Imperial College London（帝国理工学院）

A Benchmark for Deep Information Synthesis

深度信息合成的基准测试

Debjit Paul, Daniel Murphy, Milan Gritta, Ronald Cardenas, Victor Prokhorov, Lena Sophia Bolliger, Aysim Toker, Roy Miles, Andreea-Maria Oncescu, Jasivan Alex Sivakumar, Philipp Borchert, Ismail Elezi, Meiru Zhang, Ka Yiu Lee, Guchun Zhang, Jun Wang, Gerasimos Lampouras

机构 * Huawei Noah’s Ark Lab, UK（华为诺亚实验室，英国） ； Imperial College London（伦敦帝国理工学院） ； UCL Centre for Artificial Intelligence（伦敦大学学院人工智能中心） ； University of Zurich（苏黎世大学） ； University of Sheffield（谢菲尔德大学） ； University of Cambridge（剑桥大学） 纠错

AI总结 DEEPSYNTH是一个评估智能体在复杂任务中信息合成与推理能力的新基准测试，通过多阶段数据收集流程和120个跨7个领域的任务，评估LLM在现实问题中的表现。

Comments Accepted at ICLR 2026

A Very Big Video Reasoning Suite

一个非常大的视频推理套件

Maijunxian Wang, Ruisi Wang, Juyi Lin, Ran Ji, Thaddäus Wiedemer, Qingying Gao, Dezhi Luo, Yaoyao Qian, Lianyu Huang, Zelong Hong, Jiahui Ge, Qianli Ma, Hang He, Yifan Zhou, Lingzi Guo, Lantao Mei, Jiachen Li, Hanwen Xing, Tianqi Zhao, Fengyuan Yu, Weihang Xiao, Yizheng Jiao, Jianheng Hou, Danyang Zhang, Pengcheng Xu, Boyang Zhong, Zehong Zhao, Gaoyun Fang, John Kitaoka, Yile Xu, Hua Xu, Kenton Blacutt, Tin Nguyen, Siyuan Song, Haoran Sun, Shaoyue Wen, Linyang He, Runming Wang, Yanzhi Wang, Mengyue Yang, Ziqiao Ma, Raphaël Millière, Freda Shi, Nuno Vasconcelos, Daniel Khashabi, Alan Yuille, Yilun Du, Ziming Liu, Bo Li, Dahua Lin, Ziwei Liu, Vikash Kumar, Yijiang Li, Lei Yang, Zhongang Cai, Hokin Deng

机构 * University of California, Berkeley（加州大学伯克利分校） ； Nanyang Technological University（南洋理工大学） ； Northeastern University（东北大学） ； University of Tübingen（图宾根大学） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Michigan（密歇根大学） ； University of Southern California（南加州大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； Shanghai Jiao Tong University（上海交通大学） ； East China Normal University（华东师范大学） ； Stanford University（斯坦福大学） ； University of Texas at Austin（得克萨斯大学奥斯汀分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Cornell University（康奈尔大学） ； San Jose State University（圣何塞州立大学） ； University of California, Irvine（加州大学尔湾分校） ； Technical University of Munich（慕尼黑技术大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； Imperial College London（伦敦帝国学院） ； University of Wisconsin--Madison（威斯康星大学麦迪逊分校） ； University of Edinburgh（爱丁堡大学） ； Hong Kong University of Science（香港科学大学） ； New York University（纽约大学） ； Auburn University（阿伯丁大学） ； Columbia University（哥伦比亚大学） ； University of Bristol（布里斯托大学） ； University of Waterloo（滑铁卢大学） ； The Chinese University of Hong Kong（香港中文大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Oxford（牛津大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） 纠错

AI总结 VBVR数据集和评估框架旨在解决视频推理能力研究中的大规模数据缺乏问题，通过大规模实验观察到对未见任务的泛化能力。

Comments Homepage: https://video-reason.com/

When can we trust untrusted monitoring? A safety case sketch across collusion strategies

我们何时可以信任不可信的监控？跨合谋策略的安全案例草图

Nelson Gardner-Challis, Jonathan Bostock, Georgiy Kozhevnikov, Morgan Sinclaire, Joan Velja, Alessandro Abate, Charlie Griffin

机构 * LASR Labs（LASR实验室） ； University of Oxford（牛津大学） ； University of Wyoming（怀俄明大学） ； Imperial College London（伦敦帝国学院） ； UK AI Security Institute（英国人工智能安全研究所） 纠错

AI总结 本文提出了一种跨合谋策略的安全案例草图，探讨了不可信监控的安全性问题，分析了不同合谋策略的有效性，并指出了未解决的挑战。

Comments 66 pages, 14 figures, Preprint

GENSR: Symbolic Regression Based in Equation Generative Space

GENSR：基于方程生成空间的符号回归

Qian Li, Yuxiao Hu, Juncheng Liu, Yuntian Chen

机构 * Shanghai Jiao Tong University（上海交通大学） ； Eastern Institute of Technology（东部技术研究所） ； The Hong Kong Polytechnic University（香港理工大学） ； Imperial College London（伦敦帝国理工学院） 纠错

AI总结 GenSR通过生成潜在空间和改进的CMA-ES算法，实现了符号回归中预测准确性、表达简洁性和计算效率的联合优化。

Multi-hop Deep Joint Source-Channel Coding with Deep Hash Distillation for Semantically Aligned Image Recovery

多跳深度联合源信道编码与深度哈希蒸馏用于语义对齐的图像恢复

Didrik Bergström, Deniz Gündüz, Onur Günlü

机构 * Department of Electrical and Electronic Engineering, Imperial College London, UK（电气与电子工程系，帝国理工学院伦敦分校，英国） ； Lehrstuhl für Nachrichtentechnik, Technische Universität Dortmund, Germany（信息论系，德意志理工大学多特蒙德分校，德国） 纠错

AI总结 本文提出多跳深度联合源信道编码结合深度哈希蒸馏，以提升图像恢复的语义一致性与感知质量。

Comments Change last word in title, add missing trailing bracket, add additional simulation results in section 4.1; results unchanged

Enhancing Out-of-Distribution Detection with Extended Logit Normalization

通过扩展对数归一化增强分布外检测

Yifan Ding, Xixi Liu, Jonas Unger, Gabriel Eilertsen

机构 * Linköping University（林霍普大学） ； Imperial College London（伦敦帝国学院） 纠错

AI总结 本文提出ELogitNorm方法，通过引入特征距离感知损失改进分布外检测并提升分布内置信度校准。

Comments CVPR 2026