高校专区
关注上下文：通过环境-社会解耦实现社会适配机器人动作的持续学习
机构 * Utrecht University（乌得勒支大学） ； University of Cambridge（剑桥大学）
AI总结 该研究针对社交机器人在多样上下文场景下的持续学习问题，提出EDD框架解耦环境与社会知识，缓解遗忘，性能优于现有基线，相关代码已公开。
Comments Extended version of the paper accepted at the 2026 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026)
通过多光谱成像（MSI）重建历史手稿：对比度在评估图像质量与可读性中的潜力
机构 * University of Cambridge（剑桥大学）
AI总结 该研究针对历史手稿修复质量评估难题，以公开多光谱成像数据集开展实验，发现基于对比度的图像质量指标优于通用指标，可作为手稿可读性与重建质量的客观评估工具。
Comments 8 pages main paper, 7 pages Supplementary Material
Journal ref 17th IAPR International Workshop on Document Analysis Systems at 20th International Conference on Document Analysis and Recognition (ICDAR), Vienna 2026
地球观测嵌入是概率性天气降尺度的有效亚网格描述符
机构 * University of Cambridge（剑桥大学）
AI总结 该研究提出用TESSERA嵌入增强卷积条件神经过程，用于概率性天气降尺度，在五个气候区提升了2米温度和10米风速的降尺度技能，且对不同变量和新站点均有效。
Comments 39 pages, 12 figures, 6 tables
可持续扩展的脑MRI基础模型
机构 * University of Cambridge（剑桥大学） ； University of Málaga（马拉加大学）
AI总结 本文提出可扩展的Alcmaeon脑MRI基础模型，结合体积编码、潜在扩散生成与Graph-Blueprint Pruning，在跨临床领域扩展时遗忘程度更低，可支持多种任务，为持续发展的脑MRI基础模型提供了可行方向。
我该如何为我的机器人选择基础模型？支持社会机器人的社区评估框架
机构 * Honda Research Institute Japan（本田研究所日本分部） ； University of Cambridge（剑桥大学）
AI总结 针对社会机器人选择基础模型的难题，本文提出三层评估漏斗范式，梳理五个评估维度的适用评估方法，呼吁社区共建评估框架。
Comments 5 pages, 1 figure, 1 table. Accepted at the FoRMA workshop (Foundation Models in the RO-MAN Age: Responsible Development for Social Robotics) at IEEE RO-MAN 2026, Kitakyushu, Japan. Workshop homepage: https://sites.google.com/cam.ac.uk/forma/
ADIAS：交互式智能体系统的自动化设计
机构 * University of Cambridge（剑桥大学） ； Tencent（腾讯）
AI总结 本研究针对现有智能体设计方法的缺陷，提出以问题为中心的优化方案，构建ADIAS框架，在五个交互式基准中较最强基线平均提升25.2%，消融实验验证了关键机制的有效性。
Comments 23 pages, 7 tables, 5 figures
BendTwin：基于弯曲感知可微分弹簧-质量模型的鲁棒密到稀物理重建
机构 * University of Cambridge（剑桥大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Northwestern Polytechnical University（西北工业大学） ； The Hong Kong Polytechnic University（香港理工大学）
AI总结 BendTwin是一种弯曲感知可微分弹簧-质量框架，通过引入弯曲约束提升力学稳定性，在可变形物体重建与预测任务中优于仅用轴向弹簧的PhysTwin，可用于从稀疏视角RGB-D视频构建力学保真数字孪生。
MameLoshnLM：意第绪语语言模型与评估基准
机构 * Bar-Ilan University（巴伊兰大学） ； University of Cambridge（剑桥大学） ； University of Washington（华盛顿大学） ； Allen Institute for AI（艾伦人工智能研究所）
AI总结 该研究推出首个专为意第绪语构建的开源8B参数语言模型MameLoshnLM，通过自研语料库与基准优化Llama 3.1 8B，其表现优于同规模开源基线，为意第绪语NLP及低资源语言模型开发提供了基础与模板。
Comments Accepted at the Conference on Language Modeling (COLM) 2026
基于等变谱子流形的物理信息降阶建模
机构 * University of Cambridge（剑桥大学）
AI总结 本研究提出等变谱子流形（eSSM）降阶算法，利用全阶模型对称性提升计算速度与模型鲁棒性，在基准问题上验证了其相比传统SSM降阶的优势。
基于深度学习的帕金森步态地面反作用力估计：使用优化的IMU数据集
机构 * University of Exeter（埃克塞特大学） ； École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院） ； University of Cambridge（剑桥大学） ； University of Exeter Medical School（埃克塞特大学医学院） ； NIHR Exeter BRC（英国国立卫生研究院埃克塞特生物医学研究中心）
AI总结 本研究首次提出混合CNN-BiLSTM深度学习框架，用优化的IMU数据集估计帕金森患者垂直地面反作用力，仅需2个IMU即可实现稳健估计，为相关可穿戴系统提供实用方案。
Comments 13 pages, 5 figures, 6 tables. Published in IEEE Transactions on Neural Systems and Rehabilitation Engineering
Journal ref IEEE Transactions on Neural Systems and Rehabilitation Engineering, vol. 34, pp. 2729-2740, 2026
CultureVidBench：文本到视频生成中的文化理解基准测试
机构 * Nanyang Technological University（南洋理工大学） ； Centrale Supélec（中央高等电力学院） ； Singapore Management University（新加坡管理大学） ； University of Cambridge（剑桥大学）
AI总结 本研究推出CultureVidBench基准，评估7款T2V模型的文化理解能力，发现现有模型难捕捉细粒度文化细节，尤其针对代表性不足的文化区域与线索。
Comments Project page:https://hanxjing.github.io/CultureVidBench/
从图像块到证据球：面向小样本全切片图像分类的类别条件证据检索
机构 * XJTU（西安交通大学） ； JUFE（江西财经大学） ； University of Cambridge（剑桥大学） ； NUS（新加坡国立大学）
AI总结 该研究针对小样本全切片图像分类任务，提出类别条件证据检索框架EviBall，通过组织证据球并结合任务特定类别查询，提升分类性能与可解释性，在四项相关任务上优于现有基线方法。
视觉还是认知？多模态大语言模型的视觉上下文敏感性
机构 * University of Copenhagen（哥本哈根大学） ； University of Cambridge（剑桥大学） ； ETH Zürich（苏黎世联邦理工学院） ； Clemson University（克莱姆森大学）
AI总结 该研究探究多模态大语言模型在视觉证据与先验冲突任务上的失效原因，引入WhatIfVis基准，发现其能编码视觉证据但难以控制对其的依赖，监督微调等方法可提升可控性。
评估具有挑战性的真实世界临床病例中的多轮多模态诊断推理
机构 * Center for Biomedical Data Science, Duke-NUS Medical School（生物医学数据科学中心，杜克 - 新加坡国立大学医学院） ； Duke-NUS AI + Medical Sciences Initiative, Duke-NUS Medical School（杜克 - 新加坡国立大学人工智能与医学科学计划，杜克 - 新加坡国立大学医学院） ； Department of Population Health Sciences, Weill Cornell Medicine（人口健康科学系，威尔康奈尔医学院） ； System Engineering, College of Engineering, Cornell University（系统工程，康奈尔大学工程学院） ； Graduate School of Frontier Sciences, The University of Tokyo（前沿科学研究生院，东京大学） ； RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能项目中心） ； Department of Biostatistics and Bioinformatics, Duke University（生物统计学与生物信息学系，杜克大学） ； Perelman School of Medicine, University of Pennsylvania（佩雷尔曼医学院，宾夕法尼亚大学） ； School of Clinical Medicine, University of Cambridge（临床医学学院，剑桥大学） ； Hospital of the University of Pennsylvania（宾夕法尼亚大学医院） ； Children’s Hospital of Philadelphia (CHOP)（费城儿童医院） ； Department of Anatomic Pathology and Laboratory Medicine, Hospital of the University of Pennsylvania（解剖病理学与检验医学系，宾夕法尼亚大学医院） ； Department of Pathology and Laboratory Medicine, University of California, San Francisco（病理学与检验医学系，加州大学旧金山分校） ； Language Technologies Institute, Carnegie Mellon University（语言技术研究所，卡内基梅隆大学）
AI总结 研究针对现有多模态大语言模型评估难以捕捉现实临床诊断复杂性的问题，开发ClinMM-Bench基准，用两级框架评估15个模型，发现专有模型诊断准确性最高，但各模型完全正确诊断比例有限，当前模型诊断推理有局限并明确了失败模式。
PerturbPFN：探索药物扰动建模中合成先验的极限
机构 * University of Cambridge（剑桥大学） ； Prior Labs（普瑞尔实验室）
AI总结 针对预测细胞对未知化学扰动反应的挑战，提出PerturbPFN模型，通过推断潜在系统图等并经SCM解码器传播效果，基于合成情节训练，在真实和合成数据上评估，实现低推理成本且具可解释性的扰动预测。
Comments 19 pages. Accepted at the 2nd ICML Workshop on Foundation Models for Structured Data (FMSD 2026), Seoul, South Korea
大语言模型任务适应如何重塑对齐：行为和表征漂移的多维研究
机构 * University of Cambridge（剑桥大学）
AI总结 研究大语言模型任务适应对对齐的影响，通过系统评估监督微调、KL正则化SFT和可验证奖励强化学习等方法，发现训练后调整非均匀重塑对齐，不同方法影响各异，强调任务适应是对齐干预，应进行多维对齐评估。
Comments 21 pages, 7 figures (includes references and appendices)
LunarFM：月球表面的共享多模态表示
机构 * University of Cambridge（剑桥大学） ； German Aerospace Center (DLR)（德国航空航天中心） ； SPAIDER SPACE（斯派德太空公司） ； Mines Paris - PSL University（巴黎矿业学院 - 巴黎文理研究大学） ； University of Bern（伯尔尼大学） ； Imperial College London（伦敦帝国理工学院） ； European Space Resources Innovation Center (ESRIC)（欧洲空间资源创新中心） ； Universidad de Antioquia（安蒂奥基亚大学）
AI总结 因月球探索需求，针对多源观测致月球表面分析碎片化问题，提出LunarFM多模态基础模型，融合多仪器观测学习通用表示，支持多种下游应用，还提供相关数据集、预训练模型等，助力月球表面高效分析。
Comments 19 pages, 12 figures
StARS：通过推荐系统驱动的方法实现社交适宜的机器人动作
机构 * Bogazici University（博阿齐奇大学） ； University of Cambridge（剑桥大学）
AI总结 研究人机交互中社交适宜动作生成问题，提出模型无关框架StARS，结合协同过滤与可学习场景表示生成用户特定适宜性得分，在多数据集评估中提升性能与一致性，支持个性化动作选择。
Comments IROS 2026
pAI-Econ-claude：用于人工智能辅助经济理论发展的门控人在回路多智能体架构
机构 * China Agricultural University（中国农业大学） ； University of Cambridge（剑桥大学）
AI总结 研究针对经济学等领域中基于大语言模型智能体输出缺乏正确性信号的可靠性问题，提出pAI-Econ-claude门控人在回路多智能体架构，经实验评估，该架构能提高可审计性，证明不可逆人类判断分配比纯智能体自主性更具信息性。
从原子到熵：凸域中扩散训练的最优噪声分配
机构 * Radboud University（拉德堡德大学） ； EURECOM（欧洲电信系统研究所） ； Tilburg University（蒂尔堡大学） ； Sony AI（索尼人工智能公司） ； University of Cambridge（剑桥大学） ； Sony Group Corporation（索尼集团公司）
AI总结 研究扩散模型训练时噪声水平分配问题，开发通用统计框架，在不同 regime 下得出最优分配结论，并通过实验验证，平方根熵调度能提升离散域训练效率且在连续图像上有竞争力。
循环变换器中的自适应深度：诊断学习到的停止门和轨迹读出
机构 * University of Cambridge（剑桥大学）
AI总结 研究循环变换器中自适应深度，通过轨迹——读出视角，涵盖合成任务与大规模检查点。发现固定先验深度监督可产生有益轨迹，简单读出表现良好，拟合冻结轨迹定位失败原因，Ouro评估有类似情况，重新定义自适应深度为联合问题。
验证单项卡哇伊度量
机构 * University of Cambridge（剑桥大学） ； Institute of Science（科学研究院） ； Tokyo Institute of Technology（东京技术大学）
AI总结 研究测量用户对卡哇伊感知的问题，通过九个数据集对单项度量进行收敛、已知群体和跨情境效度及信度检验，证明了其在声音和视觉卡哇伊感知方面效度的初步证据，并指出可进一步提高严谨性。
Comments Accepted at CUI '26 (Short Paper)
机器可自动发现参数函数以对高能物理数据建模
机构 * University of Pennsylvania, USA（宾夕法尼亚大学） ； European Organization for Nuclear Research (CERN), Switzerland（欧洲核子研究中心） ； University of Cambridge, UK（剑桥大学） ； University of Wisconsin-Madison, USA（威斯康星大学麦迪逊分校） ； University of California San Diego, USA（加州大学圣地亚哥分校） ； Massachusetts Institute of Technology, USA（麻省理工学院） ； Institute for Artificial Intelligence（人工智能研究所）
AI总结 研究高能物理数据分析中为分箱数据找合适函数建模的问题，核心方法是用符号回归实现自动化，主要贡献是展示SymbolFit软件包，在双喷注谱演示中取得良好效果，如生成众多拟合函数，部分运行重新发现已用函数。
Comments 6 pages. to be presented at ICHEP 2026
DBMol：通过结构预测模型设计高亲和力、靶向特异性小分子
机构 * EPFL（洛桑联邦理工学院） ； MRC-LMB（医学研究委员会分子生物学实验室） ； University of Cambridge（剑桥大学）
AI总结 研究旨在利用结构预测模型设计高亲和力小分子。核心方法是引入DBMol框架，经交替优化和投影过程，结合结构预测模型优化分子。主要贡献是有效优化亲和力代理，提高口袋覆盖率，保持分子多样性，在无参考配体监督下有竞争力。
大气数据的物理信息超分辨率
机构 * EPFL（洛桑联邦理工学院） ； University of Cambridge（剑桥大学）
AI总结 针对全球变暖下大气数据超分辨率问题，提出基于原始方程的PISR方法及NPC度量，通过约束SR模型遵循物理方程，实验表明该方法能提升重建保真度，增强极端事件检测能力。
SysAdmin：衡量前沿人工智能中工具性权力寻求行为
机构 * University of San Francisco（旧金山大学） ； University of Cambridge（剑桥大学） ； Propensity Labs（倾向实验室）
AI总结 该研究引入SysAdmin基准，把前沿语言模型设为Linux沙盒中的系统管理员，从五个维度衡量其权力寻求倾向，评估七个前沿模型，发现当前模型自发权力寻求行为少，但有其他失败模式，阳性对照验证了测量敏感性。
持久稀疏自动编码器：在语言模型中学习特征时间尺度
机构 * University of Cambridge（剑桥大学） ； University of Oxford（牛津大学）
AI总结 研究在语言模型中学习特征时间尺度的问题，提出持久稀疏自动编码器，通过为特征学习持久性系数扩展标准SAEs，实验表明其能保持竞争力的重建质量，为解释和监测语言模型带来新机会。
缩小人工智能信任差距：可信人工智能独立认证的案例
机构 * University College London（伦敦大学学院） ； AI Ethics Lab（人工智能伦理实验室） ； University of Cambridge（剑桥大学） ； Columbia University（哥伦比亚大学） ； MATS ； Tech with Intention（技术与意图） ； University of Southern California（南加州大学） ； Kyushu University（九州大学） ； University of Chile（智利大学） ； BehSci Meets AI（行为科学与人工智能） ； Digital Trust Council（数字信任委员会）
AI总结 研究指出负责任AI虽有实践但未形成奖励可信度的市场，存在信任差距。原因包括关注重点偏差及三个复合失败。通过审查治理工具发现不足，进而提出以结果为导向的独立认证来缩小信任差距，补充监管与内部治理。
通过机器学习，托勒密等距点等同于通用动态时钟
机构 * School of Mathematical Sciences, Fudan University, Shanghai 200433, China（复旦大学数学科学学院） ； Research Institute of Intelligent Complex Systems, Fudan University, Shanghai 200433, China（复旦大学智能复杂系统研究所） ； Department of Mathematics, Imperial College London, London, SW7 2AZ, United Kingdom（伦敦帝国学院数学系） ； Institute for Complex Systems and Mathematical Biology, University of Aberdeen, Aberdeen AB24 3UE, United Kingdom（阿伯丁大学复杂系统与数学生物学研究所） ； Department of Psychiatry, University of Cambridge, Cambridge CB2 1TN, United Kingdom（剑桥大学精神病学系）
AI总结 研究非线性高维振荡中相位和相位动力学识别问题，基于托勒密等距点建立通用动态时钟原理，用机器学习框架证明其存在并构建相关动力学，通过四个发现展示价值，为振荡系统研究提供新途径。
Comments 56 pages, 12 figures, 3 tables
人工智能生成的反馈效果如何？对20000多篇外语作文草稿的内在和外在评估
机构 * Tohoku University（东北大学） ； RIKEN（理化学研究所） ； ALTA Institute, Computer Laboratory, University of Cambridge（剑桥大学ALTA研究所，计算机实验室） ； CNRS, LIS, Aix-Marseille University（法国国家科学研究中心，艾克斯-马赛大学语言信息处理实验室） ； MBZUAI（Mohamed bin Zayed大学人工智能学院）
AI总结 研究外语写作中人工智能生成的书面纠正性反馈效果，通过大学外语班级近2000名学生的超20000篇草稿，从教师内在评估和学生外在反馈两角度评估，发现传统专家评估与学生反馈一致性低，强调以学习者为中心评估框架的重要性。
Comments Pre-review version of DOI https://doi.org/10.1007/978-3-032-29788-4_35, presented at AIED 2026 Late Breaking Results. Readers are encouraged to refer to the published version
Journal ref AIED CCIS 3031 (2026) 247-253
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