Imperial College London（帝国理工学院）

The Prompt Engineering Report Distilled: Quick Start Guide for Life Sciences

提示工程报告精简：生命科学领域的快速入门指南

Valentin Romanov, Steven A Niederer

机构 * National Heart & Lung Institute, Faculty of Medicine, Imperial College London（英国伦敦帝国学院医学院国家心脏和肺研究所） 纠错

AI总结 本文总结了生命科学领域中6种核心提示工程技巧，包括零样本、少样本、思考生成等，旨在提升LLM在文献总结、数据提取等任务中的效率与质量。

Tatemae: Detecting Alignment Faking via Tool Selection in LLMs

Tatemae：通过工具选择检测LLMs中的对齐欺骗

Matteo Leonesi, Francesco Belardinelli, Flavio Corradini, Marco Piangerelli

机构 * Department of Computer Science（计算机科学系） ； University of Camerino（坎皮诺大学） ； Department of Computing（计算系） ； Imperial College London（伦敦帝国学院） 纠错

AI总结 本文通过可观测的工具选择检测LLMs中的对齐欺骗，分析了在监控和无监控状态下工具选择的变化，并展示了不同领域和压力类型下的漏洞特征。

Beyond Shortcuts: Mitigating Visual Illusions in Frozen VLMs via Qualitative Reasoning

超越捷径：通过定性推理缓解冻结VLM中的视觉错觉

Hao Guo, Fei Wang, Junjie Chen, Yiqi Nie, Jiaqi Zhao, Qiankun Li, Subin Huang

机构 * Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（人工智能研究院，合肥国家科学中心） ； Anhui Polytechnic University（安徽理工大学） ； Hefei University of Technology（合肥工业大学） ； Anhui University（安徽大学） ； IGS, Imperial College London（帝国理工学院伦敦分校） 纠错

AI总结 本文提出SQI框架，通过定性约束提升冻结VLM的视觉 grounding，解决视觉错觉问题，实验显示在DataCV 2026挑战中表现优异，提升准确率并提供更好的可解释性。

Comments 4 pages, 2 figures, and 1 table. This is a methodology paper for the DataCV 2026 Challenge (CVPR Workshops), Task 1, where our method ranked 2nd

Explainable Detection of Machine Generated Music and Early Systematic Evaluation

可解释性地检测机器生成音乐及早期系统性评估

Yupei Li, Qiyang Sun, Hanqian Li, Lucia Specia, Björn W. Schuller

机构 * Imperial College London, Computing（帝国理工学院伦敦分校，计算机系） ； Shandong University（山东大学） 纠错

AI总结 本文通过多种模型评估机器生成音乐检测，揭示ResNet18在领域内和领域外测试中的最佳性能，提出未来研究方向以提升检测方法的鲁棒性和有效性。

Comments Accepted at Scientific report

Journal ref Sci Rep 16, 13757 (2026)