高校专区
基于采样的协调感知多目标多机器人强化学习
机构 * University of Cambridge（剑桥大学） ； CNRS, Univ Rennes, Inria, IRISA（法国国家科学研究中心、雷恩大学、法国国家信息与自动化研究所、IRISA） ； California Institute of Technology（加州理工学院）
AI总结 提出CIMORL框架，通过分布式权重预测、特权专家训练和采样变体（CIMORL-TS/MPPI），在合作与对抗场景中实现Pareto最优解，超体积提升21.2%。
Comments 20 pages, 11 figures, 4 tables
当校准排名反转：面向LLM公平比较的精度控制评估框架
机构 * Fudan University（复旦大学） ； University of Cambridge（剑桥大学）
AI总结 针对全局校准指标因模型精度差异导致比较不公平的问题，提出ACE精度控制评估框架，通过实例对齐、分布对齐和候选对齐三种视角实现公平比较，发现原始指标下的优势在控制精度后大幅减弱，排名反转频繁。
DeXposure-Claw: 一个用于DeFi风险监管的智能体系统
机构 * University of Edinburgh（爱丁堡大学） ； University of Glasgow（格拉斯哥大学） ； University of Cambridge（剑桥大学）
AI总结 针对DeFi监管中LLM智能体易误报的问题，提出DeXposure-Claw系统，通过图时间序列基础模型预测风险网络，结合确定性监控和置信度门控生成可审计监管票据，并构建六轴评估基准DeXposure-Bench，实验验证有效性。
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
从UKRI资助提案中提取研究实体和检测主题
机构 * EPCC, University of Edinburgh, UK（埃克塞特大学埃平中心，英国） ； Knowledge Media Institute, The Open University, UK（开放大学知识媒体研究所，英国） ； Institute for Technology and Humanity, University of Cambridge, UK（剑桥大学技术与人类研究所，英国） ； Centre for Higher Education Transformations, School of Education, University of Bristol, UK（布里斯托大学教育学院高等教育转型中心，英国） ； University of Oxford, UK（牛津大学，英国）
AI总结 比较三种LLM方法（GPT-4o、Mistral和定制算法DSIT-Taxonomies）从资助提案中提取和分类研究实体，发现Mistral在主题分类准确率（90.5%）上优于DSIT-Taxonomies（71.4%），且与GPT-4o质量相当。
Comments Accepted at the STI-ENID Conference. Will be presented in September 2026 in Antwerp (Belgium)
KnowsTFM：知识引导的小型表格基础模型微调
机构 * Jožef Stefan Institute and Postgraduate School（乔塞夫·斯蒂芬研究所和研究生学院） ； Department of Computer Science and Technology, University of Cambridge, UK（剑桥大学计算机科学与技术系） ； Télécom Paris, Institut Polytechnique de Paris, FR（巴黎电信学院，巴黎理工学院）
AI总结 针对专业领域数据稀缺且分布偏移的问题，提出通过知识图谱结构先验和参数高效低秩更新微调小型表格基础模型，在专业任务上取得显著提升。
宪法偏好重建中的开放问题
机构 * Imperial College London（帝国理工学院伦敦分校） ； University of Cambridge（剑桥大学）
AI总结 针对成对偏好数据压缩为自然语言原则时存在的未定义问题，通过实证分析揭示了原则质量难测、组合歧义及模型间差异三大挑战，并提出原则细化（ICAI+）作为改进方向。
Comments 24 pages, 9 figures, 9 tables
语言交际的信息动力学
机构 * Calleva Research Centre, University of Oxford, UK（牛津大学卡勒瓦研究中心） ； St John’s College, University of Cambridge, UK（剑桥大学圣约翰学院） ； Montréal Neurological Institute, McGill University, Canada（蒙特利尔神经科学研究所，麦吉尔大学，加拿大） ； Centre for Eudaimonia and Human Flourishing, University of Oxford, UK（幸福与人类繁荣中心，牛津大学，英国） ； Department of Computing, Imperial College London, UK（伦敦帝国理工学院计算机系）
AI总结 提出信息论框架量化语义信息在对话中的定向流动，通过语义转移熵和语义部分信息分解测量信息传递，在四个实验中验证其能检测认知僵化对话、说服者主导作用、心理治疗质量及议论文协同贡献。
残差引导的字典学习用于谱精确的Koopman逼近
机构 * 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 提出残差引导的字典学习方法，通过最小化Koopman残差和改善条件数，获得谱可靠且数值稳定的表示，减少谱污染并提高预测精度。
进化微调：在371个优化任务中学习发现
机构 * University of Minnesota（明尼苏达大学） ； Carnegie Mellon University（卡内基梅隆大学） ； KAIST（韩国科学技术院） ； University of Cambridge（剑桥大学） ； Hanyang University（翰阳大学） ； Amazon（亚马逊）
AI总结 提出进化微调（EFT）方法，通过将进化搜索轨迹转化为监督信号，教会大语言模型跨任务迭代优化解决方案，在22个保留任务上平均提升10.22%。
Comments Project page: https://open-galapagos.github.io/evolution_finetuning/
一次触碰：单次触觉接触的6自由度物体姿态估计
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Harvard University（哈佛大学） ； University of Cambridge（剑桥大学）
AI总结 提出YOTO系统，利用单次双点触觉接触通过粗到细网络定位接触点并闭式SVD求解器恢复6自由度物体姿态，在视觉失效场景下优于基线方法。
构建面向空间生命科学、航空航天医学和深空探测的AI就绪数据系统
机构 * Blue Marble Space ； Computational and Systems Biology（计算与系统生物学） ； Trivedi Institute for Space and Global Biomedicine（Trivedi空间与全球医学研究所） ； Wellcome Sanger Institute（Wellcome桑格研究所） ； University of Cambridge（剑桥大学） ； Department of Systems Biology, Harvard Medical School（哈佛医学院系统生物学系） ； Amentum, Space Biosciences Division, NASA Ames Research Center（Amentum空间生物学 division, NASA Ames研究中心） ； Massachusetts Institute of Technology（麻省理工学院） ； Crown Point Technologies, Inc（Crown Point Technologies公司） ； BiosView Labs ； Directorate of Human and Robotic Exploration, European Space Agency（欧洲航天局人类和机器人探索部门） ； Texas State University（德克萨斯州立大学） ； McGowan Institute for Regenerative Medicine, Department of Surgery, University of Pittsburgh School of Medicine（McGowan再生医学研究所，匹兹堡大学医学院外科系） ； Center for Space Biomedicine, Trivedi Institute for Space and Global Biomedicine（空间生物医学中心，Trivedi空间与全球医学研究所） ； Department of Bioengineering, University of Pittsburgh（匹兹堡大学生物工程系） ； Stanley Center for Psychiatric Research, Broad Institute of MIT and Harvard（Stanley精神医学研究中心，MIT和哈佛Broad研究所） ； Department of Systems and Computational Biomedicine and WorldQuant Initiative, Weill Cornell Medicine（系统与计算生物医学系及WorldQuant计划，Weill Cornell医学院） ； San Diego Supercomputer Center, University of California San Diego（圣地亚哥超级计算机中心，加州大学圣地亚哥分校） ； Weill Institute for Neurosciences, Department of Neurology, University of California San Francisco（Weill神经科学研究所，加州大学旧金山分校神经病学系） ； Science for Life Laboratory, Department of Gene Technology, KTH Royal Institute of Technology（Science for Life实验室，基因技术系，皇家理工学院） ； European Molecular Biology Laboratory, European Bioinformatics Institute (EMBL-EBI)（欧洲分子生物学实验室，欧洲生物信息研究所（EMBL-EBI））
AI总结 针对空间生物学数据异构性阻碍AI应用的问题，提出从FAIR到AI就绪再到空间就绪的三层数据架构，并建议建立国际协调机构以支持深空生物学研究。
Comments 26 pages, 3 figures, 1 table, 1 supplementary table
扩散模型仅观察梯度：分数匹配误差的几何视角
机构 * University of Cambridge（剑桥大学）
AI总结 本文从几何角度揭示L2分数误差不是衡量边缘分布质量的正确指标，通过Helmholtz-Hodge分解将分数误差分解为梯度分量和螺线管分量，证明只有梯度分量影响Fokker-Planck动力学，并给出仅依赖于梯度分量的KL散度上界及可计算的梯度分量估计器。
UniMamba：一种集成状态空间与注意力机制的时空建模框架
机构 * School of Computing and Data Science, The University of Hong Kong, Hong Kong, China（计算与数据科学学院，香港大学，香港，中国） ； School of Information Engineering, Beijing Institute of Graphic Communication, Beijing, China（信息工程学院，北京印刷学院，北京，中国） ； Innovation Engineering College, Macau University of Science（创新工程学院，澳门科学技术大学） ； Department of Computer Science and Technology, University of Cambridge, Cambridge, UK（计算机科学与技术系，剑桥大学，剑桥，英国）
AI总结 UniMamba整合了高效的状态空间动态与注意力依赖学习，通过Mamba变体通道编码层和时空注意力层，提升多变量时间序列预测的准确性和效率。
Comments The authors wish to withdraw this preprint due to a lack of consensus regarding the final authorship list and the order of authors
2025人工智能代理指数：记录已部署代理式人工智能系统的技术和安全特性
机构 * University of Cambridge（剑桥大学） ； University of Washington（华盛顿大学） ； Harvard Law School（哈佛法学院） ； Stanford University（斯坦福大学） ； Concordia AI（康科迪亚AI） ； University of Pennsylvania（宾夕法尼亚大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Hebrew University of Jerusalem（耶路撒冷希伯来大学）
AI总结 本文提出2025人工智能代理指数，记录30种先进代理式AI系统的起源、设计、能力、生态系统及安全特性，揭示代理发展中的趋势和开发者透明度问题。
Comments To be publishesd at ACM FAccT 2026
人工智能中的物种歧视：评估大型语言模型对动物的歧视
机构 * Independent（独立学者） ； University of Cambridge（剑桥大学） ； Harvard University（哈佛大学） ； University of Stuttgart（斯图加特大学）
AI总结 研究评估大型语言模型是否表现出基于物种的歧视倾向，发现其在识别物种歧视言论方面可靠但较少谴责，且在文本生成中倾向于合理化对农场动物的伤害。
高效3D高斯散射与轴共享光栅化及顺序无关透射率
机构 * Shanghai Jiao Tong University（上海交通大学） ； University of Cambridge（剑桥大学） ； Imperial College London（伦敦帝国学院） ； Samsung AI（三星人工智能）
AI总结 本文提出轴共享光栅化和顺序无关透射率方法，提升3D高斯散射在资源受限平台的实时性能，实现1.33至1.88倍的加速。
Comments ISCA 2026
面向生物多样性监测与生态图像分析的可解释人工智能
机构 * Pratt School of Engineering, Duke University（杜克大学工程学院） ； British Antarctic Survey（英国南极调查局） ； Department of Applied Mathematics and Theoretical Physics, University of Cambridge（剑桥大学应用数学与理论物理系） ； Duke University Division of Marine Science and Conservation, Nicholas School of the Environment, Duke University Marine Laboratory（杜克大学海洋科学与保护分会，尼古拉斯环境学院，杜克大学海洋实验室）
AI总结 提出将可解释人工智能（XAI）作为生态模型验证的标准组件，通过案例展示其在图像分类、目标检测和分割中识别生物信号、揭示伪影、指导数据策略的能力，提升AI生态证据的可靠性。
SemCityLoc: 使用语义3D城市模型的航空6自由度定位
机构 * Technical University of Munich（慕尼黑工业大学） ； University of Cambridge（剑桥大学） ； University of Science and Technology of China（中国科学技术大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 提出SemCityLoc，通过语义-几何对齐将航空位姿估计转化为结构化表面配准，利用基础模型视觉先验和标准化LoD城市模型，在重复遮挡环境中提升位姿判别性，并引入首个真实基准SemCityLockeD，实现定位误差从9.89m降至2.62m。
Comments accepted by ECCV 2026
用于结构与结果预测的因果基础模型
机构 * University of Cambridge, United Kingdom（英国剑桥大学）
AI总结 提出TabPFN-CFM，一种能处理多种因果问题的因果基础模型，从观测数据预测因果结构和结果，支持Pearl因果层次所有三层查询，在合成数据上训练并泛化到真实数据，优于结构和结果预测基线。
Comments 20 pages, 7 figures, 17 tables, 43rd ICML Workshop on Foundation Models for Structured Data
Otter Weather：熟练且计算高效的中期天气预报
机构 * University of Cambridge（剑桥大学）
AI总结 提出Otter Weather模型，通过高效时空预测架构在1.5°分辨率ERA5数据上以极低训练成本超越传统数值天气预报和前沿AI模型，实现技能-计算帕累托前沿的显著推进。
深度学习算法基础：复杂度理论速率与通用逼近的表征
机构 * McMaster University & Vector Institute（麦克马斯特大学与向量研究所） ； Concordia University（康考迪亚大学） ； University of Tokyo（东京大学） ； McMaster University（麦克马斯特大学） ； University of Cambridge & University of Oxford（剑桥大学与牛津大学）
AI总结 本文从计算模型角度研究神经网络，证明若函数可由基本门电路计算，则神经网络能以可控深度和宽度逼近，并给出通用逼近的充要条件。
Comments 27 Main Body, 48 Page Proofs, 9 Figures
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
$\text{DT}^2$: 决策导向的数字孪生
机构 * Department of Applied Mathematics and Theoretical Physics, University of Cambridge, Cambridge, United Kingdom（应用数学与理论物理系，剑桥大学，剑桥，英国）
AI总结 针对数字孪生模型在有限容量下优化一步预测误差可能导致策略排序次优的问题，提出决策导向训练范式$\text{DT}^2$，通过拟合Q评估和保留策略排序的损失函数，提升策略排序质量并降低决策遗憾。
OncoSynth: 用于肿瘤治疗效果估计的合成数据生成
机构 * LMU Munich（慕尼黑大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； Department of Applied Mathematics and Theoretical Physics, University of Cambridge（剑桥大学应用数学与理论物理系） ； Department of Public Health and Primary Care, University of Cambridge（剑桥大学公共卫生与初级保健系） ； Cambridge Centre for AI in Medicine, University of Cambridge（剑桥大学剑桥医学人工智能中心） ； The Alan Turing Institute（艾伦·图灵研究所）
AI总结 提出因果感知的生成框架OncoSynth，通过扩散序列建模协变量对治疗分配及治疗对生存的影响，在肺癌和乳腺癌队列中实现高保真合成，将群体和个体治疗效果估计误差分别降低66%和58%。
通信启发的图位置编码 (CIPE)
机构 * Division of Mathematical Sciences, School of Physical and Mathematical Sciences, Nanyang Technological University（南洋理工大学物理与数学科学学院数学科学部） ； School of Computing, University of Kent（肯特大学计算机学院） ； 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 提出通信启发的图位置编码(CIPE)，利用节点间通信性定义注意力兼容的几何结构，通过维度对齐实现高效Transformer训练，在七个基准上平均提升35.5%。
Comments 11 pages, 1 figure, 3 tables; supplementary material includes additional experiments and theoretical proofs
OrthoTrack：基于公开正射影像的连续六自由度无人机轨迹估计
机构 * ETH Zurich（苏黎世联邦理工学院） ； University of Cambridge（剑桥大学） ； Microsoft（微软公司）
AI总结 提出OrthoTrack，利用公开正射影像和表面模型实现无训练、实时、无漂移的连续六自由度无人机轨迹估计，无需GPS或后处理对齐。
Comments ECCV 2026 - Project page: http://orthotrack.ethz.ch
退化蒸馏器
机构 * Department of Applied Mathematics and Theoretical Physics, University of Cambridge（剑桥大学应用数学与理论物理系） ； Imperial Centre for Inference and Cosmology (ICIC), Imperial College London（伦敦帝国理工学院帝国推理与宇宙学中心） ； Astrophysics, University of Oxford（牛津大学天体物理学系） ； CNRS & Sorbonne Université, Institut d’Astrophysique de Paris (IAP)（法国国家科学研究中心与索邦大学巴黎天体物理研究所） ； Department of Physics and Astronomy, University College London（伦敦大学学院物理与天文学系） ； Department of Physics & King’s Institute for Artificial Intelligence, King’s College London（伦敦国王学院物理系与国王人工智能研究所） ； Department of Physics and Astronomy, Johns Hopkins University（约翰霍普金斯大学物理与天文学系） ； Department of Applied Mathematics and Statistics, Johns Hopkins University（约翰霍普金斯大学应用数学与统计学系）
AI总结 提出退化蒸馏器方法，通过估计和展平Fisher信息矩阵，自动符号化检测并解决物理模型中的退化参数组合，降低神经后验估计所需的模拟预算。
Comments 30 pages, 10 figures. Supporting code found at https://github.com/tlmakinen/degeneracy_distillery
RARM：基于置信度门控的进展奖励建模用于操作中的强化学习
机构 * NUS Human-Centered Robotic Lab（新加坡国立大学人机共融机器人实验室） ； University of Cambridge（剑桥大学） ； School of Artificial Intelligence, Nanjing University（南京大学人工智能学院）
AI总结 提出参考锚定奖励模型（RARM），通过对比时间目标从通用视频中学习，将单个成功演示转化为密集进展奖励，并在部署时通过置信度门控抑制虚假正奖励，在长时域操作任务中显著提升强化学习成功率。
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