高校专区
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。
流退火重要性采样Bootstrap方法在可微粒子物理中的应用
机构 * Max Planck Institute for Intelligent Systems Tübingen（马克斯·普朗克智能系统研究所图宾根） ； Max Planck Institute for Gravitational Physics (Albert Einstein Institute)（马克斯·普朗克引力物理研究所（爱因斯坦研究所）） ； Technical University of Munich（慕尼黑技术大学） ； Isomorphic Labs（同构实验室） ； University of Cambridge（剑桥大学） ； University of Bochum（博德姆大学）
AI总结 本文提出一种基于流退火重要性采样Bootstrap的方法，用于高效生成复杂分布下的样本，减少训练数据生成成本。
Comments Accepted at "Machine Learning: Science and Technology"
Journal ref Mach. Learn.: Sci. Technol. 6 025061, 2025
JEDEL：用于早期药物发现的零样本DNA编码库设计
机构 * The ALBORADA Drug Discovery Institute, University of Cambridge（剑桥大学ALBORADA药物发现研究所）
AI总结 提出JEDEL框架，直接从活性配体的三维药效团表示生成可合成的DNA编码库，无需目标特异性再训练，在18个蛋白靶点上优于随机和多样性基线。
火车上的十位数字：AI辅助验证两个特征值问题
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 本文通过人机协作，利用零计数、Dirichlet-Neumann括号和Krawczyk-Brouwer包含法，验证了奇异自伴Schrödinger算子和非正规原子-分子基准问题的高精度特征值，展示了AI辅助数学的优势与局限。
LangMAP：一种语言自适应的分词方法
机构 * EPFL（瑞士联邦理工学院洛桑） ； University of Cambridge（剑桥大学） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 提出LangMAP分词方案，扩展UnigramLM到多语言设置，从共享词汇表生成语言特定分词，无需改变词汇表即可适配预训练模型，在14个分词器、9种自然语言和9种编程语言上提升了形态边界对齐和AST叶边界对齐。
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
PHAST-Net: 注意力引导、物理信息网络用于理想时频表示的统一估计
机构 * Engineering Department, University of Cambridge（剑桥大学工程系）
AI总结 提出PHAST-Net，通过注意力引导和物理信息损失，从小波变换星座统一估计高分辨率、无交叉项的时频表示，适用于语音、音乐等非平稳信号。
基于不确定性的去偏与遗忘用于去污染
机构 * Department of Engineering, University of Cambridge（剑桥大学工程系） ； VRAIN, Universitat Politècnica de València（瓦伦西亚理工大学VRAIN）
AI总结 提出基于不确定性的去污染方法(UBD)，利用深度集成估计每个样本的记忆程度，通过去偏或遗忘修正输出分布，无需无污染模型或污染样本先验知识。
从片段到路径：大型工业代码库的任务级上下文恢复
机构 * AMAP, Alibaba Group（阿里集团AMAP） ； Nanyang Technological University（南洋理工大学） ； Nanjing University（南京大学） ； University of Cambridge（剑桥大学）
AI总结 提出DeepDiscovery方法，通过两阶段定位-推理框架在预算约束下恢复任务级上下文，显著提升大型工业代码库的文件检索和下游软件工程任务性能。
Comments 12 pages, 3figures
用于肺栓塞风险评估的高效多模态临床问答
机构 * University of Auckland（奥克兰大学） ； University of Cambridge（剑桥大学） ； University of Adelaide（阿德莱德大学） ； University of Melbourne（墨尔本大学）
AI总结 本研究构建了基于INSPECT数据集的肺栓塞多模态基准，通过结构化问答任务评估高效多模态大模型在CTPA和EHR输入下的诊断与预后性能，发现Gemma4模型在结合CTPA+EHR时表现更优，且诊断任务优于预后任务。
用于链接预测的早期退出图神经网络
机构 * University of Cambridge（剑桥大学） ； Sapienza University of Rome（罗马大学）
AI总结 提出一种无需辅助损失的早期退出策略，在GCN和SAS-GNN骨干网络上实现链接预测的加速，同时保持或提升预测质量。
Comments Accepted at LoG@Pisa 2026
语言-能量鸿沟：衡量多语言大模型推理的能量成本
机构 * University of Michigan（密歇根大学） ； University of Cambridge（剑桥大学） ； University of Aberdeen（阿伯丁大学）
AI总结 系统研究多语言LLM推理的能量消耗，发现不同语言间每token能耗差异达8.3倍，总能耗差异达179倍，低资源语言能耗高且准确率低，建议将能量作为评估指标。
基于3D高斯散点的场景级异构物理仿真
机构 * The University of Hong Kong（香港大学） ； University of Cambridge（剑桥大学）
AI总结 提出一种表示抽象框架，将3D高斯散点、虚拟网格和流体等异构资产统一为物理粒子集，实现场景级、多求解器的物理仿真，支持3DGS资产的非刚性变形与复杂双向交互。
Comments Accepted to CVPR 2026 Findings
Journal ref Proc. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Findings, 2026, pp. 6456-6465
半监督视觉-语言-动作模型
机构 * University of Warwick（华威大学） ； University of Cambridge（剑桥大学）
AI总结 提出SemiVLA框架，通过自蒸馏教师-学生网络利用伪动作标签适应新环境，在10%标注轨迹下提升LIBERO任务成功率8.0%。
作为自动研究失败感知共享记忆的负面知识
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）
AI总结 提出负面知识记忆层，通过策展代理将失败尝试转化为共享库中的记录，供研究代理采纳或拒绝，在ScienceAgentBench和PDE问题上提升性能并减少令牌使用。
Comments 13 pages, 4 figures
用于层状神经网络的层次池化
机构 * UiT The Arctic University of Norway（挪威北极大学） ； University of Cambridge（剑桥大学） ； NORCE Norwegian Research Centre AS（挪威研究中心）
AI总结 提出HiSP，一种基于局部谱粗化的层状感知池化框架，通过投影细层状值特征到簇内层状拉普拉斯算子的低频本征模来构建粗层，并分析粗化引起的近似误差。
陪审团职责：文化模糊性下MLLM作为评判者的校准与定向失败
机构 * Salesforce AI Research（Salesforce AI 研究院） ； University of Cambridge（剑桥大学） ； University of Colorado Boulder（科罗拉多大学博尔德分校） ； Carnegie Mellon University（卡内基梅隆大学） ； UIUC（伊利诺伊大学厄巴纳-香槟分校）
AI总结 针对MLLM作为评判者在跨文化场景中的偏差问题，提出VOIR DIRE基准，通过分析校准失败（压缩尺度）和定向失败（默认一种文化规范），揭示模型偏向于更宽容的文化解读。
Comments Under Review
作为发现引擎的AI科学家：在改革机构内发展的案例
机构 * Institute of Cosmos Sciences (ICCUB), University of Barcelona（巴塞罗那大学宇宙科学研究所） ； ICREA ； Cavendish Astrophysics, University of Cambridge（剑桥大学卡文迪什天体物理学） ； Kavli Institute for Cosmology, University of Cambridge（剑桥大学卡维里宇宙学研究所） ； Center for Computational Astrophysics, Flatiron Institute（弗拉蒂隆研究所计算天体物理中心） ； Department of Astrophysical Sciences, Princeton University（普林斯顿大学天体物理科学系） ； Avature ； 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） ； Flatiron Institute（弗拉蒂隆研究所） ； Munich Center for Machine Learning, LMU Munich（慕尼黑大学慕尼黑机器学习中心） ； Department of Computer Science and Technology, University of Cambridge（剑桥大学计算机科学与技术系） ； School of Clinical Medicine, University of Cambridge（剑桥大学临床医学院）
AI总结 本文论证多智能体AI系统将从被动工具进化为“AI科学家”，通过原型框架Denario加速发现周期，并提出机构需为验证、问责、可解释性和双重用途安全进行改革。
稳定的Transformer-Actor-Critic模型预测控制：一种收缩分析方法
机构 * University of Cambridge（剑桥大学） ； University College London（伦敦大学学院） ； LAAS-CNRS（Laas--cnrs）
AI总结 提出一种Transformer-Actor-Critic MPC架构，通过证明Transformer满足增量输入-状态稳定性并利用黎曼收缩理论分析互联动力学，将理论界作为训练正则化项，实现可证明鲁棒的控制策略。
FoMoE: 打破全副本壁垒的专家混合联邦系统
机构 * Department of Computer Science and Technology, University of Cambridge, Cambridge, UK（剑桥大学计算机科学与技术系） ； Flower Labs, UK（Flower Labs）
AI总结 提出FoMoE系统，通过跨工作节点分区专家层打破全副本范式，结合部分专家复制和跳跃令牌机制，显著降低通信开销并提升吞吐量。
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
通过Kullback-Leibler最小化理解并改进洗发水与SOAP
机构 * Vector Institute（向量研究所） ； University of Cambridge（剑桥大学） ； Microsoft（微软） ； University of Toronto（多伦多大学）
AI总结 本文通过将估计过程转化为KL散度最小化下的协方差估计，改进了Shampoo和SOAP，提出KL-Shampoo和KL-SOAP方法，在神经网络预训练中表现更优，且无需依赖Adam。
Comments an extended version of the ICLR 2026 paper (added a paragraph in Sec 3.2 about short-sided KL-Shampoo as scaled Muon when momentum is disabled)
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
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