高校专区
Lyria：一种基于遗传算法的神经符号推理框架用于大语言模型
机构 * Artificial Intelligence Applications Institute（人工智能应用研究所） ； The University of Edinburgh（爱丁堡大学）
AI总结 Lyria是一种结合遗传算法和符号系统的神经符号推理框架，用于改进大语言模型在局部最优和解空间覆盖方面的不足，并通过LAFT实现弱模型对强模型推理过程的模仿。
基于本体感觉观测器的水下柔性变形翼气流估计与扰动抑制
机构 * Institute of Integrated Micro and Nano Systems, School of Engineering, The University of Edinburgh（集成微纳系统研究所，工程学院，爱丁堡大学） ； School of Informatics, The University of Edinburgh（信息学院，爱丁堡大学）
AI总结 本研究提出了一种基于本体感觉观测器的柔性变形翼，通过本体感觉传感和扰动观测器实现水下环境扰动的估计与抑制，提高软水下车辆的稳定性和操控性。
Comments 2026 IEEE International Conference on Robotics & Automation (ICRA)
CodeCircuit: 通过归因图推断LLM生成代码的正确性
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Edinburgh（爱丁堡大学） ； Nanyang Technological University（南洋理工大学） ； National University of Singapore（新加坡国立大学） ； IQuest Research（IQuest研究）
AI总结 CodeCircuit通过归因图分析LLM内部结构，推断生成代码的正确性，验证内部动态信号的预测能力。
视觉渲染能否绕过分词？探究基于像素的语言模型中脚本-分词器不一致问题
机构 * Monash University Indonesia（墨尔本大学印尼分校） ； MBZUAI ； Boston University（波士顿大学） ； University of Edinburgh（爱丁堡大学）
AI总结 本研究探讨了基于像素的语言模型中视觉渲染是否能绕过分词约束，发现重新引入文本分词器加剧了分词不一致问题，自定义分词器在性能上表现更优。
Comments Submitted to ARR January
代理不确定性揭示代理过度自信
机构 * University College London（伦敦大学学院） ； University of Edinburgh（爱丁堡大学） ； Mila - Québec AI Institute（魁北克AI研究所）
AI总结 研究发现AI代理在任务执行前后对自身成功率的预测存在过度自信，且执行前的低信息评估比执行后的回顾更有效，对抗性提示能提高预测准确性。
数字的表征几何
机构 * Georgia Tech（佐治亚理工学院） ； University of Edinburgh（爱丁堡大学）
AI总结 本研究通过语言模型探讨数字表征的几何结构，发现任务特定表征可通过线性映射在不同子空间间转换，揭示了共享结构与功能灵活性的平衡机制。
相同答案，不同表示：VLMs中的隐藏不稳定性
机构 * Sapienza University of Rome（罗马萨皮恩扎大学） ； CNRS（法国国家科学研究中心） ； University of Edinburgh（爱丁堡大学） ； University of Oxford（牛津大学） ； i3S（i3S研究所）
AI总结 本研究揭示了视觉语言模型中隐藏的不稳定性，通过引入新的评估框架发现模型在内部表示漂移、鲁棒性与决策边界等方面存在显著问题。
CLaRa：通过连续潜在推理弥合检索与生成
机构 * Apple（苹果公司） ； University of Edinburgh（爱丁堡大学）
AI总结 CLaRa通过连续潜在推理框架实现检索与生成的统一优化，提升压缩和重排性能，优于现有基线方法。
EuroLLM-22B：技术报告
机构 * Instituto Superior Técnico & Universidade de Lisboa (Lisbon ELLIS Unit)（里斯本ELLIS单位（理工学院与里斯本大学）） ； Instituto de Telecomunicações（电信研究院） ； MICS, CentraleSupélec, Université Paris-Saclay（MICS、中央圣艾尔布兰理工大学、巴黎萨克雷大学） ； Acolad ； Carnegie Mellon University（卡内基梅隆大学） ； University of Edinburgh（爱丁堡大学） ； Diabolocom ； Aveni ； OutSystems ； Sword Health ； Sorbonne Université, CNRS, ISIR（索邦大学、国家科学研究中心、ISIR） ； Artefact Research Center（Artefact研究机构） ； TransPerfect
AI总结 EuroLLM-22B是一款覆盖24种欧盟语言及11种额外语言的大型语言模型，通过多语言基准测试展现强推理、指令遵循和翻译能力，提供基础模型、指令微调模型及预训练代码库以支持未来研究。
通过学习提问来学习总结：对抗性代理协作用于长文档摘要
机构 * School of Informatics, University of Edinburgh（信息学院，爱丁堡大学） ； Tongyi Lab, Alibaba Group（通义实验室，阿里巴巴集团）
AI总结 SummQ通过对抗性代理协作提升长文档摘要质量，利用生成和评审代理以及问题生成机制实现摘要的迭代优化。
HBO：用于微调大语言模型的分层平衡优化
机构 * School of Informatics, University of Edinburgh（爱丁堡大学信息学院） ； Tongyi Lab, Alibaba Group（阿里集团通义实验室）
AI总结 HBO通过分层平衡优化方法，在LLM微调中解决数据不平衡和异质性问题，提升跨数据集和单数据集的训练效果。
AccentBox: 向高保真零样本口音生成迈进
机构 * Centre for Speech Technology Research, University of Edinburgh, UK（语音技术研究中心，爱丁堡大学，英国） ； Department of AI Technology, Transsion, China（人工智能技术系，Transsion，中国）
AI总结 AccentBox通过两阶段流程实现高保真零样本口音生成，提升口音识别与生成的准确性和多样性。
Comments Accepted by ICASSP 2025
为高效多目标强化学习设计可解释性
机构 * School of Informatics, The University of Edinburgh（信息学院，爱丁堡大学） ； School of Mathematics, The University of Edinburgh（数学学院，爱丁堡大学） ； Edinburgh Centre for Robotics（爱丁堡机器人中心）
AI总结 LLE-MORL通过设计实现可解释性，利用局部线性映射提升多目标强化学习的效率和解质量。
从离散时间策略到连续时间扩散采样器：渐近等价与更快的训练
机构 * California Institute of Technology（加州理工学院） ； NVIDIA（英伟达） ； Zuse Institute Berlin（柏林泽尼克研究所） ； dida Datenschmiede GmbH（dida数据隐私公司） ； Jagiellonian University（雅盖隆大学） ； Mila, Université de Montréal（蒙特利尔大学机器学习研究所） ； University of Edinburgh（爱丁堡大学） ； CIFAR Fellow, Learning in Machines and Brains（CIFAR Fellow, 机器学习与大脑学习）
AI总结 本文提出通过渐近等价性将离散时间策略转化为连续时间扩散采样器，提升训练效率和采样性能。
Comments TMLR final version; code: https://github.com/GFNOrg/gfn-diffusion/tree/stagger
Search-R2: 通过演员-细化协作提升搜索集成推理
机构 * The Chinese University of Hong Kong（香港中文大学） ； LLM Department, Tencent（腾讯语言模型部门） ； Mohamed bin Zayed University of Artificial Intelligence（马尔代夫人工智能大学） ； McGill University（麦吉尔大学） ； City University of Hong Kong（香港城市大学） ； The University of Edinburgh（爱丁堡大学）
AI总结 Search-R2通过演员-细化协作框架提升搜索集成推理，通过针对性干预和混合奖励设计，在多种QA数据集上超越强基线，实现更优的推理准确性。
可组合的视觉标记生成器：无生成器诊断的可学习性
机构 * University of Edinburgh（爱丁堡大学）
AI总结 CompTok通过训练可组合的视觉标记生成器，提升图像生成的组合性和语义编辑能力，同时引入两个度量标准评估标记空间的可学习性。
利用特征空间中的相似性搜索细化异常检测的决策边界
机构 * New York University, NYUAD, Division of Science, Computer Science Department（纽约大学） ； University of Quebec in Montreal, Computer Science Department, Montreal（魁北克大学蒙特利尔分校） ； University of Edinburgh, School of Informatics, Edinburgh（爱丁堡大学）
AI总结 SDA2E 通过特征空间中的相似性搜索优化异常检测，结合三种新策略提升决策边界，减少标注数据用量达 80%，在多个数据集上表现优异。
没有时间训练！基于参考的实例分割（无需训练）
机构 * School of Engineering, University of Edinburgh, Scotland, UK（爱丁堡大学工程学院） ； School of Computing Science, University of Glasgow, Scotland, UK（格拉斯哥大学计算科学学院） ； Meta
AI总结 本研究提出一种无需训练的实例分割方法，利用语义先验和多阶段流程，通过参考图像生成分割掩码，提升分割性能。
Comments Preprint
Avenir-Web: 人类经验模拟的多模态网络代理与接地专家混合
机构 * University College London（伦敦大学学院） ； The University of Edinburgh（爱丁堡大学） ； Princeton University（普林斯顿大学）
AI总结 Avenir-Web通过融合接地专家与经验模仿规划，实现了在复杂网络界面中可靠执行长周期任务的开源网络代理新纪录。
抽象激活空间用于大语言模型中的内容不变推理
机构 * Human Centric ART, University of Rome Tor Vergata（人类中心ART，罗马大学托尔维加塔分校） ； ILCC, School of Informatics, University of Edinburgh（ILCC，信息学院，爱丁堡大学） ； School of Computer Science, University of Sheffield（计算机科学学院，谢菲尔德大学） ； Almawave S.p.A.（Almawave公司）
AI总结 本研究提出了一种抽象引导推理框架，通过分离结构推理与词法语义，减少语义干扰对形式推理的影响，提升大语言模型的推理鲁棒性。
多服务器联邦学习中的冲突感知客户端选择
机构 * 1 School of Computer ； Information Engineering, Xiamen University of Technology, Xiamen, China ； 2 Department of Electrical ； Electronic Engineering, The University of Hong Kong, Hong Kong, China ； 3 Department of Computer Science, City University of Hong Kong, Hong Kong, China ； 4 School of Software \& Microelectronics, Peking University, Beijing, China ； 5 Institute for Imaging, Data ； Communications, University of Edinburgh, UK
AI总结 本文提出RL CRP方法，通过预测冲突风险优化多服务器联邦学习中的客户端选择，减少资源竞争并提升训练效率。
Comments 6 pages, 4 figures
APE-Bench: 评估形式数学库中的自动化证明工程
机构 * University of Edinburgh（爱丁堡大学）
AI总结 APE-Bench提出了一种系统性评估仓库级证明工程的框架，通过双验证机制评估语法编译和语义要求满足，并提供开源工具进行标准化评估和公平比较。
Workflow-R1: 多轮工作流构建的分组子序列策略优化
机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Shanghai Jiao Tong University（上海交通大学） ； Tianjin University（天津大学） ； Tongji University（同济大学） ； University of Edinburgh（爱丁堡大学）
AI总结 Workflow-R1通过分组子序列策略优化提升多轮工作流构建的灵活性和性能。
受蚂蚁启发的最小足迹抓取
机构 * Institute for Perception, Action and Behaviour, School of Informatics, University of Edinburgh（感知、行为与动作研究所，信息学院，爱丁堡大学）
AI总结 受蚂蚁启发，设计了一种低成本抓取器，通过模仿蚂蚁前腿的摩擦结构和柔顺性，实现了对多种物品的高效抓取和密集杂乱环境中的单物拾取。
通过交互式和可解释的AI助手增强临床决策：与泌尿科和产科医生的现实世界用户研究
机构 * Peking University（北京大学） ； University of Hong Kong（香港大学） ； Hong Kong University of Science and Technology（香港科学与技术大学） ； Peking University Third Hospital（北京大学第三医院） ； Affiliated Xuzhou Municipal Hospital of Xuzhou Medical University（徐州医科大学附属徐州市人民医院） ； University of Edinburgh（爱丁堡大学） ； Health Data Research UK（英国健康数据研究）
AI总结 AICare通过交互式和可解释的AI助手提升临床决策，通过实验证明其降低认知负荷并增强医生信任
Comments Accepted by ACM CHI 2026
一种用于ONNX模型的选择性量化调节器
机构 * University of Edinburgh（爱丁堡大学）
AI总结 SeQTO是一种用于ONNX模型的选择性量化框架，通过多目标优化和性能分析，实现高效且高精度的模型部署与执行。
Comments 5 pages, 3 figures, 2 tables
DiTOX：ONNX优化器中的故障检测与定位
机构 * University of Edinburgh（爱丁堡大学）
AI总结 DiTOX通过差分测试和故障定位技术，发现ONNX优化器中15个问题，揭示了优化器在不同任务中的正确性问题。
Comments 13 pages, 2 figures, 4 tables
注意力与残差汇流的统一视角：异常驱动的重缩放对变换器训练至关重要
机构 * Qwen Team（Qwen团队） ； University of Edinburgh（爱丁堡大学） ； Stanford University（斯坦福大学） ； Tsinghua University（清华大学）
AI总结 本文提出异常驱动重缩放对变换器训练的重要性，通过统一注意力与残差汇流的起源，展示了异常值在训练稳定性与性能提升中的关键作用。
在Fisher-Rao几何中使用PPO
机构 * Center for Advanced Intelligence Project, RIKEN AIP, Japan（日本RIKEN AIP高级智能项目中心） ； School of Mathematics, University of Edinburgh, UK（爱丁堡大学数学学院） ； School of Mathematics, University of Edinburgh, UK, The Alan Turing Institute, UK（爱丁堡大学数学学院、英国艾伦·图灵研究所）
AI总结 本文提出Fisher-Rao PPO，通过Fisher-Rao几何改进PPO的理论保证，实现亚线性收敛并增强强化学习的稳定性。
Comments 34 pages; Added section on Natural Policy Gradient. Added numerical experiments
量化语音中词义通道和非词义通道的感知价值
机构 * Centre for Speech Technology Research, University of Edinburgh（语音技术研究中心，爱丁堡大学）
AI总结 本文提出了一种通用范式，用于量化语音中非词义信息对对话期望的感知价值，通过准确性和熵减少评估，揭示非词义信息在提升对话预期一致性方面的贡献。
Comments To be published in Interspeech 2023, 5 pages, 1 figure
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