高校专区
专业化角色，混合部署：推动LLM代理团队的成本-精度前沿
机构 * University of Edinburgh（爱丁堡大学） ； Microsoft Research（微软研究院）
AI总结 提出AgentCARD基准，通过角色感知评估和帕累托前沿分析，发现异构团队在成本-精度前沿上优于同构团队，混合部署可降低12倍成本。
AlphaMemo: 用于自我进化的Alpha挖掘智能体的结构化搜索过程记忆
机构 * University of Sydney（悉尼大学） ； University of Edinburgh（爱丁堡大学）
AI总结 提出AlphaMemo，一种具有结构化搜索过程记忆的自我进化Alpha挖掘智能体，通过记录编辑模式在特定父因子上下文中的成败证据，结合置信门控残差记忆和非对称否决控制，提升样本外表现和固定预算发现效率。
在LLM推理中，价值对齐之上存在非理性
机构 * University of Edinburgh（爱丁堡大学）
AI总结 本文提出理性价值风险概念，形式化LLM在推理中即使价值对齐也可能无法最大化对齐价值的问题，并通过实验验证该风险普遍存在且无法被对齐消除。
PEAR: 置换等变自适应路由多智能体辩论
机构 * University of Edinburgh（爱丁堡大学） ； Shanghai AI Laboratory（上海人工智能实验室）
AI总结 提出PEAR协议，通过动态重配置通信角色和稀疏拓扑，消除固定拓扑中的位置偏差，提升多智能体辩论的准确性和鲁棒性。
赋能6G网络中的具身人工智能：架构、使能技术与开放挑战
机构 * Thomas Johann Seebeck Department of Electronics（托马斯·约翰·塞贝克电子系） ； Tallinn University of Technology（塔林理工大学） ； Institute for Imaging, Data and Communication (IDCoM)（成像、数据与通信研究所） ； The University of Edinburgh（爱丁堡大学） ； School of Artificial Intelligence and Computer Science（人工智能与计算机科学学院） ； Jiangnan University（江南大学） ； School of Science and Technology（科学与技术学院） ； Hong Kong Metropolitan University（香港 metropolitan 大学） ； Department of Electronic Systems（电子系统系） ； Aalborg University（奥胡斯大学） ； School of Computer Science（计算机科学学院） ； University of Sydney（悉尼大学） ； Department of Electrical and Computer Engineering（电气与计算机工程系） ； University of Houston（休斯顿大学） ； San Diego State University（圣地亚哥州立大学）
AI总结 提出面向6G的具身AI原生架构，通过感知-通信-动作闭环统一设计通信、感知、计算与控制，实现任务驱动的物理智能。
Comments This work has been submitted to the IEEE Communication Magazine for possible publication
DeepSWIP: 神经概率逻辑程序的商-WMC反事实
机构 * University of Edinburgh（爱丁堡大学）
AI总结 提出DeepSWIP，一种用于DeepProbLog程序的单世界反事实语义，通过神经物化、SWIP和加权模型计数实现精确反事实推理，实验证明比孪生网络方法快2.14倍。
具有不确定性量化的神经网络代理模型用于偏微分方程反问题
机构 * School of Mathematics and Maxwell Institute for Mathematical Sciences University of Edinburgh（数学学院和麦克斯韦数学科学研究所爱丁堡大学）
AI总结 提出DeepGaLA神经网络代理模型，为微分方程求解器提供不确定性感知预测，结合延迟接受MCMC诊断，实现高效可靠的贝叶斯反演。
使用整流流变换器扩展胸部X光片的生成式基础模型
机构 * Imperial College London（帝国理工学院） ； Causality in Healthcare AI Hub（医疗AI因果关系中心） ； University of Edinburgh（爱丁堡大学） ； Cleveland Clinic London（克利夫兰诊所伦敦） ； Department of Perioperative Medicine, CHU Clermont-Ferrand（克莱蒙费朗大学医院围手术期医学科） ； Department of Medicine, Massachusetts General Hospital（麻省总医院医学部） ； Broad Institute of MIT and Harvard（麻省理工学院与哈佛大学博德研究所）
AI总结 提出首个十亿参数级胸部X光片生成基础模型，通过整流流变换器实现高保真可控合成，显著提升合成图像与真实图像的不可区分性。
Comments Project page: https://RadiT-project.github.io
JustDiag!：用于可问责根本原因分析的诊断论证引擎
机构 * Peking University（北京大学） ； University of Edinburgh（爱丁堡大学） ； Beijing University of Posts and Telecommunications（北京邮电大学）
AI总结 提出JustDiag诊断论证引擎，通过维护显式的过程状态（证据、发现、竞争假设、冲突和下一步检查）来支持可问责的根本原因分析，在66个真实事件上评估显示其优于仅提供流畅最终答案的方法。
大语言吉布斯结构化推理
机构 * University of Edinburgh, School of Informatics（爱丁堡大学信息学院）
AI总结 提出大语言吉布斯方法，利用大语言模型的条件分布作为转移算子进行结构化概率推理，通过迭代重采样变量避免顺序偏差，在合成分布、一致性推理和贝叶斯结构学习中验证有效性。
Comments Code: https://github.com/hyeok9855/large-language-gibbs
BCL：面向信息抽取的贝叶斯上下文学习框架
机构 * HiThink Research（海天瑞声研究） ； University College London（伦敦大学学院） ； University of Edinburgh（爱丁堡大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； East China Normal University（华东师范大学） ； Shanghai Medical Image Insights（上海医学影像洞察） ； University of Waterloo（滑铁卢大学） ； University of Washington（华盛顿大学） ； Beijing Institute of Technology（北京理工大学）
AI总结 提出BCL框架，利用贝叶斯更新和粒子滤波优化信息抽取中的上下文学习，在序列标注和关系分类任务上取得显著提升。
Comments ACL 2026 Findings
半条链接足以预测整条链接：理解知识图谱基础模型中的泛化
机构 * Institute for AI, University of Stuttgart（斯图加特大学人工智能研究所） ； University of Southampton（南安普顿大学） ； University of Edinburgh（爱丁堡大学）
AI总结 本文通过分析知识图谱基础模型在未见图上的零样本泛化，发现模型利用部分可见的“半链接”进行预测，并基于此提出四类场景的分类法，揭示现有模型的泛化机制与改进方向。
Mind-Studio: 针对部分可观测游戏的可执行世界模型与前向评估
机构 * Hong Kong University of Science and Technology（香港科技大学） ； City University of Hong Kong（香港城市大学） ； University of Edinburgh（爱丁堡大学） ； Hong Kong Baptist University（香港浸会大学）
AI总结 提出Mind-Studio框架，利用大语言模型从轨迹合成可执行的pygame风格世界模型，通过K步前向保真度协议评估，在Montezuma's Revenge等游戏中显著提升预测准确性和子目标验证。
Comments 12 pages, 2 figures
学习格点QCD中方差约化的生成泛函
机构 * Physics Department, Columbia University（哥伦比亚大学物理系） ； Center for Theoretical Physics, Massachusetts Institute of Technology（麻省理工学院理论物理中心） ； Fermi National Accelerator Laboratory（费米国家加速器实验室） ； Higgs Centre for Theoretical Physics, School of Physics and Astronomy, University of Edinburgh（爱丁堡大学物理与天文学学院希格斯理论物理中心） ； Albert Einstein Center, Institute for Theoretical Physics, University of Bern（伯尔尼大学爱因斯坦中心理论物理研究所） ； NSF AI Institute for Artificial Intelligence and Fundamental Interactions（国家科学基金会人工智能与基本相互作用AI研究所）
AI总结 利用机器学习归一化流编码生成泛函表示，系统降低格点规范场论中任意N点关联函数的方差，在QCD和杨-米尔斯理论中实现高达三个数量级的方差约化。
Comments 8 pages, 3 figures
人类遗传证据与跨治疗领域药物批准相关：一项基于26,278个靶点-疾病对的观察性分析，含时间验证和特征消融
机构 * School of Informatics, University of Edinburgh（爱丁堡大学信息学院）
AI总结 本研究通过分析26,278个靶点-疾病对，发现具有遗传关联的靶点药物批准率是无遗传关联的3.25倍，但遗传证据单独预测价值有限，并识别出1,433个遗传支持的早期阶段靶点-疾病对作为假设生成资源。
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
Every Eval Ever：AI评估结果的统一模式与社区仓库
机构 * Technical University Munich（慕尼黑工业大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； Weizenbaum Institute（魏岑鲍姆研究所） ； Zuse Institute Berlin（柏林祖泽研究所） ； Evidence Prime ； Trustible ； Kitware ； ETH Zurich（苏黎世联邦理工学院） ； StickFlux Labs ； Stanford University（斯坦福大学） ； Northeastern University（东北大学） ； IBM Research（IBM研究院） ； Comenius University Bratislava（布拉迪斯拉发夸美纽斯大学） ； Cisco（思科） ； University of Notre Dame（圣母大学） ； Hebrew University of Jerusalem（耶路撒冷希伯来大学） ； University of Oxford（牛津大学） ； Ohio University（俄亥俄大学） ； Writer ； TCS Research（塔塔咨询服务研究院） ； Oxford University Press（牛津大学出版社） ； Queen Mary University of London（伦敦玛丽女王大学） ； Technical University Berlin（柏林工业大学） ； University of Delaware（特拉华大学） ； Cinemo ； Johns Hopkins University（约翰霍普金斯大学） ； University of Copenhagen（哥本哈根大学） ； ELLIS（欧洲学习与智能系统实验室） ； Iowa State University（爱荷华州立大学） ； Meta FAIR ； University of Montreal（蒙特利尔大学） ； Mila Quebec AI Institute（Mila魁北克人工智能研究所） ； EleutherAI ； Yale University（耶鲁大学） ； Hugging Face ； University of Edinburgh（爱丁堡大学） ； Harvard University（哈佛大学） ； ETH AI Center（ETH人工智能中心） ； MIT（麻省理工学院） ； MIT-IBM Watson Lab（MIT-IBM沃森实验室）
AI总结 针对AI评估结果格式不统一、难以比较的问题，提出首个共享模式与社区众包仓库，通过标准化表示、自动转换器和社区数据库实现跨评估框架的统一。
多属性选择中有限权衡筛选的最小模型
机构 * School of Informatics, University of Edinburgh, UK（英国爱丁堡大学信息学院） ； Cold Spring Harbor Laboratory, USA（美国冷泉港实验室）
AI总结 提出有限权衡推理框架，通过引入权衡容忍参数模拟筛选过程，产生不同于标准效用模型的偏好模式，解释多属性选择中的情境依赖行为。
Comments 3 pages, 1 figure, accepted as extended abstract at Annual Conference on Cognitive Computational Neuroscience 2026
Pythagoras-Prover: 通过增强型Lean形式化推进高效形式化证明
机构 * Imperial College London（伦敦帝国学院） ； University of Edinburgh（爱丁堡大学） ； Nanyang Technological University（南洋理工大学） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学）
AI总结 提出Pythagoras-Prover系列，包括自回归和扩散模型，通过课程SFT、动态过滤和增强型Lean形式化（ALF）扩展验证数据，在MiniF2F-Test上以更少参数超越DeepSeek-Prover-V2。
Comments Pythagoras-Prover: Technical Report
无保护属性的去偏：从文本画像中消除潜在概念
机构 * University of Cambridge（剑桥大学） ； University of Edinburgh（爱丁堡大学） ； University of Groningen（格罗宁根大学） ； NVIDIA Research（英伟达研究院）
AI总结 提出H-SAL方法，利用自我描述文本作为隐式信号进行后处理概念和属性消除，在无直接敏感属性下实现去偏，并在多领域Stack Exchange基准上验证其效果与显式标签去偏相当或更优。
Comments 23 pages, 5 figures, 12 tables. The paper is currently under review
基于GAN和忆阻器分类器的非正面人脸识别
机构 * Centre for Electronics Frontiers, Institute for Integrated Micro and Nano Systems, School of Engineering, The University of Edinburgh（爱丁堡大学工程学院集成微纳系统研究所电子前沿中心）
AI总结 提出将轻量级GAN正面化与忆阻器神经形态识别结合，解决非正面人脸识别，在数据集上达96%准确率。
Comments 12 pages, 4 figures, 1 Supplementary (22 pages, 16 figures, 6 tables, 4 supplementary notes)
基于方差加权子图拼接的信息保持连续占据地图构建
机构 * University of Technology Sydney（悉尼科技大学） ； University of Edinburgh（爱丁堡大学）
AI总结 提出首个连续概率子图拼接框架，通过信息保持稀疏贝叶斯公式压缩观测数据为充分统计量，联合优化子图位姿与全局占据场，实现高精度位姿估计与全局一致性地图。
Comments 12 pages, 7 figures
一个源域足矣：基于语义对齐和最优传输的仅源域跨操作系统APT异常检测迁移学习
机构 * New York University, NYUAD, Division of Science, Computer Science Department（纽约大学，NYUAD，科学学院，计算机科学系） ； University of Quebec in Montreal, Computer Science Department, Montreal（魁北克大学蒙特利尔分校，计算机科学系，蒙特利尔） ； University of Edinburgh, School of Informatics, Edinburgh（爱丁堡大学，信息学院，爱丁堡）
AI总结 针对跨操作系统APT检测中目标域无标签的挑战，提出基于最优传输的仅源域异常评分框架，通过语义抽象和三种偏差通道实现零目标监督下的异常排序。
基于管状播种的费曼积分高效类脑约化
机构 * Leinweber Institute for Theoretical Physics, Randall Laboratory of Physics, University of Michigan, Ann Arbor, 450 Church St, Ann Arbor, MI 48109-1040, USA（莱因韦伯理论物理研究所，物理系拉尔登实验室，密歇根大学安娜堡分校） ； Axiom Math, 124 University Avenue, Palo Alto, California, 94301, United States（Axiom数学公司，帕洛阿尔托，加利福尼亚州，94301，美国） ； Niels Bohr International Academy, Niels Bohr Institute, University of Copenhagen, Blegdamsvej 17, 2100 Copenhagen , Denmark（尼尔斯·波尔国际学院，尼尔斯·波尔研究所，哥本哈根大学） ； Center for Quantum Mathematics, Department of Mathematics and Computer Science, University of Southern Denmark, Campusvej 55, 5230 Odense M, Denmark（量子数学中心，数学与计算机科学系，丹麦南部大学） ； Higgs Centre for Theoretical Physics, University of Edinburgh, Edinburgh, EH9 3FD, United Kingdom（希格斯理论物理中心，爱丁堡大学）
AI总结 利用机器学习发现一种新的种子选择策略，通过稀疏种子线性增长实现高幂次多圈积分的约化，显著降低计算时间和内存占用，适用于唯象应用。
Comments 61 pages, 25 figures, 11 tables
参数化量子电路的自适应方向梯度
机构 * School of Informatics, University of Edinburgh（爱丁堡大学信息学院） ； Fujitsu Research of Europe Ltd.（富士通欧洲有限公司） ； LIP6, CNRS, Sorbonne Université（LIP6研究所，法国国家科学研究中心，索邦大学） ； QC Ware ； Quantum Signals（量子信号）
AI总结 提出基于前向自动微分的参数化量子电路梯度估计框架，通过平均随机方向导数得到无偏梯度，并导出自适应优化器QUIVER，在多达1770个参数的问题上比参数平移规则效率提升数个数量级。
Comments 37 pages, 13 figures
数据工作能否具有修复性？
机构 * University of Edinburgh（爱丁堡大学） ； Google Research（谷歌研究院）
AI总结 通过民族志研究，探讨公民科技倡议如何从女性主义视角协作构建安全数据集，旨在将数据工作重塑为修复与补救的场所，并分析其中遇到的挑战与张力。
Comments To be presented at ACM FAccT, Montréal, Canada, June 25 to June 28, 2026
弥合智能体-世界鸿沟：面向基于LLM的智能体的文本世界模型
机构 * Southern University of Science and Technology（南方科技大学） ； University of Edinburgh（爱丁堡大学） ； Peking University（北京大学） ； Sun Yat-sen University（中山大学） ； The Chinese University of Hong Kong（香港中文大学） ； Shanghai University of Finance and Economics（上海财经大学） ； Tsinghua University（清华大学） ； The University of Hong Kong（香港大学）
AI总结 本文系统综述了面向基于LLM的智能体的文本世界模型，围绕形式化框架和智能体生命周期，涵盖基础定义、构建范式、应用（训练时经验合成与推理时规划、验证、适应）及评估，旨在整合该领域并明确设计空间与开放挑战。
Comments Code: https://github.com/sustech-nlp/awesome-text-world-models
开放式多智能体协作在语言智能体中的基准测试
机构 * University of Edinburgh（爱丁堡大学） ； University of Oxford（牛津大学） ； University College London（伦敦大学学院）
AI总结 提出基于JAX的开放式多智能体协作基准Alem，评估13种现代LLM在长时生存世界中的零样本协作能力，发现协调能力是前沿LLM智能体的独立瓶颈。
Comments 42 pages, preprint
摘要生成尚未消亡
机构 * Saarland University（萨尔大学） ； Max Planck Institute for Informatics（马克斯·普朗克信息学研究所） ； University of Cambridge（剑桥大学） ； University of Edinburgh（爱丁堡大学） ； Zhejiang University（浙江大学） ； Tencent YouTu Lab（腾讯优图实验室）
AI总结 通过多维度评估，发现人类参考摘要在信息量和忠实度上仍优于大语言模型，后者仅在表面连贯性和流畅性上占优，表明摘要生成研究仍有挑战。
同时性多动症表型分析：基于常规视频、无标记姿态估计和表格基础模型的跨队列儿科迁移研究
机构 * Lausanne University Hospital (CHUV)（洛桑大学医院） ； University of Lausanne (UNIL)（洛桑大学） ； Institut du Neurone（神经元研究所） ； Clinique Beau Soleil（博索莱伊诊所） ； Institut Mutualiste Montpelliérain（蒙彼利埃互助研究所） ； Military University Hospital of Sfax（斯法克斯军事大学医院） ； University of Edinburgh（爱丁堡大学） ； Hospital Sant Joan de Déu（圣琼德迪乌医院） ； European Reference Network for Rare Neurological Diseases (ERN-RND)（欧洲罕见神经系统疾病参考网络） ； Instituto de Salud Carlos III（卡洛斯三世健康研究所） ； CHU Montpellier（蒙彼利埃大学医院） ； Umeå University（于默奥大学） ； University Hospital Lausanne（洛桑大学医院） ； Ecole Polytechnique Fédérale de Lausanne（洛桑联邦理工学院） ； British Columbia Children’s Hospital（不列颠哥伦比亚儿童医院）
AI总结 提出结合无标记姿态估计、运动学描述符和预训练基础模型的视频框架，在成人数据上训练后迁移至儿科队列，经轻量校准后实现多种多动症现象的同时检测。
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