高校专区
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
变分共识蒙特卡洛用于贝叶斯混合模型
机构 * MRC Biostatistics Unit, University of Cambridge（剑桥大学生物统计学单位） ； Institute of Applied Health Research, University of Birmingham（伯明翰大学应用健康研究学院）
AI总结 提出变分共识蒙特卡洛方法扩展至过拟合贝叶斯混合模型，通过新颖的聚类匹配算法和聚合策略，在联邦学习设置下推断聚类数和所有参数，并在模拟和真实电子健康记录数据上验证了有效性。
NEXUS: 用于物理一致的高接触3D物体动力学的神经能量场
机构 * University of Oxford（牛津大学） ； University of Cambridge（剑桥大学）
AI总结 提出神经能量场框架NEXUS，通过标量能量和耗散项建模保守与非保守动力学，提升高接触3D场景下的长时程轨迹精度并指导视频生成。
Comments 18 pages, 4 figures, 6 tables. Preprint
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。
模型中的市场：潜在扩散作为神经经济
机构 * Cambridge Digital Humanities（剑桥数字人文研究中心） ； University of Cambridge（剑桥大学） ； Machine Visual Culture Research Group（机器视觉文化研究组） ； Max Planck Institute（马克斯·普朗克研究所）
AI总结 本文从计算机视觉工程问题出发，分析潜在扩散模型的机制，论证其作为神经经济运作，将社会交流抽象为可通约向量，并警示仅关注版权与商品防御的批评可能强化模型产生的拜物教。
错误的正确：量化和定位大语言模型中的失调对齐
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 本文提出VETO基准和失调对齐率（MAR）指标，发现所有LLM在刻板印象相关问题上均存在非平凡的失调对齐，且人类为0%，机制分析表明对齐诱导的线索会放大该现象。
研究理想化Isca模拟中平流层突然增温的机器学习模拟的归纳偏差
机构 * Technical University of Denmark（丹麦技术大学） ； University of Cambridge（剑桥大学） ； University of Exeter（埃克塞特大学）
AI总结 测试不同架构的归纳偏差对模拟平流层突然增温动力学的影响，发现三维垂直耦合是关键，但低预测误差不保证物理一致性。
ThousandWorlds: 一个用于潜在宜居系外行星气候模拟的基准数据集
机构 * University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） ； University of Colorado Boulder（科罗拉多大学博尔德分校） ； University of Bristol（布里斯托大学） ； Purdue University（普渡大学） ； University of Exeter（埃克塞特大学）
AI总结 为加速系外行星气候模拟，提出ThousandWorlds基准数据集，包含五个全球气候模型的约1800次模拟，用于评估机器学习模拟器在低数据、多模拟器参数到场回归任务中的性能。
Comments 10 pages main text, 26 pages references/appendix, plus NeurIPS checklist. Data at https://doi.org/10.57967/hf/8695. Code at https://github.com/edstevenson/ThousandWorlds
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
WEQA: 可穿戴健康问答中的查询自适应智能推理
机构 * University of Cambridge（剑桥大学） ； Tsinghua University（清华大学） ； University College London（伦敦大学学院） ； Dartmouth College（达特茅斯学院） ； Google Research（谷歌研究院）
AI总结 提出WEQA框架，通过LLM控制器动态组合传感器分析与预训练模型，实现可穿戴健康数据问答，在基准测试中准确率提升24%，专家评估显示实用性和临床合理性显著提高。
掩码扩散模型中的递归缩放
机构 * LTS4, EPFL, Lausanne, Switzerland（瑞士洛桑联邦理工学院LTS4实验室） ； University of Cambridge, Cambridge, UK（英国剑桥大学）
AI总结 提出递归掩码扩散模型（R-MDMs），通过在每个扩散步骤中重复应用同一去噪变换器增加递归深度，实现参数高效缩放，在数独和倒计时等结构化生成任务中，以更少参数匹配非递归基线性能。
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。
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。
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。
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