高校专区
用生成式AI应对气候行动的误解
机构 * University of Cambridge（剑桥大学） ； Yale University（耶鲁大学） ； Harvard T.H. Chan School of Public Health（哈佛大学T.H. Chan公共卫生学院）
AI总结 本文研究了个性化气候LLM在提升公众对气候行动影响认知和促进环保行为改变中的有效性。
Comments 11 pages; 2 figures; for study materials, data and supplement, see https://osf.io/9yda3/overview?view_only=dabb05c479b94444945da60096e5f490
SumTablets: 一则苏美尔泥板的转写数据集
机构 * Stanford University（斯坦福大学） ； University of Cambridge（剑桥大学）
AI总结 SumTablets数据集通过将苏美尔楔形文字泥板的Unicode表示与转写配对，为NLP方法应用于苏美尔转写提供了支持，展示了基于转换器的模型在快速验证转写方面的潜力。
Comments 11 pages with 3 figures
Journal ref Proceedings of the 1st Workshop on Machine Learning for Ancient Languages (ML4AL 2024), pages 192-202, Hybrid in Bangkok, Thailand and online. Association for Computational Linguistics
加权布里科夫平均加速数据驱动方法
机构 * Department of Computer Science and Software Engineering, Concordia University（计算机科学与软件工程系，康科迪亚大学） ； Department of Mathematics and Statistics, Concordia University（数学与统计学系，康科迪亚大学） ； Department of Applied Mathematics and Theoretical Physics, Cambridge University（应用数学与理论物理系，剑桥大学）
AI总结 加权布里科夫平均通过简单方法显著提升数据驱动算法的收敛速度和性能
迈向安全且人本对齐的游戏对话推荐的多智能体分解
机构 * Roblox Corporation（Roblox公司） ； University of Cambridge（剑桥大学）
AI总结 MATCHA通过多智能体框架提升游戏对话推荐的安全性与人本对齐，实现更精细的个性化和更强的对抗防御能力。
Comments ICML 2025 MAS, EACL 2026
三模态掩码扩散模型的设计空间
机构 * Apple（苹果公司） ； Google Deepmind（谷歌DeepMind） ； University of Cambridge（剑桥大学） ； MIT（麻省理工学院）
AI总结 本文提出了一种从头开始预训练的三模态掩码扩散模型，通过分析多模态扩展定律和批大小效应，实现了优化的推理采样，并在文本生成、图像生成和语音生成任务中取得了显著成果。
Comments 41 pages, 29 figures, 10 tables
基于边界引导的预算感知代理路由
机构 * University of Cambridge（剑桥大学） ； M365 Research, Microsoft（微软M365研究）
AI总结 本文提出基于边界引导的预算感知代理路由方法，通过动态选择廉价和昂贵模型以优化成本-成功率，并在稀疏奖励下实现高效训练和泛化能力。
动作推理：利用LLM进行三维空间中的机器人动作推理以实现积木堆叠
机构 * CV4DT, CSIC, Department of Engineering, University of Cambridge（CV4DT、CSIC、工程系、剑桥大学）
AI总结 本文提出ActionReasoning框架，利用LLM进行三维空间中的动作推理，实现稳定积木堆叠，提升机器人操作的泛化能力。
Comments 8 pages, 5 figures, accepted by the 2026 IEEE International Conference on Robotics and Automation
深度信息合成的基准测试
机构 * Huawei Noah’s Ark Lab, UK（华为诺亚实验室，英国） ； Imperial College London（伦敦帝国理工学院） ； UCL Centre for Artificial Intelligence（伦敦大学学院人工智能中心） ； University of Zurich（苏黎世大学） ； University of Sheffield（谢菲尔德大学） ； University of Cambridge（剑桥大学）
AI总结 DEEPSYNTH是一个评估智能体在复杂任务中信息合成与推理能力的新基准测试，通过多阶段数据收集流程和120个跨7个领域的任务，评估LLM在现实问题中的表现。
Comments Accepted at ICLR 2026
BabyLM四周年暨多语言研究：2026年BabyLM研讨会征文通知
机构 * IBM Research（IBM研究院） ； MIT（麻省理工学院） ； ETH Zürich（苏黎世联邦理工学院） ； Cornell University（康奈尔大学） ； University of Groningen（格罗宁根大学） ； NYU（纽约大学） ； Boston University（波士顿大学） ； University of Cambridge（剑桥大学） ； Georgia Tech（佐治亚理工学院） ； UC San Diego（南加州大学） ； Georgetown University（乔治城大学）
AI总结 BabyLM研讨会征文通知，聚焦多语言预训练与认知建模，包含训练效率、小规模数据集、模型评估等主题
Comments 8 pages, 1 table. arXiv admin note: substantial text overlap with arXiv:2502.10645
通过数据集分解学习解决复杂问题
机构 * University of Cambridge（剑桥大学） ； Microsoft Research（微软研究院） ； Mila - Quebec AI Institute（魁北克人工智能研究所）
AI总结 通过数据集分解和课程生成方法，提升模型解决复杂问题的能力
Comments NeurIPS 2025
基于皮层相似性网络的概率不变随机游走学习用于阿尔茨海默病和路易体痴呆诊断
机构 * Department of Computer Science and Engineering, University of Texas at Arlington, United States（德克萨斯理工大学计算机科学与工程系） ； School of Computing, University of Georgia, United States（佐治亚大学计算机学院） ； Department of Psychiatry, University of Cambridge, United Kingdom（剑桥大学精神病学系） ； Sheffield Institute for Translational Neuroscience, University of Sheffield, United Kingdom（谢菲尔德大学转化神经科学研究所）
AI总结 本文提出基于皮层相似性网络的概率不变随机游走学习方法，用于AD和LBD的诊断，通过保留排列不变性提升模型鲁棒性。
记忆高效的机器人群2D/3D形状组装
机构 * Cavendish Laboratory, University of Cambridge（剑桥大学卡文迪许实验室） ； School of Artificial Intelligence, Beihang University（北京航空航天大学人工智能学院） ； School of Automation Science and Electrical Engineering, Beihang University（北京航空航天大学自动化科学与电气工程学院） ； College of Artificial Intelligence, Zhejiang University（浙江大学人工智能学院）
AI总结 本文提出了一种记忆高效的树表示方法和基于行为的分布式控制器，用于实现机器人群在2D和3D中的高效形状组装，显著降低了内存使用并提升了速度。
MACE-POLAR-1：一种可极化的静电基础模型用于分子化学
机构 * Engineering Laboratory, University of Cambridge, Trumpington St, Cambridge, UK ； Yusuf Hamied Department of Chemistry, University of Cambridge, Lensfield Road, Cambridge, UK ； Cavendish Laboratory, University of Cambridge, J. J. Thomson Avenue, Cambridge, UK ； Scientific Computing Department, Science ； Technology Facilities Council, Daresbury Laboratory, Keckwick Lane, Daresbury WA4 4AD, UK ； Department of Physics ； Astronomy, University College London, 7-19 Gordon St, London WC1H 0AH, United Kingdom ； Initiative for Computational Catalysis, Flatiron Institute, 160 5th Avenue, New York, NY 10010 ； School of Natural ； Environmental Sciences, Newcastle University, Newcastle upon Tyne, UK ； Max Planck Institute for Polymer Research, Ackermannweg 10, Mainz, Germany
AI总结 MACE-POLAR-1通过引入长程静电学和极化迭代，提升了分子化学中非共价相互作用和超分子复合物的描述精度，适用于从小分子到蛋白质-配体复合物的多种计算场景。
PoseCraft: 基于令牌化的3D人体姿态和相机条件化的人像图像合成
机构 * University of Cambridge（剑桥大学） ； Google（谷歌）
AI总结 PoseCraft通过令牌化3D姿态和相机信息，提升人像合成的逼真度和细节保留能力。
预训练网络中的激活空间不确定性量化
机构 * Department of Engineering, University of Cambridge, Cambridge, UK（剑桥大学工程系） ； Mathematical Institute（数学研究所） ； Oxford-Man Institute, University of Oxford, Oxford, UK（牛津大学奥克斯曼研究所）
AI总结 GAPA通过在激活空间中提供闭合形式的epistemic方差，实现了预训练网络的高效不确定性量化，无需采样或反向传播。
失败的设定：自动发现认知错误的神经机制
机构 * Department of Engineering, University of Cambridge（工程系，剑桥大学） ； Department of Psychology, University of Cambridge（心理学系，剑桥大学） ； Department of Cognitive Science, Central European University（认知科学系，中央欧亚大学）
AI总结 本文提出通过训练RNNs复制行为特征，自动发现认知错误的神经机制，解决了传统方法在数据有限和行为优化上的不足。
重新审视时间图中的节点亲和预测
机构 * Ben-Gurion University of the Negev（贝纳尔-戈里翁大学奈杰夫分校） ； University of Bonn（波恩大学） ； University of Cambridge（剑桥大学）
AI总结 本文提出NAVIS模型，通过虚拟状态方法改进时间图中节点亲和预测，结合启发式方法与状态空间模型，提出新损失函数并验证其有效性。
Comments Accepted at ICLR 2026
通过信息论分析和改进链式思维可监控性
机构 * University of Cambridge（剑桥大学） ； Qualcomm AI Research（高通人工智能研究）
AI总结 本文通过信息论分析，提出两种方法改进链式思维监控器的可监控性，以提高监控准确性并防止奖励黑客问题。
Comments First two authors contributed equally
视觉规划：只用图像来思考
机构 * Language Technology Lab, University of Cambridge（剑桥大学语言技术实验室） ； Google（谷歌公司）
AI总结 本文提出视觉规划范式，通过图像进行推理，优于纯文本推理，在视觉导航任务中表现更优。
Comments ICLR 2026 (Oral)
RamanSeg：基于可解释性的深度学习在拉曼光谱用于癌症诊断中的应用
机构 * Department of Computer Science and Technology（计算机科学与技术系） ； University of Cambridge（剑桥大学） ； Department of Physics（物理系） ； Department of Otorhinolaryngology（耳鼻喉科系） ； Jena University Hospital（耶拿大学医院） ； Section Pathology of the Institute of Forensic Medicine（法医学研究所病理学部） ； Cambridge Raman Imaging Srl（剑桥拉曼成像有限公司）
AI总结 RamanSeg通过可解释的深度学习方法在拉曼光谱中实现癌症诊断，提高了分割性能和可解释性。
Comments 12 pages, 8 figures
对齐预训练：人工智能 discourse 导致自我实现的（不）对齐
机构 * Geodesic Research（Geodesic研究机构） ； UK AI Security Institute（英国人工智能安全研究所） ； University of Cambridge（剑桥大学） ； University of Oxford（牛津大学）
AI总结 本文通过预训练不同量级的AI discourse，发现其对下游对齐有显著影响，表明预训练数据塑造对齐先验的重要性。
一种可扩展的事件驱动控制神经形态架构
机构 * University of Cambridge, Department of Engineering（剑桥大学工程系） ； KU Leuven, Department of Electrical Engineering (STADIUS)（鲁汶大学电子工程系）
AI总结 本文提出了一种基于事件驱动的神经形态控制架构，结合离散计算与连续调节能力，用于实现蛇形机器人的神经系统设计。
分布式虚拟模型控制用于可扩展的人机协作在共享工作空间
机构 * Department of Engineering, University of Cambridge（工程系，剑桥大学）
AI总结 本文提出一种分布式虚拟模型控制框架，通过去中心化方法实现安全的人机协作，有效解决死锁问题并提升协作效率。
通过交错语义、音频和文本标记扩展开放离散音频基础模型
机构 * Stanford University（斯坦福大学） ； University of Southern California（南加州大学） ； University of Cambridge（剑桥大学）
AI总结 本文提出SODA模型，通过交错语义、音频和文本标记扩展开放离散音频基础模型，实现通用音频生成和跨模态能力。
DIAL：直接迭代对抗学习用于真实多轮对话模拟
机构 * Slingshot AI ； Department of Engineering, University of Cambridge（工程系，剑桥大学） ； Department of Psychiatry, NYU School of Medicine（精神病学系，纽约大学医学院）
AI总结 DIAL通过对抗训练提升多轮对话模拟的真实性，有效恢复词汇多样性并降低鉴别器准确性，适用于心理健康支持等复杂领域。
大语言模型能否为网络安全提供基于博弈论的场景？
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 本文研究大语言模型在网络安全中基于博弈论的场景有效性，发现其行为受语言和代理特征影响，需深入研究以确保安全应用。
TuneNSearch：一种结合迁移学习和局部搜索的方法用于解决车辆路径问题
机构 * Department of Mechanical Engineering, CEMMPRE, ARISE, Universidade de Coimbra（机械工程系、CEMMPRE、ARISE、科英布拉大学） ； Supply Chain AI Lab, Institute for Manufacturing, Department of Engineering, University of Cambridge（供应链AI实验室、制造研究所、工程系、剑桥大学）
AI总结 TuneNSearch结合迁移学习和局部搜索方法，有效解决车辆路径问题的不同变体，通过预训练和微调实现广泛适应性，性能优于单一预训练模型。
Journal ref Computers & Operations Research, 2026, 107433
重新思考词义变化检测的度量方法
机构 * Queen Mary University of London（伦敦女王学院） ； The Alan Turing Institute（艾伦·图灵研究所） ； University of Cambridge（剑桥大学）
AI总结 本文提出AMD和SAMD两种新度量方法，用于更稳健地检测词义变化，适用于不同编码器和表示空间。
Comments Accepted to the LChange 2026 Workshop, colocated with EACL 2026
Lipschitz连续变换的近似理论
机构 * Faculty of Life and Medical Sciences, Department of Biomedical Engineering, Doshisha University, RIKEN AIP（生命与医学科学学院，生物医学工程系，大原大学，RIKEN AIP） ； 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 本文提出了一类梯度下降型的上下文变换器，通过构造保证Lipschitz连续性，并在Lipschitz约束函数空间内证明了通用近似定理，为设计鲁棒的变换器架构提供了理论支持。
迈向基于空间转录组的病理基础模型
机构 * Department of Pathology, Mass General Brigham, Harvard Medical School, Boston, MA, USA（病理学系，马萨诸塞州总医院与哈佛医学院，波士顿，马萨诸塞州，美国） ； Department of Computer Science & Technology, University of Cambridge, Cambridge, UK（计算机科学与技术系，剑桥大学，剑桥，英国） ； Cancer Program, Broad Institute of Harvard and MIT, Cambridge, MA, USA（癌症计划，哈佛与麻省理工联合学院，剑桥，马萨诸塞州，美国） ； Data Science Program, Dana-Farber Cancer Institute, Boston, MA, USA（数据科学计划，达纳-法伯癌症研究所，波士顿，马萨诸塞州，美国） ； Harvard-MIT Division of Health Sciences and Technology, Massachusetts Institute of Technology, Cambridge, MA, USA（哈佛-麻省理工健康科学与技术 division，麻省理工学院，剑桥，马萨诸塞州，美国） ； Télécom Paris, Institut Polytechnique de Paris, Paris, France（巴黎电信学院，巴黎理工学院，巴黎，法国） ； Harvard Data Science Initiative, Harvard University, Cambridge, MA, USA（哈佛大学数据科学倡议，哈佛大学，剑桥，马萨诸塞州，美国）
AI总结 SEAL通过整合局部分子信息提升病理基础模型性能，实现跨模态应用与领域泛化。
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