高校专区
支持智能体的前瞻性分析以应对AI系统性风险：智能体用于广度，专家用于判断
机构 * GESIS - Leibniz Institute for the Social Sciences（GESIS-莱布尼茨社会科学研究所） ； ETH Zurich（苏黎世联邦理工学院） ； Nokia Bell Labs（诺基亚贝尔实验室） ； University of Cambridge（剑桥大学）
AI总结 本文提出了一种结合智能体和专家的前瞻性分析方法，用于评估AI系统的长期系统性风险，通过模拟智能体和专家讨论，扩大风险覆盖范围并提供上下文基础。
Comments 48 pages, 15 figures
轨迹拼接用于基于流模型的逆问题求解
机构 * University College London（伦敦大学学院） ； University of Cambridge（剑桥大学）
AI总结 MS-Flow通过轨迹拼接方法优化逆问题求解，减少内存消耗并提升重建质量。
Bolmo：字节化下一代语言模型
机构 * Allen Institute for AI（艾伦人工智能研究所） ； University of Cambridge（剑桥大学） ； University of Washington（华盛顿大学） ； University of Edinburgh（爱丁堡大学）
AI总结 Bolmo通过两阶段转换将现有子词模型转换为字节级模型，实现性能和细粒度理解的平衡。
同时触觉-视觉感知用于学习多模态机器人操作
机构 * Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院） ； School of Psychological and Cognitive Sciences, Peking University（北京大学心理与认知科学学院） ； Beijing Key Lab of Behavior and Mental Health, Peking University（北京大学行为与心理健康北京市重点实验室） ； Beijing Institute for General Artificial Intelligence（北京一般人工智能研究院） ； State Key Lab for General Artificial Intelligence（一般人工智能国家重点实验室） ； Embodied Intelligence Lab, PKU-Wuhan Institute for Artificial Intelligence（具身智能实验室，北京大学武汉人工智能研究院） ； Department of Computer Science and Technology, University of Cambridge（剑桥大学计算机科学与技术系）
AI总结 TacThru-UMI通过结合同时触觉-视觉感知与现代学习框架，实现了高精度多模态机器人操作。
用恒星进行推理：一个用于代理科学推理的太阳物理数据集和基准
机构 * Frontier Development Lab（前沿发展实验室） ； Department of Mechanical and Aerospace Engineering, UCLA（机械与航空航天工程系，加州大学洛杉矶分校） ； Trillium Technologies Inc.（Trillium技术公司） ； Department of Engineering, University of Cambridge（工程系，剑桥大学）
AI总结 本研究提出一个太阳物理数据集和基准，用于评估代理在科学推理中的表现，发现系统工程原则在演绎推理任务中优于直接提示方法。
Comments Accepted at NeurIPS 2025 Machine Learning and the Physical Sciences (ML4PS) Workshop. Dataset: https://huggingface.co/datasets/SpaceML/ReasoningWithAStar
Paper Copilot：追踪人工智能会议中同行评审的演变
机构 * University of Southern California（南加州大学） ； University of Cambridge（剑桥大学） ； Stanford University（斯坦福大学）
AI总结 Paper Copilot通过创建同行评审数字档案和开放数据集，分析人工智能会议评审实践的演变，促进同行评审系统的透明和改进。
Comments ICLR 2026. https://papercopilot.com/
用于定性知识状态建模的语言瓶颈模型
机构 * University of Cambridge（剑桥大学）
AI总结 语言瓶颈模型通过编码器和解码器LLM生成可解释的知识状态摘要，提升教育场景中对学习者知识状态的定性分析与预测能力。
AIReg-Bench: 用于评估AI监管合规性的语言模型基准测试
机构 * University of Cambridge（剑桥大学） ； University of Warwick（沃里克大学） ； University of Luxembourg（卢森堡大学）
AI总结 AIReg-Bench是一个用于评估语言模型在AI监管合规性评估方面性能的基准数据集，通过生成虚构AI系统样本并由法律专家标注，为LLM的合规性评估提供测试基础。
语言模型是否会随着新信息更新其预测？
机构 * Department of Computer Science and Technology, University of Cambridge, Cambridge, United Kingdom（计算机科学与技术系，剑桥大学，剑桥，英国）
AI总结 研究发现语言模型在接收到新信息时更新预测不一致且保守，需改进机制以更准确整合外部知识。
赋予人工智能代理访问加密货币和智能合约的新AI危害途径
机构 * University of Cambridge（剑桥大学）
AI总结 本文探讨了赋予AI代理访问加密货币和智能合约可能带来的新AI危害途径，并呼吁进行技术研究以防范这些风险。
微分同胚等变神经网络
机构 * Institute of Mathematics（数学研究所） ； Image Computing, University of Luebeck, Luebeck, Germany（图像计算，吕贝克大学，吕贝克，德国） ； Department of Applied Mathematics（应用数学系） ； Theoretical Physics, University of Cambridge, Cambridge, United Kingdom（理论物理，剑桥大学，剑桥，英国）
AI总结 本文提出通过能量基于规范化诱导预训练网络的微分同胚等变性，实现对无限维群的等变性扩展，适用于分割和分类任务。
$f$-FUM: 通过min-max和$f$-散度实现联邦去学习
机构 * Department of Statistics, Universite de Geneve, Geneva, Switzerland（日内瓦大学统计系） ； University of Cambridge, Cambridge, United Kingdom（剑桥大学） ； The Alan Turing Institute, London, UK（艾伦·图灵研究所）
AI总结 本文提出$f$-FUM框架，通过min-max和$f$-散度实现联邦去学习，有效减少数据移除对模型的影响，提升效率。
Comments 16 pages, 1 figure
数据块模型中的精确恢复
机构 * Statistical Laboratory, Centre for Mathematical Sciences, University of Cambridge, Cambridge, United Kingdom（剑桥大学统计实验室，数学科学中心） ； Department of Mathematical Sciences, Isfahan University of Technology, Isfahan, Iran（伊斯法罕技术大学数学科学系） ； Department of Electrical Engineering, Faculty of Engineering, University of Isfahan, Isfahan, Iran（伊斯法罕大学工程学院电气工程系）
AI总结 本文研究了数据块模型中的精确恢复问题，引入了Chernoff-TV分歧来刻画精确恢复阈值，并提出高效算法和反向结果，验证了节点数据在社区检测中的辅助作用。
Comments 35 pages
利用人工智能-机器人系统进行科学发现
机构 * Chalmers University of Technology（查尔姆斯理工大学） ； The University of Manchester（曼彻斯特大学） ； KTH Royal Institute of Technology（皇家理工学院） ； Vanderbilt University（范德比大学） ； University of Cambridge（剑桥大学）
AI总结 本文探讨了人工智能-机器人系统在科学发现中的应用，通过映射机器人科学家的活动到机器学习范式，论证了科学方法与主动学习的相似性，并展示了Genesis系统在系统生物学研究中的应用。
Comments 23 pages, book chapter
SpectraKAN: 通过输入自身条件化频谱算子
机构 * DAMTP, University of Cambridge, Cambridge, UK（剑桥大学 DAMTP 实验室）
AI总结 SpectraKAN通过输入条件化频谱算子，提升PDE解算子的适应性和效率，实现多尺度动态的精准捕捉。
位置：能力控制应是与对齐分开的目标
机构 * University of Cambridge（剑桥大学） ； Google DeepMind（谷歌DeepMind） ； University of Montreal（蒙特利尔大学） ； The Alan Turing Institute（艾伦·图灵研究所）
AI总结 本文主张将能力控制视为与对齐不同的目标，提出分层的控制机制以应对模型的潜在滥用和失败。
对检索增强生成进行最小推理图剪枝以提高效率
机构 * Cornell University（康奈尔大学） ； University of Cambridge（剑桥大学） ； The University of Hong Kong（香港大学） ； HKUST（香港科技大学） ； University of British Columbia（不列颠哥伦比亚大学）
AI总结 AutoPrunedRetriever通过最小推理图剪枝提升检索增强生成效率，实现更高效的知识密集型任务处理。
架构边缘的治理：规范神经AI与神经形态系统
机构 * University of Cambridge（剑桥大学） ； University of Washington（华盛顿大学） ； Tibbling Technologies（Tibbling技术公司）
AI总结 本文探讨了神经AI系统在传统AI治理框架下的局限性，提出需与架构共同进化以实现技术基础的保证。
Comments 9 pages, 1 table, 1 figure
具有缺失结构知识的异常根源分析
机构 * University of Cambridge（剑桥大学） ； Max Planck Institute for Software Systems（马克斯·普朗克软件系统研究所） ； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； Amazon Tübingen（亚马逊图宾根）
AI总结 本文提出了一种简单高效的方法，用于在因果图是聚树的情况下，通过边际异常分数识别异常根源，无需假设因果图结构或指定异常分数阈值。
Comments Accepted at the 39th Conference on Neural Information Processing Systems (NeurIPS 2025)
X2HDR：在感知均匀空间中实现HDR图像生成
机构 * City University of Hong Kong（香港城市大学） ； Monash University（墨尔本大学） ； University of Cambridge（剑桥大学）
AI总结 X2HDR通过感知均匀编码实现HDR图像生成，利用预训练模型适应HDR生成，提升图像保真度和动态范围。
Comments Project page: https://x2hdr.github.io/, Code: https://github.com/X2HDR/X2HDR
进化感觉架构：生物启发的损伤规避学习模型
机构 * Saarland University（萨尔兰大学） ； German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心） ； Statistics and Machine Learning, German Center for Neurodegenerative Diseases (DZNE)（神经退行性疾病德国研究中心统计与机器学习部门） ； MRC Biostatistics Unit, University of Cambridge（剑桥大学医学研究委员会生物统计学单位）
AI总结 本文提出生物启发的Afferent Learning框架，通过进化优化和强化学习结合，实现高效损伤规避学习，提升策略在长期任务中的年龄依赖行为适应能力。
Comments 16 pages, 6 figures
利用校准不确定性量化进行GEDI生物量估计插值
机构 * University of Cambridge（剑桥大学）
AI总结 本文提出利用注意力神经过程（ANPs）进行GEDI生物量估计插值，通过校准不确定性量化提升预测准确性与不确定性校准效果。
通过可解释性与协作恢复实现模型调和在辅助机器人中的应用
机构 * German Aerospace Center (DLR), Robotics and Mechatronics Center (RMC)（德国航空航天中心（DLR）、机器人与机电中心） ； University of Cambridge, Department of Engineering（剑桥大学工程系） ； Universität Tübingen, Department of Psychology（图宾根大学心理学系） ； Leibniz-Institut für Wissensmedien (IWM)（莱比锡知识媒体研究所） ； Technical University of Munich（慕尼黑技术大学）
AI总结 本文提出了一种通过可解释性和协作恢复实现机器人与人类模型调和的方法，应用于辅助机器人领域。
Comments Accepted to IEEE International Conference on Robotics and Automation (ICRA) 2026
重新思考困惑度：揭示输入长度对LLMs困惑度评估的影响
机构 * University of Melbourne（墨尔本大学） ； University of Adelaide（阿德莱德大学） ； University of Cambridge（剑桥大学） ； University of Auckland（奥克兰大学）
AI总结 本文提出LengthBenchmark框架，系统研究输入长度对LLMs困惑度评估的影响，揭示长度偏见问题及改进评估方法。
通过测试时间缩放解码模糊情绪在音频-语言模型中
机构 * University of Melbourne（墨尔本大学） ； University of Auckland（奥克兰大学） ； South China Normal University（华南师范大学） ； MIT（麻省理工学院） ； University of Cambridge（剑桥大学） ； RMIT（皇家墨尔本理工大学）
AI总结 本文提出首个基于测试时间缩放的音频语言模型模糊情绪识别基准，系统比较了八种ALMs和五种TTS策略，揭示了模型容量与情感模糊性之间的交互挑战。
注意力并非记忆：无限上下文架构中的正交约束
机构 * University of Cambridge（剑桥大学）
AI总结 本文提出知识对象（KOs）解决AI中语义干扰问题，通过结构化事实和哈希身份实现可靠记忆。
Comments 32 Pages, 7 Figures
深度生物力学引导的关键点脑移位注册
机构 * LASIGE, Faculdade de Ciências da Universidade de Lisboa（里斯本大学科学学院LASIGE中心） ； CRUK Cambridge Centre, University of Cambridge（剑桥大学CRUK剑桥中心） ； Department of Oncology, University of Cambridge（剑桥大学肿瘤学系） ； Intelligent System for Medicine Laboratory (ISML), School of Mechanical Engineering, The University of Western Australia（西澳大学机械工程学院医学智能系统实验室） ； MIND Team, Inria Saclay, Université Paris-Saclay, Palaiseau, France（法国巴黎萨克利大学MIND团队） ； Sorbonne Université, Institut du Cerveau - Paris Brain Institute - ICM, CNRS, Inria, Inserm, AP-HP, Hôpital de la Pitié Salpêtrière（索邦大学巴黎脑研究所-ICM）
AI总结 本文提出了一种深度学习框架，利用生物力学模拟生成合成数据，并通过残差3D U-Net实现关键点驱动的脑移位注册，有效提升形变估计精度。
Comments Accepted at COLlaborative Intelligence and Autonomy in Image-guided Surgery (COLAS) Workshop - MICCAI 2025
删除记忆的重定向（REM）：一种针对损坏数据的通用反学习方法
机构 * University of Cambridge（剑桥大学） ； Google DeepMind（谷歌DeepMind） ； Google Research（谷歌研究）
AI总结 REM通过重定向损坏数据到专用神经元，有效处理多种损坏数据反学习任务，优于现有方法。
Comments Accepted as a main track paper at ICLR 2026 https://openreview.net/forum?id=xG0mQ4Xsfm
产品交互：深度学习架构的一种代数形式化
机构 * Tsinghua University. Email（清华大学） ； University of Cambridge（剑桥大学） ； YMSC, Tsinghua University（清华大学数学科学中心）
AI总结 本文提出了一种代数形式化方法，通过产品交互构建深度学习架构，统一了线性、二次及更高阶的交互方式，适用于卷积、等变网络及注意力机制等模型。
视频-SALMONN S：内存增强的流式音频视觉大语言模型
机构 * Tsinghua University（清华大学） ； University of Cambridge（剑桥大学）
AI总结 视频-SALMONN S通过引入测试时训练机制，实现高效流式视频理解，显著提升长视频任务的性能和准确性。
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