高校专区
导航对齐-校准权衡：通过模型合并实现帕累托更优前沿
机构 * University of Cambridge（剑桥大学）
AI总结 本文发现后训练对齐不仅降低任务准确率，还严重损失校准性能，导致模型过度自信且输出多样性下降。通过简单地在对齐前后模型权重间进行插值，可以持续获得帕累托最优模型，同时提升准确率和恢复校准。
Comments ACL 2026 Findings
DriveVA: 视频动作模型是零样本驱动器
机构 * University of Twente（特温特大学） ； Xiaomi EV（小米电动汽车） ； University of Cambridge（剑桥大学） ； University of Bath（巴斯大学）
AI总结 DriveVA提出了一种新的自动驾驶世界模型，通过共享潜在生成过程联合解码未来视觉预测和动作序列，提升跨数据集和传感器配置的泛化能力，减少碰撞率和误差。
Comments Accepted to ECCV 2026. 30 pages, 12 figures, 11 tables
当AI代理竞争工作岗位：AI劳动力市场的战略能力与经济动态
机构 * DAMTP, University of Cambridge（剑桥大学应用数学与理论物理系）
AI总结 本文提出AI-Work模拟平台，研究AI代理在劳动力市场中的竞争行为，发现元认知、竞争意识和长期战略规划能力使代理获得更高利润和市场份额。
Comments Accepted at ICML 2026, Code available at https://github.com/chy-chiu/ai-work
缺失数据下的深度学习
机构 * Statistical Laboratory, University of Cambridge（剑桥大学统计实验室） ； Department of Statistics, London School of Economics（伦敦政治经济学院统计系）
AI总结 提出模式嵌入神经网络（PENNs），结合任意插补技术处理缺失协变量，通过双重神经网络学习观测模式，理论证明其达到极小化最优收敛速率，实验验证性能显著提升。
Comments 57 pages, 13 figures
随机对照试验与人类提升研究：前沿AI评估的方法论挑战与实践解决方案
机构 * RAND ； Johns Hopkins University（约翰霍普金斯大学） ； Cornell University（康奈尔大学） ； Harvard University（哈佛大学） ； University of Cambridge（剑桥大学） ； London School of Economics（伦敦经济学院）
AI总结 本文通过访谈16位专家，系统梳理了人类提升研究（测量AI对人类绩效影响）在随机对照试验中面临的方法论挑战，包括内部效度、外部效度和构念效度问题，并提出了相应的解决方案。
用自然语言提示机器人团队
机构 * Department of Computer Science and Technology, University of Cambridge（剑桥大学计算机科学与技术系） ； Department of Mechanical and Process Engineering, ETH Zurich（苏黎世联邦理工学院机械与过程工程系）
AI总结 提出利用语言模型将高层任务分解为子任务，并蒸馏为循环神经网络（RNN）以支持多机器人团队的去中心化实时执行，通过图神经网络控制策略实现协作。
Comments This paper has been accepted for publication at IEEE Robotics and Automation Letters. Please, when citing the paper, refer to the official version
利用已知信息：带有部分图结构的因果基础模型
机构 * University of Cambridge（剑桥大学） ； Gatsby Computational Neuroscience Unit（加布特计算神经科学单位） ； Prior Labs（Prior实验室） ； University of Freiburg（弗赖堡大学） ； The Alan Turing Institute（艾伦·图灵研究所） ； University of Oxford（牛津大学）
AI总结 提出在因果基础模型中注入因果图或祖先信息的方法，利用图卷积编码器和注意力机制有效利用部分因果信息，使通用模型匹配专用模型性能。
Journal ref ICML 2026
MINIF2F-DAFNY: 通过自动主动验证的LLM引导数学定理证明
机构 * University of Cambridge, Cambridge, UK（剑桥大学） ； Amazon Web Services, London, UK（亚马逊网络服务（伦敦）） ； Amazon Web Services, Boston, USA（亚马逊网络服务（波士顿））
AI总结 提出首个将数学基准miniF2F翻译到自动主动验证器Dafny的数据集，评估8个LLM的证明生成能力，最佳模型Claude Opus 4.6达到62.7%的累积通过率，比空证明基线提升23.8个百分点。
MyoInteract：一种使用强化学习快速原型设计生物力学人机交互任务的框架
机构 * University of Cambridge（剑桥大学） ； Center for Scalable Data Analytics and Artificial Intelligence (ScaDS.AI) Dresden/Leipzig, Leipzig University（可扩展数据与人工智能分析中心（ScaDS.AI）德累斯顿/莱比锡，莱比锡大学）
AI总结 提出MyoInteract框架，通过强化学习生物力学模拟，将设置和训练时间从数天缩短至数分钟，使非专家也能快速原型化人机交互任务。
Comments Published at Designing Interactive Systems (DIS) 2026
基于自注意力的策略梯度用于无模型分布式非线性多智能体博弈
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 Electrical and Computer Engineering, University of California San Diego（电气与计算机工程系，加州大学圣地亚哥分校） ； RoPeRt group, at DIIS - I3A, Universidad de Zaragoza（RoPeRt组，DIIS - I3A，阿拉贡大学）
AI总结 提出一种分布式策略结构，通过策略梯度学习，利用自注意力层处理时变通信拓扑，解决无模型非线性多智能体博弈问题，在多种场景中表现优异。
Comments The paper has been accepted and will be presented at IEEE/RSJ IROS 2026
社会对齐框架可以改进大语言模型对齐
机构 * ETH Zurich（苏黎世联邦理工学院） ； Mila, McGill University（麦吉尔大学米尔人工智能实验室） ； University of Cambridge（剑桥大学） ； Columbia University（哥伦比亚大学） ； University of Toronto, Google DeepMind（多伦多大学与DeepMind） ； McGill University, ServiceNow（麦吉尔大学与ServiceNow） ； Google DeepMind（谷歌DeepMind） ； University of Utah（犹他大学） ； King's College London（伦敦国王学院） ； Johns Hopkins University（约翰霍普金斯大学） ； Mila, McGill University, ServiceNow（麦吉尔大学米尔人工智能实验室与ServiceNow）
AI总结 本文提出借鉴社会、经济和契约对齐框架来改进大语言模型对齐，探讨不确定性在其中的作用，并将目标未指定性视为机遇而非缺陷，同时强调参与式对齐界面设计的必要性。
对抗动力系统刻画数据驱动学习何时成功或失败
机构 * DAMTP, University of Cambridge（剑桥大学DAMTP）
AI总结 通过对抗动力系统界定数据驱动学习的可行性边界，在Koopman算子学习中给出收敛性与不可能性结果，并在北极海冰预测中超越现有模型。
Comments 16 pages + SM Appendix, final version accepted in Nature Communications
通过策略拍卖扩展小型智能体
机构 * Meta Superintelligence Labs（Meta超智能实验室） ； Imperial College London（帝国理工学院伦敦分校） ； University of Cambridge（剑桥大学）
AI总结 针对小型语言模型在复杂任务中性能不足的问题，提出受自由职业市场启发的SALE框架，通过策略拍卖实现任务分配与测试时自我改进，在降低对大型模型依赖和成本的同时提升性能。
Comments ICML 2026
基于运行时治理的嵌入式联邦学习用于缺铁预测
机构 * Theoretical Physics University of Cambridge Cambridge, UK ； Translational AI Laboratory, Dept. of Laboratory Medicine Amsterdam UMC Amsterdam, The Netherlands ； Precision Health University Research Institute Queen Mary Univ. of London London, UK ； Department of Medicine University of Cambridge Cambridge Biomedical Campus Cambridge, UK ； Transplant Cambridge Biomedical Campus Cambridge, UK ； Dept. of Cardiology Amsterdam Cardiovascular Sciences Amsterdam UMC Amsterdam, The Netherlands
AI总结 本文提出了一种基于嵌入的联邦学习框架，用于从常规全血计数数据中预测缺铁，并在两个临床环境中部署，展示了个性化聚合方法在处理不同样本量和任务相关性时的优越性。
看到场景才重要：通过场景感知的长视频基准揭示视频理解模型中的遗忘现象
机构 * CUHK (SZ)（香港中文大学（深圳）） ； University of Cambridge（剑桥大学） ； UESTC（电子科技大学） ； CUHK（香港中文大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 本文提出SceneBench基准，揭示视频理解模型在长场景上下文中的遗忘问题，并提出Scene-RAG方法提升性能2.50%。
Comments Accepted to CVPR 2026 (Highlight)
Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2026
Jacobian-Aware 后验采样用于逆问题
机构 * Tel Aviv University, Israel（特拉维夫大学，以色列） ； Bar-Ilan University, Israel（巴伊兰大学，以色列） ； University of Cambridge, UK（剑桥大学，英国）
AI总结 提出 Jacobian-Aware 后验采样器 (JAPS)，通过结合扩散去噪器的 Jacobian 先验与近端解，在无额外计算成本下提升逆问题重建质量。
Comments Accepted by TMLR 2026; Code at https://github.com/liavhen/JAPS
学习模拟器的概率性改造
机构 * The Polymathic AI Collaboration（多智AI协作体） ； University of Cambridge（剑桥大学） ； Alan Turing Institute（艾伦·图灵研究所）
AI总结 提出一种训练高效的策略，通过连续排序概率得分（CRPS）将预训练的确定性模型改造为概率模型，无需从头训练，适用于多种架构，在多个动力系统上显著提升预测性能。
Comments Code provided at https://github.com/cddcam/lola_crps
这是什么语言？问你的分词器
机构 * EPFL（苏黎世联邦理工学院） ； University of Cambridge（剑桥大学）
AI总结 提出基于UnigramLM分词算法的UniLID方法，通过比较字符串在各语言单字分布下的似然进行语言识别，在低资源和细粒度方言场景下显著提升样本效率。
Comments In Proceedings of ICML 2026
基于深度多任务学习的能量注入识别辅助分解
机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； The Hong Kong University of Science（香港科学大学） ； Southern University of Science（南方科技大学） ； University of Cambridge（剑桥大学）
AI总结 提出DualNILM框架，通过深度多任务学习同时实现电器状态识别和注入能量识别，解决分布式能源对非侵入式负荷监测的干扰问题。
Comments Accepted to The 17th ACM International Conference on Future and Sustainable Energy Systems (ACM e-Energy 2026)
VDAWorld: 通过VLM导向的抽象与模拟进行世界建模
机构 * University of Cambridge（剑桥大学）
AI总结 提出VDAWorld框架，利用视觉语言模型自主构建场景表示并选择物理模拟器，通过抽象与自适应模拟实现高质量世界建模，在交互控制、反事实生成和物理逻辑推理任务上取得最优结果。
Comments Website: https://felixomahony.github.io/vdaworld/
AgentMisalignment：衡量基于LLM的代理中失调行为的倾向性
机构 * Department of Computer Science（计算机科学系） ； University of Oxford（牛津大学） ； Institute of Intelligent Systems and Robotics（智能系统与机器人研究所） ； Sorbonne Université（索邦大学） ； The Leverhulme Centre for the Future of Intelligence（未来智能中心） ； University of Cambridge（剑桥大学） ； Independent Researcher（独立研究者） ； Department of Computer Science and Technology（计算机科学与技术系） ； Department of Engineering（工程系）
AI总结 提出AgentMisalignment基准，评估LLM代理在真实场景中自发追求非预期目标的倾向，发现更强大的代理平均表现出更高的失调倾向，且个性特征对失调影响显著。
Comments Prepint, under review for NeurIPS 2025
LoRDO: 分布式低秩优化与低频通信
机构 * University of Cambridge（剑桥大学） ； Institute of Science and Technology Austria（奥地利科学与技术研究院） ； Lancaster University（兰卡斯特大学） ； Flower Labs（Flower实验室）
AI总结 提出LoRDO框架，统一低秩优化与低频同步，通过全秩准双曲更新恢复子空间探索，在125M-720M模型规模下实现与低秩DDP近似的性能，通信量减少约10倍。
Comments Accepted at ICML 2026
基于虚拟模型控制的周期性鲁棒机器人砍切
机构 * University of Cambridge（剑桥大学） ； University of Tokyo（东京大学）
AI总结 提出一种物理结构化的虚拟模型控制器，通过切换虚拟机构生成鲁棒的周期性砍切运动，无需预规划轨迹，在Franka机械臂上实现多种蔬菜的亚毫米级精确切割。
MemBoost：一种面向成本感知的LLM推理的内存增强框架
机构 * University of Cambridge（剑桥大学） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 提出MemBoost框架，通过轻量模型重用历史答案和检索支持信息，并选择性将困难查询路由到强模型，以降低LLM推理成本，同时保持回答质量。
Comments ICML MemFM 2026 Workshop
学习患者特异性疾病动态：基于潜在流匹配的纵向影像生成
机构 * University of Cambridge（剑桥大学） ； Nanjing First Hospital（南京第一医院） ； Nanjing Medical University（南京医科大学） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Dundee（邓迪大学）
AI总结 提出Δ-LFM框架，利用流匹配对齐患者潜在轨迹，通过患者特异性潜在对齐实现单调疾病进展建模，在三个纵向MRI基准上验证了可解释性和性能。
Comments ICLR 2026 accepted
用于代理网络运维和AI运维的大型语言模型：架构、评估与安全
机构 * School of Computing and Communications（计算与通信学院） ； University of Cambridge（剑桥大学） ； School of Software（软件学院） ； Nanjing University of Information Science and Technology（南京信息科技大學） ； TU Wien（维也纳技术大学） ； ICREA
AI总结 本文探讨了大型语言模型在网络运维和AI运维中的应用，分析了代理架构、评估方法及安全挑战，强调系统可靠性依赖于模型周边机制，而非模型本身。
Comments 49 pages, 15 figures, 6 tables; survey article
代理世界建模：基础、能力、定律及更远
机构 * Hong Kong University of Science and Technology（香港科学与技术大学） ； National University of Singapore（新加坡国立大学） ； University of Oxford（牛津大学） ； Nanyang Technological University（南洋理工大学） ； Chinese University of Hong Kong（香港中文大学） ； University of Hong Kong（香港大学） ； University of Washington（华盛顿大学） ； University of Tokyo（东京大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Cambridge（剑桥大学） ； Singapore University of Technology and Design（新加坡科技设计大学） ； Singapore Management University（新加坡管理学院） ； XGEN Labs（XGEN实验室）
AI总结 本文提出'层次x定律'分类法，定义三个能力层级和四个约束领域，综合400余篇文献总结100余系统，分析方法、失败模式和评估实践，提出决策导向的评估原则和可复现评估包，展望从被动预测到重塑环境的代理世界建模路径。
EmbodiTTA：面向具身视觉系统的资源高效测试时自适应
机构 * Singapore Management University（新加坡管理大学） ； Samsung AI Center–Cambridge（三星AI中心-剑桥） ； University of Cambridge（剑桥大学）
AI总结 提出按需测试时自适应范式OD-TTA，通过轻量域移检测、源域选择和分离批归一化更新，在边缘设备上实现高效准确的自适应，显著降低计算和能耗开销。
EvalStop：利用世界反馈检测和纠正多租户RLHF平台中的奖励过度优化
机构 * DeepMind, London, UK（深度Mind, 英国伦敦） ； University of Cambridge, UK（英国剑桥大学） ； University of Washington, USA（美国华盛顿大学）
AI总结 提出EvalStop调度原语，通过检测评估分数连续下降来终止作业、释放GPU并保留最佳检查点，以纠正奖励过度优化，在RLHF负载上实现高精度检测并提升JCT。
CoBit: 基于比特流扩散的语言建模
机构 * University of Cambridge（剑桥大学）
AI总结 提出CoBit模型，将文本建模为固定宽度二进制比特流上的连续扩散过程，采用匹配滤波残差参数化和基于熵率门控的朗之万校正采样器，在LM1B和OpenWebText上达到接近自回归模型的生成困惑度，并消除词汇表缩放瓶颈。
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