambridge（剑桥大学） ； University of Alberta（阿尔伯塔大学） ； The University of Hong Kong（香港大学） ； University of Oxford（牛津大学） ； Northeastern University（东北大学） ； Astadeus ； College of Southern Maryland（马里兰州南部学院） ； University of Geneva（日内瓦大学） ； University of Oregon（俄勒冈大学）
AI总结 针对大型多模态模型在图像解释方面不足但在现有视觉基准测试中优势易逝的问题，引入通过对抗过滤策划的ZeroBench基准测试，评估多个模型，展现其潜力并公开测试内容，为模型视觉能力评估提供长期有效的新基准。
Comments Accepted at ICML 2026
Multilinguality at the Edge: Developing Language Models for the Global South
边缘侧多语言性：为全球南方开发语言模型
机构 * Language Technology Lab, University of Cambridge（剑桥大学语言技术实验室） ； Technion – Israel Institute of Technology（技术学院——以色列理工学院）
AI总结 针对全球南方非英语、硬件受限社区的语言模型落地难题，调研232篇相关文献，梳理多语言与边缘部署交叉领域进展，提出面向NLP生态各方的可行建议。
Comments Updated formatting and improved spacing. Project website is in https://ljvmiranda921.github.io/multilinguality-at-the-edge/
Graph Representation Learning Augmented Model Manipulation on Federated Fine-Tuning of LLMs
图表示学习增强的模型操纵在联邦微调大型语言模型中的应用
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） ； Interdisciplinary Centre for Security, Reliability and Trust (SnT), University of Luxembourg（安全、可靠与信任跨学科中心（SnT），卢森堡大学） ； Telecommunication Networks group (TKN) at the School of Electrical Engineering and Computer Science, TU Berlin（电信网络组（TKN）位于电气工程与计算机科学学院，柏林技术大学） ； Center for neXt-Generation 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 本文提出AugMP策略，通过图表示学习框架和迭代操纵算法，增强对抗性更新的有效性和隐蔽性，实验表明其能显著降低全局LLM准确率。
TokSuite: Measuring the Impact of Tokenizer Choice on Language Model Behavior
TokSuite：衡量分词器选择对语言模型行为的影响
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； Google DeepMind（谷歌DeepMind） ； McGill University（麦吉尔大学） ； University of Cambridge（剑桥大学） ； Hugging Face
AI总结 提出TokSuite，含模型集合与基准测试，通过不同分词器的预训练模型及多语言鲁棒性基准测试，解耦分词器影响，阐明多种流行分词器优缺点。
Comments ICML 2026. 46 pages, 13 figures
Equivalence of Context and Parameter Updates in Modern Transformer Blocks
现代Transformer模块中上下文与参数更新的等价性
机构 * University of Cambridge, UK（英国剑桥大学） ； Google Research（谷歌研究）
AI总结 研究将基础理论扩展到现代大语言模型多样架构，先为Gemma风格模块给出解析解，后推广结果并引入框架，证明特定条件下MLP模块可实现完美隐式权重补丁，有助于理解模型转换提示为有效权重的方式。
When is a System Discoverable from Data? Discovery Requires Chaos
系统何时可从数据中发现？发现需要混沌
机构 * University of Cambridge（剑桥大学） ； IBM Research（IBM研究院） ； LMU Munich and Munich Center for Machine Learning (MCML)（慕尼黑大学及慕尼黑机器学习中心）
AI总结 研究在何种条件下能从有限观测中唯一识别系统控制方程，发现混沌对连续或解析函数空间中系统可发现性至关重要，还探讨了不同情况及对工程应用的影响，表明数据驱动发现假设需重新评估。
Comments 17 pages, 5 figures; Newly added Stability results and Experiments
The Bayesian Approach to Continual Learning: An Overview
持续学习的贝叶斯方法：综述
机构 * NPL, Maxwell Centre, University of Cambridge（NPL、麦克斯韦中心、剑桥大学）
AI总结 探讨持续学习问题，利用贝叶斯推理方法，避免遗忘旧知识，无需从头重训，总结其不同设置、算法分类、现状及与其他领域联系，分析挑战并展望未来研究方向。
FLASH: Flexible Learning of Adaptive Sampling from History in Temporal Graph Neural Networks
FLASH：时态图神经网络中从历史灵活学习自适应采样
机构 * Ben-Gurion University of the Negev（本·古里安大学） ； Purdue University（普渡大学） ； University of Cambridge（剑桥大学）
AI总结 研究时态图未来链接预测汇总历史交互信号时，长历史会消耗资源，常用启发式采样静态且不适应图结构。提出FLASH可学习且图自适应的邻域选择机制，集成到TGNNs并端到端训练，实验证明性能提升。
Comments IJCAI 2026, 24 pages, 5 figures, 14 tables
When Does Predictive Inverse Dynamics Outperform Behavior Cloning?
何时预测性逆动力学优于行为克隆？
机构 * University of Cambridge（剑桥大学） ； Universitygrow
AI总结 本文通过理论分析解释了预测性逆动力学模型（PIDM）为何在行为克隆（BC）失败时表现更优，归因于偏差-方差权衡，并实验验证了PIDM在样本效率上的显著优势。
Comments To be published in proceedings of the International Conference on Machine Learning (ICML), 2026
It's a TRAP! Task-Redirecting Agent Persuasion Benchmark for Web Agents
这是一个陷阱！面向网络代理的任务重定向说服基准
机构 * University of Cambridge（剑桥大学）
AI总结 提出TRAP基准，评估大型语言模型驱动的网络代理在动态网页中易受提示注入攻击的程度，发现平均25%的任务中代理被重定向，揭示了心理驱动的系统漏洞。
Comments ICML 2026
