高校专区
从受训者到训练者：用于多智能体推理的LLM设计的强化学习训练环境
机构 * LARK, HKUST (GZ)（香港科技大学（广州）LARK实验室） ； University of Cambridge（剑桥大学） ； HKUST（香港科技大学）
AI总结 提出LLM-as-Environment-Engineer框架，让策略模型自动分析失败轨迹并修改训练环境配置，在MAPF-FrozenLake测试平台上用Qwen3-4B实现最优性能。
学习界面破碎：一种用于喷雾形成的几何条件潜在代理模型
机构 * University of California, Berkeley（加州大学伯克利分校） ； Technical University of Munich（慕尼黑技术大学） ； Istanbul Technology University（伊斯坦布尔技术大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Cambridge（剑桥大学） ； University of Oxford（牛津大学）
AI总结 提出一种几何条件潜在代理模型，通过编码自适应网格细化（AMR）的单元密度场，在797个两相喷嘴模拟上训练，实现瞬态破碎动力学的高效预测，推理速度比Basilisk CFD快6×10^4倍。
Comments 11 pages, 5 figures, accepted to ICML AI4Physics 2026
神经贝叶斯异常缓解：一种兼具无监督污染分类器功能的鲁棒损失函数
机构 * Astrophysics Group, Cavendish Laboratory, University of Cambridge（剑桥大学卡文迪许实验室天体物理组） ； Institute of Astronomy, University of Cambridge（剑桥大学天文研究所）
AI总结 提出神经贝叶斯异常缓解（NBAM）损失，基于贝叶斯潜变量混合模型，既提供鲁棒监督损失又输出无监督污染后验，在CIFAR-10上优于Huber等基线。
Comments 13 pages, 4 figures
ResEdit：用于精确生成式图像编辑的残差嵌入
机构 * Adobe Research（Adobe研究院） ； University of Cambridge（剑桥大学）
AI总结 提出残差图像编码作为额外条件，结合梯度反转优化策略，在保持图像身份和全局一致性的同时实现高保真精确编辑。
Comments Accepted to the EGSR 2026 journal track
Journal ref Computer Graphics Forum 45(4), e70551 (2026)
辍学支持中合成与蒸馏数据的因果隐私审计工作流
机构 * Central University of Finance and Economics（中央财经大学） ； China Development Bank（中国发展银行） ； University of Cambridge（剑桥大学）
AI总结 提出CaP-Eval工作流，在固定估计目标下审计合成学生数据的预测效用、因果保真度和隐私风险，发现DPGNet和蒸馏数据在保留处理效应结构上优于基线方法。
DeepRoot: 一个基于知识图谱协调的多智能体系统，用于历史医学文本的治疗推理
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； University of Cambridge（剑桥大学） ； University of Toronto（多伦多大学）
AI总结 提出DeepRoot多智能体系统，通过联合构建和利用验证知识图谱，将接地与推理分离并组合，从历史医学文本中恢复药物-疾病治疗关系，显著优于基线LLM和工具调用LLM。
Journal ref ICML 2026 GenBio; ACM CAIS 2026 Workshop AI Agents for Discovery in the Wild
重新思考LLM导师中的脚手架：基准测试与真实部署之间的交互不匹配
机构 * University of Cambridge（剑桥大学）
AI总结 通过分析9490个聊天记录，发现AI导师基准测试假设学生积极接受脚手架，但真实场景中学生常绕过脚手架，揭示基准测试与真实部署的交互不匹配。
Comments Pluralistic Alignment Workshop @ ICML 2026, Seoul, South Korea
基于VQ-VAE嵌入的低功耗设备可持续人脸识别
机构 * University of Cambridge（剑桥大学）
AI总结 提出一种基于VQ-VAE的可持续边缘人脸识别框架，通过紧凑潜在表示和知识蒸馏，在低功耗设备上实现与先进模型相当的精度，同时降低内存和计算需求。
探索性初始状态并不足够：蒙特卡洛探索性初始状态的反例与修正
机构 * Department of Engineering, University of Cambridge（剑桥大学工程系）
AI总结 本文通过构造反例证明，在表格设置下，蒙特卡洛探索性初始状态（MCES）算法可能收敛到次优解，并提出基于状态级学习率缩放的修正方法以恢复最优性收敛。
分而除噪：一种公平组合扩散模型的博弈论方法
机构 * Massachusetts Institute of Technology（麻省理工学院） ； University of Washington（华盛顿大学） ； University of Cambridge（剑桥大学）
AI总结 提出Divide-and-Denoise方法，通过公平分配博弈协调多个预训练扩散模型，在采样时划分区域并引导各模型去噪，解决模型主导或冲突问题，在条件图像生成中优于基线。
Comments Accepted as spotlight at ICML 2026
教育科技的激励：EduNLP研究的系统综述
机构 * ALTA Institute, Computer Laboratory, University of Cambridge（剑桥大学ALTA研究所、计算机实验室） ； Ghent University（根特大学） ； Bocconi University（博科尼大学） ； University of Edinburgh（爱丁堡大学）
AI总结 通过系统综述204篇ACL教育应用论文，揭示教育NLP研究中私营部门激励与教育基础设施需求之间的张力，发现教师作为受益者被系统性低估（33.3%），实际部署罕见（9.8%），伦理参与趋于承认而非行动。
Comments 10 main pages (13 appendix pages), 20 figures, accepted to 21st Workshop on Innovative Use of NLP for Building Educational Applications @ ACL 2026
AgentBeats：面向开放性、标准化和可复现性的智能体评估代理化
机构 * University of California, Berkeley（加州大学伯克利分校） ； Purdue University（普渡大学） ； University of Ljubljana（卢布尔雅那大学） ； University of Washington（华盛顿大学） ； Oasis Labs ； University of Maryland（马里兰大学） ； IBM Research（IBM研究院） ； Mila ； McGill University（麦吉尔大学） ； ServiceNow Research（ServiceNow研究院） ； Carnegie Mellon University（卡内基梅隆大学） ； National Institute of Standards and Technology（美国国家标准与技术研究院） ； The Ohio State University（俄亥俄州立大学） ； University of Cambridge（剑桥大学） ； University of California, Santa Barbara（加州大学圣塔芭芭拉分校）
AI总结 提出代理化智能体评估（AAA）框架，通过标准化协议（A2A和MCP）统一评估接口，实现开放、可复现的多智能体评估，并基于AgentBeats系统通过大规模竞赛和案例研究验证其覆盖性、实用性和保真度。
递归训练的扩散模型：限制崩溃分布与谱特征
机构 * University of Cambridge（剑桥大学）
AI总结 研究递归训练扩散模型时的分布崩溃问题，证明即使完美学习也会因早期停止导致漂移，并收敛到唯一极限分布，该分布具有低通滤波谱特性。
Instruct-Particulate: 基于运动学控制的可扩展前馈式3D物体关节化
机构 * University of Oxford（牛津大学） ； University of Cambridge（剑桥大学） ； Nanyang Technological University（南洋理工大学）
AI总结 提出Instruct-Particulate模型，通过运动学规范（部件描述、连接性、关节类型等）指导3D网格的关节分割和运动参数预测，利用异构数据集（15万+物体）训练，实现跨类别和AI生成网格的泛化。
Comments Project page: https://instruct-particulate.github.io/
洪流与收获：通过极限语言生成视角证明琐碎知识对于生成有价值数学的必要性
机构 * University of New South Wales（新南威尔士大学） ； University of Sydney（悉尼大学） ； University of Cambridge（剑桥大学）
AI总结 本文通过极限语言生成模型证明，在形式化数学生成中，验证器无法替代品味：覆盖未记录的有价值数学必须产生无限但渐近可忽略的琐碎语句，这是理论上的必然。
LLM干预的低秩子空间分析
机构 * University of Cambridge（剑桥大学）
AI总结 提出诊断框架，将行为建模为激活空间中的低秩子空间，发现干预一个行为会不对称地影响其他行为，效果与子空间重叠和决策子空间角度相关。
Comments Mechanistic Interpretability Workshop @ ICML 2026
检测议会文本中未披露的LLM生成内容
机构 * Chalmers University of Technology（查尔姆斯理工大学） ； University of Cambridge（剑桥大学）
AI总结 本研究训练可解释文本分类器，检测英国和瑞典议会文本中未披露的LLM使用情况，发现自2022年起两国议会中未披露的LLM使用持续增加。
LLM 蕴含多重性：部署上下文如何重塑模型层面的偏好与价值观
机构 * University of Cambridge（剑桥大学） ； ALTA Institute（ALTA研究所） ； Leverhulme Centre for the Future of Intelligence（勒沃霍姆未来智能中心） ； Microsoft UK（微软英国）
AI总结 本研究通过两个成对比较范式（国家偏好排序和效用判断）发现，部署上下文（如撰写Reddit帖子或新闻文章）对LLM偏好和价值观的影响远大于提示改写和温度控制，表明模型层面的偏好是上下文依赖的。
Comments 68 pages, 54 figures, 54 tables
黎曼度量匹配：面向分布的可扩展几何建模
机构 * University of Cambridge（剑桥大学）
AI总结 提出黎曼度量匹配框架，通过神经网络学习数据的黎曼几何，利用carré du champ算子的条件期望形式实现样本级训练和恒定成本推理，在精度相当或更优下速度提升400倍。
Comments ICML 2026 (Oral)
基于扩散方法的区域气候模型模拟：生成式机器学习的附加价值是什么？
机构 * University of Cambridge（剑桥大学） ； CNRS（法国国家科学研究中心） ； Institut Pierre Simon Laplace（皮埃尔·西蒙·拉普拉斯研究所）
AI总结 本文提出ParamDiffusion，一种两阶段扩散框架，与确定性方法对比，评估生成式机器学习在区域气候模型模拟中的附加价值，发现扩散方法能高技巧地再现气候统计特征，但极端事件模拟仍有不足。
Comments Submitted to Journal of Advances in Modeling Earth Systems (JAMES)
ProtoX-AD：自解释的时间序列异常检测与特征描述
机构 * Euskal Herriko Unibertsitatea（巴斯克大学） ； University of Cambridge（剑桥大学） ； University of Copenhagen（哥本哈根大学） ； University of Oslo（奥斯陆大学）
AI总结 提出ProtoX-AD框架，通过原型学习实现自监督时间序列异常检测的可解释性，在保持检测性能的同时提供语义一致的异常特征解释。
Comments 26 pages, 8 figures
Operadic一致性：LLM中组合推理失败的无标签信号
机构 * Incubilate ； University of Cambridge（剑桥大学） ； Allen Institute for Artificial Intelligence（艾伦人工智能研究所）
AI总结 提出Operadic一致性（OC）作为检测大语言模型组合推理失败的无标签信号，在四个多跳QA数据集上与准确率强相关（Pearson r≥0.86），优于自一致性等方法。
LLM作为调查员：基于证据优先的鲁棒交互式问题诊断
机构 * University of Calabria（卡拉布里亚大学） ； University of Cambridge（剑桥大学）
AI总结 提出证据优先的AI方法LLM-as-an-Investigator，通过估计问题歧义、生成假设、提问澄清并更新概率，避免过早接受用户假设，提升诊断准确性。
揭秘隐状态循环：基于在线强化学习的可切换潜在推理
机构 * HKUST(GZ)（香港科技大学（广州）） ； University of Cambridge（剑桥大学） ； NTU（南洋理工大学） ； JoinQuant（聚宽） ； HKUST（香港科技大学）
AI总结 提出SWITCH框架，通过离散边界令牌使隐状态循环推理兼容在线强化学习，并支持因果机制分析，实验表明其优于现有方法。
（人类的）注意力（仍然）就是一切：人类监督使AI辅助的社会科学变得可靠
机构 * China Agricultural University（中国农业大学） ； University of Cambridge（剑桥大学）
AI总结 提出人机协同决策架构HLER，通过预承诺、决策排序、问责和注意力分配，将AI辅助研究的失败率从72%降至16%。
LLMs 能更好地捕捉人类判断——使用合适的提示
机构 * Complexity Science Hub, Vienna（维也纳复杂科学中心） ； The Ohio State University（俄亥俄州立大学） ； University of Cambridge（剑桥大学） ； University of Chicago（芝加哥大学） ； Microsoft Research（微软研究院）
AI总结 通过简单提示策略，LLMs 能恢复人类反应的完整分布，并减少对措辞变化的敏感性，提升 AI-人类对齐。
重新思考LLMs的心理测量评估：自我报告何时以及为何能预测行为
机构 * Caltech（加州理工学院） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； University of Cambridge（剑桥大学）
AI总结 研究对比大五人格与计划行为理论，发现LLMs的自我报告-行为一致性存在选择性：在共享对话中TPB达到人类水平，跨对话仅对锚定于训练的行为保持一致性，且角色提示不能使行为对齐。
Comments Accepted as an Oral (Contributed Talk) at the ICML 2026 Workshop on Combining Theory and Benchmarks (CTB)
认知不确定性并非可约简的那种
机构 * University of Cambridge（剑桥大学）
AI总结 证明标准定义中认知不确定性为可被更多数据移除的部分，与互信息度量在扩展上不一致，并提出三部分分解：偶然、样本可约简认知和机制可约简认知不确定性。
标准可解释模型：一种基于拉格朗日力学的可解释机器学习通用理论，用于演绎设计可解释方法
机构 * IBM Research (CH)（IBM研究院（瑞士）） ； University of Oxford (UK)（牛津大学（英国）） ； University of Cambridge (UK)（剑桥大学（英国）） ； KU Leuven (BE)（鲁汶大学（比利时）） ； Institute of Physics of the Czech Academy of Sciences (CZ)（捷克科学院物理研究所（捷克））
AI总结 提出标准可解释模型（SIM），基于拉格朗日力学从前提演绎出可解释性对称性和约束，通过最小化拉格朗日函数得到最优可解释模型，解决现有方法局限性并指导新方法设计。
AGE-MIL: 锚点引导的证据学习用于患者级别预测
机构 * School of Computer Science and Technology, Xi’an Jiaotong University（西安交通大学计算机科学与技术学院） ； Department of Oncology, University of Cambridge（剑桥大学肿瘤学系） ； Xiangya School of Medicine, Central South University（中南大学湘雅医学院）
AI总结 提出AGE-MIL框架，通过构建患者级锚点整合多张全切片图像证据，将风险建模为证据积累过程，实现弱监督下的稳定优化，在六个任务中优于八种现有方法。
Comments 11 pages, 2 figures, MICCAI early accepted
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