Imperial College London（帝国理工学院）

ThinkBooster: A Unified Framework for Seamless Test-Time Scaling of LLM Reasoning

ThinkBooster: 一种用于LLM推理无缝测试时扩展的统一框架

Vladislav Smirnov, Chieu Nguyen, Sergey Senichev, Minh Ngoc Ta, Ekaterina Fadeeva, Artem Vazhentsev, Daria Galimzianova, Nikolai Rozanov, Viktor Mazanov, Jingwei Ni, Tianyi Wu, Igor Kiselev, Mrinmaya Sachan, Iryna Gurevych, Preslav Nakov, Timothy Baldwin, Artem Shelmanov

机构 * MBZUAI ； ETH Zürich（苏黎世联邦理工学院） ； Imperial College London（伦敦帝国理工学院） ； NUS（国立大学新加坡） ； Accenture（埃森哲） ； Innopolis University（因诺普里斯大学） ； Independent Researcher（独立研究者） 纠错

AI总结 提出ThinkBooster框架，通过模块化库、联合评估基准和可部署代理服务，实现LLM推理的测试时计算扩展，在数学和编码任务上验证了性能-计算权衡。

AnyHand: A Large-Scale Synthetic Dataset for RGB(-D) Hand Pose Estimation

AnyHand：一个大规模合成数据集用于RGB（-D）手姿态估计

Chen Si, Yulin Liu, Bo Ai, Jianwen Xie, Rolandos Alexandros Potamias, Chuanxia Zheng, Hao Su

机构 * University of California, San Diego（加州大学圣迭戈分校） ； Lambda, Inc（Lambda公司） ； Imperial College London（伦敦帝国理工学院） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 AnyHand通过提供大规模RGB-D图像和丰富的几何标注，提升了3D手姿态估计的性能，证明了数据多样性和质量对模型效果的重要性。

Dr. SHAP-AV: Decoding Relative Modality Contributions via Shapley Attribution in Audio-Visual Speech Recognition

Dr. SHAP-AV：通过Shapley归因解码音频-视觉语音识别中的相对模态贡献

Umberto Cappellazzo, Stavros Petridis, Maja Pantic

机构 * Imperial College London, UK（伦敦帝国学院，英国） ； NatWest AI Research, UK（英国NatWest人工智能研究） 纠错

AI总结 本文提出Dr.SHAP-AV框架，通过Shapley值分析音频-视觉语音识别中模态贡献，揭示噪声环境下模型对视觉的依赖及音频贡献的稳定性，推动模态加权机制和Shapley归因作为标准诊断工具。

Comments Accepted to INTERSPEECH 2026 [Long Paper track]. Project website: https://umbertocappellazzo.github.io/Dr-SHAP-AV

Enhanced Detection of Tiny Objects in Aerial Images

航拍图像中微小目标的增强检测

Kihyun Kim, Michalis Lazarou, Tania Stathaki

机构 * 1 Dept. of Electrical \& Electronic Engineering, Imperial College London 2 Center for Vision, Speech ； Signal Processing, University of Surrey 纠错

AI总结 针对YOLOv8在航拍图像中检测微小目标性能不足的问题，提出四种增强策略，并设计MoonNet管道，通过集成多种注意力模块提升检测精度，在微小目标基准上达到最优性能。

Comments Accepted at IEEE ICIP 2026

Zero and Few Shot Load Forecasting with Large Language Models

基于大语言模型的零样本和少样本负荷预测

Wenlong Liao, Chengrui Zhang, Zhe Yang, Mengshuo Jia, Christian Rehtanz, Jiannong Fang, Fernando Porté-Agel

机构 * School of Electrical Engineering, Southeast University（东南大学电气工程学院） ； Wind Engineering and Renewable Energy Laboratory, Ecole Polytechnique Federale de Lausanne (EPFL)（瑞士联邦理工学院洛桑分校风能与可再生能源实验室） ； College of Electrical Engineering and New Energy, China Three Gorges University（中国三峡大学电气工程与新能源学院） ； Department of Electrical and Electronic Engineering, Imperial College London（伦敦帝国理工学院电子与电气工程系） ； The Department of Automation, School of Automation and Intelligent Sensing, Shanghai Jiao Tong University（上海交通大学自动化与智能感知学院） ； The Key Laboratory of System Control and Information Processing, Ministry of Education of China, Shanghai（中国教育部系统控制与信息处理重点实验室，上海） ； State Key Laboratory of Submarine Geoscience, Shanghai（上海 submarine 地球科学国家重点实验室） ； Institute of Energy Systems, Energy Efficiency and Energy Economic, TU Dortmund University（德意志图林根大学能源系统、能效与能源经济研究所） 纠错

AI总结 提出利用预训练语言模型Chronos进行零样本和少样本负荷预测，在数据稀缺场景下显著优于多种基线模型。

Comments 24 pages,5 figures

Journal ref International Journal of Electrical Power & Energy Systems, Volume 177,April 2026

ClinicalBench: Can LLMs Beat Traditional ML Models in Clinical Prediction?

ClinicalBench: 大型语言模型能在临床预测中击败传统机器学习模型吗？

Canyu Chen, Jian Yu, Shan Chen, Che Liu, Zhongwei Wan, Shuang Zhou, Yuan Luo, Rui Zhang, Danielle Bitterman, Fei Wang, Kai Shu

机构 * Department of Computer Science Northwestern University Evanston USA（计算机科学系西北大学艾文斯顿美国） ； Department of Computer Science University of Texas at Austin Austin USA（计算机科学系德克萨斯大学奥斯汀美国） ； Boston Children's Hospital, Harvard Medical School Boston USA（波士顿儿童医院哈佛医学院波士顿美国） ； Department of Computer Science Imperial College London London UK（计算机科学系伦敦帝国学院伦敦英国） ； Department of Computer Science Ohio State University Columbus USA（计算机科学系俄亥俄州立大学哥伦布美国） ； Massachusetts General Hospital, Harvard Medical School Boston USA（麻省总医院哈佛医学院波士顿美国） ； Department of Preventive Medicine, Feinberg School of Medicine Northwestern University Chicago USA（预防医学系费因伯格医学院西北大学芝加哥美国） ； Division of Computational Health Sciences, Department of Surgery University of Minnesota Minneapolis USA（计算健康科学部外科部明尼苏达大学明尼阿波利斯美国） ； Department of Population Health Sciences, Weill Cornell Medicine Cornell University New York USA（流行病学与公共卫生系韦尔·科恩医学中心康奈尔大学纽约美国） ； Department of Computer Science Emory University Atlanta USA（计算机科学系埃默里大学亚特兰大美国） ； Northwestern University（西北大学） ； University of Texas at Austin（德克萨斯大学奥斯汀） ； Boston Children's Hospital, Harvard Medical School（波士顿儿童医院哈佛医学院） ； Imperial College London（伦敦帝国学院） ； Ohio State University（俄亥俄州立大学） ； Massachusetts General Hospital, Harvard Medical School（麻省总医院哈佛医学院） ； University of Minnesota（明尼苏达大学） ； Cornell University（康奈尔大学） ； Emory University（埃默里大学） 纠错

AI总结 构建ClinicalBench基准，通过三个临床预测任务比较14个通用和8个医学LLM与11个传统ML模型，发现LLM在临床预测上仍无法超越传统ML模型。

Comments Accepted to Proceedings of KDD 2026. The first two authors contributed equally. 12 pages for main paper, 62 pages including appendix. Project website: https://clinicalbench.github.io