高校专区
从谱统计预测大语言模型压缩退化
机构 * Department of Electrical and Electronic Engineering, Imperial College London（帝国理工学院伦敦分校电子与电气工程系）
AI总结 本文通过分析四种低秩压缩方法，发现稳定秩和信息密度主导性能退化，提出γ·ρ_s交互项作为准确度退化的预测指标，实现了高相关性验证。
Comments Profoundly assisted by agentic AI
对称性在变分推断中保证统计量的恢复
机构 * Department of Computer Science（计算机科学系） ； Department of Computing（计算科学系） ； University of Oxford（牛津大学） ； Imperial College London（伦敦帝国理工学院）
AI总结 本文提出了一种通用理论，探讨对称性如何在变分推断中促进统计量的恢复，统一了现有结果，并应用于球面分布以获得新的方向统计量保证。
Comments 19 pages, 2 figures
Fisher Decorator：通过局部传输映射细化流策略
机构 * University College London（伦敦大学学院） ； Shanghai Jiao Tong University（上海交通大学） ； King’s College London（伦敦国王学院） ； Peking University（北京大学） ； Shanghai University of Finance and Economics（上海财经大学） ； Imperial College London（伦敦帝国学院）
AI总结 本文提出Fisher Decorator方法，通过局部传输映射细化流策略，解决离线强化学习中流策略在表达性、最优性和效率之间的权衡问题，通过几何视角分析并改进优化方向。
OXtal：一种用于有机晶体结构预测的全原子扩散模型
机构 * University of Oxford（牛津大学） ； Synteny ； Google（谷歌） ； Mila ； Université de Montréal（蒙特利尔大学） ； Caltech（加州理工学院） ； NVIDIA（英伟达） ； Lila ； AITHYRA ； FutureHouse ； Imperial College London（伦敦帝国学院）
AI总结 OXtal通过全原子扩散模型直接学习分子构象与周期性排列的联合分布，利用数据增强策略提升效率，实现对晶体结构的高精度预测，显著优于传统方法。
EvoCoT：克服强化学习中的探索瓶颈
机构 * School of Computer Science, Peking University（北京大学计算机科学学院） ； College of AI, Tsinghua University（清华大学人工智能学院） ； Imperial College London（伦敦帝国理工学院） ； Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）
AI总结 EvoCoT通过两阶段链式思维优化框架，解决强化学习中稀疏奖励下的探索瓶颈问题，提升大语言模型的推理能力。
Comments Camera-ready version for ACL 2026
TagaVLM：面向视觉语言导航的拓扑感知全局动作推理
机构 * School of Information Science and Technology, Beijing University of Technology, China（信息科学与技术学院，北京理工大学，中国） ； Imperial College London, U.K.（伦敦帝国理工学院，英国）
AI总结 TagaVLM通过引入拓扑结构增强视觉语言模型，提升空间推理能力，在R2R基准中取得最佳性能，优于现有方法。
FlashLips: 100-FPS 无掩码的潜在唇部同步使用重建而非扩散或GANs
机构 * Imperial College London（帝国理工学院伦敦分校） ； Cantina Labs（Cantina实验室） ； NatWest AI Research（NatWest人工智能研究）
AI总结 FlashLips是一种无掩码的唇部同步系统，通过重建而非扩散或GANs实现实时性能，其U-Net变体在单GPU上达100FPS，视觉质量媲美先进模型。
偏离策略训练数据对探测泛化的影响
机构 * King’s College London（伦敦国王学院） ； Imperial College London（伦敦帝国学院） ； LASR Labs（LASR实验室） ； University of Manchester（曼彻斯特大学） ； Goodfire AI ； University of Cambridge（剑桥大学）
AI总结 本文研究了偏离策略训练数据对八个不同LLM行为探测泛化的影响，发现训练策略显著影响探测性能，尤其在涉及响应意图的行为上表现更差，并提出预测泛化失败的测试方法。
Comments 10 pages, ACL 2026 Conference
轨迹受限优化条件与几何感知的线性收敛
机构 * Imperial College London（帝国理工学院伦敦分校） ； Institute of Statistical Mathematics（统计数学研究所）
AI总结 本文提出轨迹受限框架，通过局部几何正则性条件，改进高维或结构化问题的线性收敛分析，揭示算法轨迹所经区域的几何特性对收敛速度的影响。
Comments 37 pages, 2 figures
参考态系统可靠性方法用于可扩展的不确定性量化方法
机构 * Department of Civil and Environmental Engineering, Imperial College London, United Kingdom（帝国理工学院伦敦分校土木与环境工程系） ； Department of Civil, Urban, and Environmental Engineering, Seoul National University, South Korea（首尔国立大学土木、城市与环境工程系）
AI总结 本文提出参考态系统可靠性方法，通过高效分类蒙特卡洛样本降低计算成本，适用于大规模系统的实时风险评估，并能处理大量参考态的扩展问题。
Comments 36 pages, 13 figures, under review at a peer-reviewed journal
基于代理的大型语言模型用于无训练神经放射学图像分析
机构 * Department of Radiation Oncology, TUM University Hospital, Munich, Germany（放射肿瘤科，慕尼黑技术大学医院，德国） ； Chair for AI in Healthcare and Medicine, Technical University of Munich (TUM)（人工智能在医疗和健康领域的主任，慕尼黑技术大学） ； Chair for AI for Image-Guided Diagnosis and Therapy, Technical University of Munich (TUM)（人工智能在影像引导诊断和治疗领域的主任，慕尼黑技术大学） ； Munich Center for Machine Learning (MCML), Munich, Germany（慕尼黑机器学习中心（MCML），德国慕尼黑） ； Department of Computing, Imperial College London, London, UK（计算系，伦敦帝国学院，英国伦敦） ； Deutsches Konsortium für Translationale Krebsforschung (DKTK), Partner Site Munich, Munich, Germany（德国转化癌症研究联盟（DKTK），慕尼黑分部，德国慕尼黑）
AI总结 本文提出一种无训练代理框架，利用外部工具实现脑MRI分析，涵盖预处理、病灶分割和体积分析，并通过公开BraTS数据集评估代理AI在神经放射学任务中的性能。
BOOKAGENT：通过多智能体认知校准 orchestrate 安全意识的视觉叙述
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Science and Technology of China（中国科学技术大学） ； Imperial College London（伦敦帝国理工学院） ； Nanyang Technological University（南洋理工大学） ； University of Central Florida（佛罗里达中央大学）
AI总结 本文提出BOOKAGENT，一种安全意识的多智能体协作框架，用于高质量的视觉叙述生成，通过联合规划、脚本、插图和全局修复不一致，提升叙述连贯性和视觉一致性。
Comments 18 pages, Accepted by ACL 2026
代理强化学习用于大语言模型的景观：综述
机构 * University of Oxford（牛津大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； National University of Singapore（新加坡国立大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Brown University（布朗大学） ； University College London（伦敦大学学院） ； University of Science and Technology of China（中国科学技术大学） ； Imperial College London（伦敦帝国学院） ； Dalian University of Technology（大连理工大学） ； Chinese Academy of Sciences（中国科学院） ； The Chinese University of Hong Kong（香港中文大学） ； University of Georgia（佐治亚大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of California, Santa Barbara（加州大学圣塔芭芭拉分校） ； University of Bristol（布里斯托大学）
AI总结 本文综述了代理强化学习在大语言模型中的应用，提出双分类体系，探讨其核心能力与应用领域，并强调强化学习在使能力转化为适应性行为中的关键作用。
Comments Published on Transactions on Machine Learning Research: https://openreview.net/forum?id=RY19y2RI1O
ORThought: 物流优化建模的基准测试与自动化
机构 * ZJU-UIUC Institute, Zhejiang University（浙江大学浙大-伊利诺伊大学联合学院） ； School of Transportation, Jilin University（吉林大学交通运输学院） ； Singapore-MIT Alliance for Research and Technology（新加坡-麻省理工联合研究所） ； Department of Civil and Environmental Engineering, Imperial College London（伦敦帝国理工学院土木与环境工程系）
AI总结 本文提出ORThought框架，通过引入专家级建模原理，解决物流优化建模中的基准不足、多智能体框架不稳定及评估深度不足等问题，实验证明其在复杂约束下表现优异。
Comments The paper has been accepted by Artificial Intelligence for Transportation
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