高校专区
伙伴建模在循环智能体中出现（但只有在重要时）
机构 * University of Edinburgh（爱丁堡大学） ； Princeton University（普林斯顿大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 研究探讨了智能体在开放合作中自发形成伙伴建模的能力，发现其在任务分配能影响伙伴行为时自发产生结构化表示。
Journal ref Advances in Neural Information Processing Systems 39 (NeurIPS 2025)
CARE：面向在线心理健康支持的咨询师对齐响应引擎
机构 * Ben-Gurion University（本· Gurion 大学） ； School of Informatics, University of Edinburgh（爱丁堡大学信息学院） ； School of Informatics, University of Edinburgh Edinburgh UK（爱丁堡大学信息学院爱丁堡 英国）
AI总结 CARE通过针对希伯来语和阿拉伯语的微调，提升心理健康领域低资源语言下的响应质量，增强咨询师与求助者对话的动态结构和情感语境。
Comments 9 pages, 4 figures
DISCA：一种基于压缩弯金字塔格式的数字存内随机计算架构
机构 * 1 Centre for Electronics Frontiers, Institute for Integrated Micro ； Nano Systems, School of Engineering, The University of Edinburgh, UK. ； 2 Electrical \& Electronics Engineering, Queen's University Belfast, UK.
AI总结 本文提出DISCA，一种基于压缩弯金字塔格式的数字存内随机计算架构，旨在提升大规模AI模型矩阵乘法任务的能量效率。
Comments This work has been accepted for publication in the 2025 37th International Conference on Microelectronics (ICM)
Journal ref 2025 37th International Conference on Microelectronics (ICM)
OISMA：面向矩阵乘法工作负载的实时内存随机乘法架构
机构 * Centre for Electronics Frontiers, Institute for Integrated Micro and Nano Systems, School of Engineering, The University of Edinburgh（电子前沿中心，集成微纳系统研究所，工程学院，爱丁堡大学）
AI总结 OISMA通过在内存中进行随机乘法运算，实现高效的矩阵乘法计算，其在能效和面积效率上优于传统架构。
Comments This work has been accepted for publication by the IEEE Journal on Exploratory Solid-State Computational Devices and Circuits
Journal ref IEEE Journal on Exploratory Solid-State Computational Devices and Circuits 2026
通过注意力图在推理时间检测语音大语言模型中的幻觉
机构 * University of Edinburgh（爱丁堡大学） ； Amazon AGI（亚马逊人工智慧实验室）
AI总结 本文提出四种基于注意力的指标，用于检测语音大语言模型中的幻觉，通过轻量级逻辑回归分类器实现高效推理检测，在多个任务中优于基线方法，展示了注意力模式在检测幻觉中的价值。
Comments Accepted to Findings of ACL 2026
MoonSeg3R: 单目在线零样本三维实例分割与重建基础先验
机构 * University of Edinburgh（爱丁堡大学） ； Max Planck Institute for Informatics, SIC（马克斯·普朗克信息研究所，SIC）
AI总结 本文提出MoonSeg3R，通过引入自监督查询精炼模块、3D查询索引记忆和CUT3R状态分布token，实现单目在线零样本三维实例分割，性能媲美RGB-D系统。
Comments CVPR 2026 Findings
审视人工智能的政治经济学：避免诱饵以实现问责
机构 * Sociology Department（社会学系） ； Princeton University（普林斯顿大学） ； Department of Communication（传播学系） ； Cornell University（康奈尔大学） ； Institute of Design Informatics（设计信息研究所） ； University of Edinburgh（爱丁堡大学） ； Department of Information Science（信息科学系）
AI总结 本文探讨人工智能项目中诱饵对权力与经济的影响，指出需识别诱饵的误导性并直接面对其物质政治经济，以促进更公平的AI发展。
Comments To be presented at ACM FAccT, Montréal, Canada, June 25 to June 28, 2026
多智能体选项发现的智能体相对表示
机构 * School of Informatics University of Edinburgh（信息学院爱丁堡大学）
AI总结 本文提出一种多智能体选项发现方法，通过压缩状态空间并保留协调信息，提升多智能体协作能力。
PrivaDE：基于区块链的数据市场中的隐私保护数据评估
机构 * University of Edinburgh（爱丁堡大学）
AI总结 PrivaDE通过隐私保护协议实现数据集的效用评分，无需暴露模型参数和数据，适用于区块链数据市场，提升数据评估效率和公平性。
Deep-Reporter：基于多模态长形式生成的深度研究
机构 * National University of Singapore（新加坡国立大学） ； Nanyang Technological University（南洋理工大学） ； University of Edinburgh（爱丁堡大学） ； Beijing Institute of Technology（北京理工大学）
AI总结 本文提出Deep-Reporter框架，通过多模态搜索、检查清单引导合成和上下文管理，解决多模态长形式生成中的整合与选择难题，通过8K高质量数据集和M2LongBench测试集验证其有效性。
Comments 41 pages, 6 figures, 8 tables. Code available at https://github.com/fangda-ye/Deep-Report. v2: corrected typos and updated experimental results
通过引导标记对大型语言模型进行组合引导
机构 * NEC Laboratories Europe（NEC欧洲实验室） ； University of Edinburgh（爱丁堡大学） ； Center for Artificial Intelligence and Data Science（人工智能与数据科学中心） ； University of Würzburg（乌尔姆大学） ； CAIR, Ss. Cyril and Methodius University of Skopje（CAIR，斯·西里尔和方法ius大学）
AI总结 本文提出组合引导标记，用于多行为引导，通过自蒸馏将自然语言指令嵌入专用标记，实现更有效的零样本组合，实验表明其在可验证约束上的表现优于其他方法。
Comments Accepted at ACL 2026
HPLT 3.0：非常大规模的多语言资源用于大语言模型和机器翻译。单语和双语数据、多语言评估以及预训练模型
机构 * University of Oslo, Department of Informatics（奥斯陆大学信息学院） ； University of Helsinki, Department of Digital Humanities（赫尔辛基大学数字人文学院） ； Prompsit Language Engineering（Prompsit语言工程） ； The Common Crawl Foundation（Common Crawl基金会） ； Edinburgh University, School of Informatics（爱丁堡大学信息学院） ； Charles University, Prague, Institute of Formal and Applied Linguistics（布拉格查理大学形式与应用语言学研究所） ； TurkuNLP, University of Turku, Department of Computing（图尔库大学TurkuNLP，计算机系）
AI总结 HPLT 3.0 提供了覆盖近200种语言的高质量大规模文本数据集，包含多语言评估基准和预训练模型，通过数据质量分析和模型评估验证了其有效性。
在视觉-语言模型中寻找文化敏感神经元
机构 * University of Edinburgh（爱丁堡大学） ； University of Amsterdam（阿姆斯特丹大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 研究视觉-语言模型处理文化相关信息的神经元特性，通过CVQA基准验证文化敏感神经元的存在及其分布，提出ConAct方法提升识别效果。
Comments Accepted to EACL 2026
通过形式验证的语义等价自博弈提升大语言模型代码推理
机构 * School of Informatics University of Edinburgh（信息学院爱丁堡大学）
AI总结 本文提出一种基于形式验证的语义等价自博弈框架，利用对抗训练提升代码推理能力，通过验证等价性与非等价性，释放OpInstruct-HSx数据集，实验显示在EquiBench上提升13.3个百分点。
如何利用减法混合模型进行近似推断
机构 * University of Edinburgh（爱丁堡大学） ； University of Warwick（沃里克大学） ； KU Leuven（鲁汶大学）
AI总结 本文研究了如何通过设计IS的期望估计器和VI的学习方案来有效利用减法混合模型，并评估其在分布近似中的表现，同时讨论了估计稳定性与学习效率的挑战。
Comments Accepted version at AISTATS 2026
计算阐释学：评估生成式AI作为文化技术
机构 * The Alan Turing Institute（艾伦·图灵研究所） ； Queen Mary University of London（伦敦玛丽女王大学） ； University of Colorado（科罗拉多大学） ； University of Nottingham（诺丁汉大学） ； King’s College London（伦敦国王学院） ； Sorbonne Université（索邦大学） ； Durham University（杜伦大学） ； University of Edinburgh（爱丁堡大学） ； Dartmouth College（达特茅斯学院） ； Gibran AI（吉布兰人工智能） ； University of Coventry（科文特大学） ； Technische Universität Darmstadt（德累斯顿技术大学） ； University of Cambridge（剑桥大学） ； McGill University（麦吉尔大学） ； Cornell University（康奈尔大学） ； University of Utah（犹他大学） ； University of Chicago（芝加哥大学） ； Princeton University（普林斯顿大学） ； London School of Economics（伦敦经济学院） ； University of Southampton（南安普顿大学） ； Rice University（德克萨斯大学稻谷分校） ； University of Glasgow（格拉斯哥大学） ； Cardiff University（卡迪夫大学） ； University of Exeter（埃克塞特大学） ； University of Brighton（布里斯托尔大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University College London（伦敦大学学院） ； University of Sheffield（谢菲尔德大学）
AI总结 本文提出计算阐释学框架，旨在通过阐释学理论评估生成式AI作为文化技术的含义生成与理解挑战。
Comments Published in Frontiers in Artificial Intelligence
Journal ref Front. Artif. Intell. 9:1753041
视角等变微调用于无地面真实多光谱去马赛克
机构 * School of Engineering（工程学院） ； University of Edinburgh（爱丁堡大学）
AI总结 本文提出PEFD框架，通过利用相机成像系统的投影几何，利用更丰富的群结构恢复更多空域信息，并通过微调预训练模型实现高效多光谱去马赛克，优于现有方法，接近监督学习性能。
Comments To appear in Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops, 2026
COMPOSITE-STEM基准：通过70个专家编写的任务评估AI代理的科学推理能力
机构 * PortexAI ； University of Milano-Bicocca（米兰-比科卡大学） ； University of Calgary（卡尔加里大学） ； University of Chicago（芝加哥大学） ； Inria（法国国家信息与自动化技术研究院） ； Fraunhofer Institute for Individualized Medical Technology IMTE（弗劳恩霍夫个性化医疗技术研究所） ； University of Cambridge（剑桥大学） ； Independent（独立） ； McGill University（麦吉尔大学） ； Massachusetts Institute of Technology（麻省理工学院） ； École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院） ； Queen Mary University of London（伦敦大学玛丽女王学院） ； Dot Ingredients ； National University of Singapore（新加坡国立大学） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Edinburgh（爱丁堡大学） ； Murdoch University（墨尔本大学） ； University of Porto（波尔图大学） ； Stanford University（斯坦福大学） ； Stony Brook University（史泰津布鲁克大学）
AI总结 本文提出COMPOSITE-STEM基准，通过70个专家编写任务评估AI代理的科学推理能力，结合精确匹配评分和LLM作为评委的协议，展示AI在科学领域的能力突破。
VisPCO：通过预算感知的帕累托前沿学习实现视觉令牌修剪配置优化
机构 * Shanghai Jiao Tong University（上海交通大学） ； University of Edinburgh（爱丁堡大学）
AI总结 本文提出VisPCO框架，通过将视觉令牌修剪问题建模为帕累托配置优化问题，自动识别最优配置。实验表明，该方法在8个视觉基准上有效逼近帕累托前沿，并在不同修剪方法和VLM架构中泛化良好。
AdaSplash-2: 更快的可微稀疏注意力
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Language Technology Lab, University of Amsterdam（阿姆斯特丹大学语言技术实验室） ； University of Edinburgh（爱丁堡大学）
AI总结 本文提出AdaSplash-2，通过新颖的直方图初始化方法减少计算τ的迭代次数，提升稀疏注意力效率，适用于中高块稀疏性场景，提升训练速度和下游任务性能。
如何正确犯错：一个用于构建和基准测试错误感知第一人称视频的框架
机构 * University of Trento（特伦托大学） ； University of Edinburgh（爱丁堡大学） ； Italy（意大利） ； United Kingdom（大不列颠岛）
AI总结 本文提出PIE-V框架，通过引入可控的人类合理偏差来构建和评估错误感知的第一人称视频，结合心理学启发的错误计划、纠正计划、LLM作家和评委，提升视频的合理性和一致性。
DigiForest: 数字分析与机器人技术用于可持续林业
机构 * Dipartimento di Ingegneria Industriale, University of Trento（工业工程系，特伦托大学） ； Faculty of Engineering, Free University of Bozen-Bolzano（工程学院，博兹纳-博尔扎诺自由大学） ； Faculty of Agricultural, Environmental and Food Sciences, Free University of Bozen-Bolzano（农业、环境与食品科学学院，博兹纳-博尔扎诺自由大学） ； Competence Centre for Mountain Innovation Ecosystems（山地创新生态系统研究中心） ； School of Informatics, University of Edinburgh（信息学院，爱丁堡大学） ； Technical University of Munich, School of Computation, Information and Technology（慕尼黑技术大学，计算、信息与技术学院） ； Department of Engineering Cybernetics, Norwegian University of Science and Technology（工程 cybernetics 系，挪威科学技术大学） ； Center for Robotics, University of Bonn（机器人中心，波恩大学） ； Swiss Federal Research Institute WSL（瑞士联邦研究 institute WSL） ； Oxford Robotics Institute, Department of Engineering Science, University of Oxford（牛津大学机器人研究所，工程科学系） ； Mobile Robotics Lab, ETH Zürich, Department of Mechanical and Process Engineering（移动机器人实验室，苏黎世联邦理工学院机械与过程工程系）
AI总结 DigiForest通过数字技术和自主机器人实现大规模精准林业，包含自主机器人数据采集、自动提取树种特征、决策支持系统和低影响选择性采伐，已在芬兰、英国和瑞士等地验证。
Comments 34 pages, 24 figures
匹配空间上的热核与Matérn核
机构 * Higher School of Economics（俄罗斯经济高等学院） ； University Grenoble Alpes（格勒诺布尔阿尔卑斯大学） ； University of Edinburgh（爱丁堡大学）
AI总结 本文提出了一种构建尊重匹配空间自然几何的几何核的方法，通过热核和Matérn核家族实现非欧几里得空间的核方法，并引入高效算法解决计算成本问题，同时探索其在树空间中的应用。
自动推断教师的几何内容知识：基于技能的方法
机构 * Ben-Gurion University, Israel（本古里安大学，以色列） ； University of Edinburgh, U.K.（爱丁堡大学，英国）
AI总结 本文提出基于技能的自动化方法，利用大语言模型对教师的Van Hiele几何推理水平进行分类，通过整合显式技能信息提升分类准确率，为大规模评估教师几何知识提供理论支持。
Comments The work is accepted for publication as a full paper (Main Track) at the 27th International Conference on Artificial Intelligence in Education (AIED 2026)
从看见它到体验它：交互式评估人类-人工智能语音交互中的交叉性声音偏见
机构 * KTH Royal Institute of Technology（皇家理工学院） ； University of Edinburgh（爱丁堡大学）
AI总结 本文通过控制测试队列和交互研究设计，探讨了声音转换对信任和接受度的影响，揭示了不同口音和性别在语音处理中的交叉性偏见。
Comments 6 pages, 3 figures, 1 table, Accepted to CHI Extended Abstracts Poster session 2026
F-Actor：全双工模型中的可控对话行为
机构 * Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； University of Edinburgh（爱丁堡大学） ； NatWest（国立西敏银行）
AI总结 本文提出首个可训练的全双工对话语音模型，通过冻结音频编码器仅微调语言模型，在有限资源下实现高效训练，支持通过指令控制说话声音、话题和对话行为。
在写作前思考：基于问答的字符描述推理
机构 * Institute of Language, Cognition and Computation（语言、认知与计算研究所） ； School of Informatics, University of Edinburgh（爱丁堡大学信息学院）
AI总结 本文提出一种解耦推理与生成的框架，通过问答引导推理提升字符描述的准确性、信息量和现实基础。
Comments 20 pages, 16 tables, 1 figure
CodeSpecBench: 用于可执行行为规范生成的LLM基准测试
机构 * The Hong Kong Polytechnic University（香港理工大学） ； University of Edinburgh（爱丁堡大学） ； UCL（伦敦大学学院） ； CUHK (SZ)（香港中文大学（深圳）） ； SUTD（新加坡科技设计大学） ； HKUST（香港科技大学） ； CUHK（香港中文大学） ； HKUST (GZ)（香港科技大学（广州））
AI总结 本文提出CodeSpecBench，一个基于执行评估协议的LLM可执行行为规范生成基准，评估了15种最新LLM在函数和仓库级任务中的表现，发现仓库级任务性能显著下降，且规范生成比代码生成更具挑战性。
MIXAR：将自回归像素基于语言模型扩展到多种语言和文字
机构 * School of Informatics, University of Edinburgh（爱丁堡大学信息学院）
AI总结 MIXAR是首个基于像素的多语言生成模型，通过八种不同语言和文字训练，提升了多语言任务的性能和鲁棒性。
时间并非标签：连续相位旋转用于时间知识图谱与智能记忆
机构 * University of Edinburgh（爱丁堡大学） ； LIGHTSPEED ； University of St Andrews（圣安德鲁斯大学） ； Independent Researcher（独立研究员）
AI总结 本文提出RoMem模块，通过连续相位旋转技术解决时间信息在知识图谱中的表示问题，提升时间推理和记忆保持性能，实现状态-of-the-art结果。
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