LLM-Generated Explanations Do Not Suffice for Ultra-Strong Machine Learning
LLM生成的解释不足以实现超强机器学习
机构 * Department of Computing, Imperial College London（帝国理工学院计算系）
AI总结 本研究提出LENS框架，通过神经符号方法生成逻辑程序解释，发现LLM生成的解释在人类学习中效果有限，需结合人类认知约束实现超强机器学习。
高校专区
Imperial College London（帝国理工学院）
A simple algorithm for output range analysis for deep neural networks
用于深度神经网络输出范围分析的简单算法
机构 * Department of Mathematics Imperial College London（数学系帝国理工学院伦敦） ； Escuela Profesional de Ciencias de la Computación Universidad Nacional de Ingeniería（计算机科学专业国家工程大学） ； Escuela Profesional de Ingeniería Estadística Universidad Nacional de Ingeniería（统计工程专业国家工程大学）
AI总结 本文提出了一种适用于深度神经网络输出范围分析的简单算法，通过模拟退火算法解决高非线性和复杂约束下的估计问题，具有良好的鲁棒性和广泛适用性。
Omni-AVSR: Towards Unified Multimodal Speech Recognition with Large Language Models
Omni-AVSR：迈向基于大语言模型的统一多模态语音识别
机构 * Imperial College London, UK（伦敦帝国理工学院） ； University of Surrey, UK（萨里大学）
AI总结 Omni-AVSR通过统一多模态语音识别框架，结合高效多粒度训练与参数高效适应，实现跨任务协同，降低资源消耗并提升鲁棒性。
Comments Accepted to IEEE ICASSP 2026 (camera-ready version). Project website (code and model weights): https://umbertocappellazzo.github.io/Omni-AVSR/
A Master Class on Reproducibility: A Student Hackathon on Advanced MRI Reconstruction Methods
可重现性大师课：关于高级MRI重建方法的学生黑客松
机构 * Technical University of Munich (TUM)（技术大学慕尼黑） ； Institute of Machine Learning in Biomedical Imaging, Helmholtz Munich（生物医学成像机器学习研究所，海德堡慕尼黑） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； School of Medicine and Health, TUM University Hospital Rechts der Isar（医学与健康学院，技术大学慕尼黑医院Rechts der Isar） ； Department of Computing, Imperial College London（计算学院，伦敦帝国理工学院）
AI总结 本文通过学生黑客松重现三个先进的MRI重建方法，探讨了可重现性代码库的构建实践和实验结果。
Proof of Reasoning for Privacy Enhanced Federated Blockchain Learning at the Edge
边缘隐私增强联邦区块链学习的证明推理
机构 * Department of Computing（计算系） ； Department of Surgery and Cancer（外科与癌症系） ； Hamlyn Centre（哈姆林中心） ； Imperial College London（帝国理工学院伦敦分校）
AI总结 本文提出PoR共识机制，通过屏蔽自动编码器和边缘端分类器提升边缘联邦学习的隐私保护与聚合效率。
Comments 8 Pages, 5 figues, 9 tables, journal paper
Distillation-Enabled Knowledge Alignment for Generative Semantic Communications of AIGC Images
基于知识对齐的生成语义通信中的知识蒸馏
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 本文提出DeKA-g算法，通过知识蒸馏和低秩适应，提升生成语义通信中边缘与云生成图像的一致性及传输质量。
Unintended Memorization of Sensitive Information in Fine-Tuned Language Models
在微调语言模型中意外记忆敏感信息
机构 * TUM University Hospital（慕尼黑工业大学医院） ； Technical University of Munich (TUM)（慕尼黑技术大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； Department of Computing, Imperial College London（伦敦帝国学院计算系）
AI总结 研究揭示微调语言模型时意外记忆敏感信息的风险，分析影响因素并评估隐私保护方法的权衡。
Comments Accepted to EACL 2026. 20 pages
Discourse Features Enhance Detection of Document-Level Machine-Generated Content
语篇特征增强文档级机器生成内容的检测
机构 * Department of Computing Imperial College London London, UK ； Chair of Health Informatics Technical University of Munich Munich, Germany ； 5cm Department of Computing \& Chair of Health Informatics 5cm Imperial College London \& Technical University of Munich 5cm London, UK \& Munich, Germany 5cm
AI总结 本研究提出DTransformer模型，通过语篇分析预处理捕捉文档级结构特征，有效提升对机器生成内容的检测性能。
Comments Accepted by IJCNN 2025
Journal ref Proc. International Joint Conference on Neural Networks (IJCNN), 2025
StealthMark: Harmless and Stealthy Ownership Verification for Medical Segmentation via Uncertainty-Guided Backdoors
StealthMark: 通过不确定性引导后门实现医疗分割的无害且隐蔽的所有权验证
机构 * Computer Science Department, University of Exeter（埃克塞特大学计算机科学系） ； Bioengineering Program, Biological and Environmental Science and Engineering Division (BESE), King Abdullah University of Science and Technology (KAUST)（科廷大学科学与技术学院生物工程项目） ； School of Advanced Technology, Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学分校高级技术学院） ； School of Computer Science and Informatics, Cardiff University（卡迪夫大学计算机科学与信息学院） ； College of Optoelectronic Engineering, Chongqing University（重庆大学光电工程学院） ； Ningbo Cixi Institute of Biomedical Engineering, Chinese Academy of Sciences（宁波慈溪生物医学工程研究所，中国科学院） ； School of Bioengineering, Imperial College London（伦敦帝国理工学院生物工程学院） ； Liverpool Centre for Cardiovascular Science at University of Liverpool, Liverpool John Moores University and Liverpool Heart & Chest Hospital（利物浦大学心血管科学中心，利物浦约翰摩尔斯大学，利物浦心脏和胸科医院） ； Eye and Vision Department, University of Liverpool（利物浦大学眼科学与视觉科学系）
AI总结 StealthMark通过不确定性引导后门实现医疗分割模型的隐蔽无害所有权验证，有效提升模型安全性与实用性。
Comments 15 pages,7 figures. Accepted to IEEE Transactions on Image Processing (TIP) 2026
A Machine Learning Approach for Denoising and Upsampling HRTFs
一种用于降噪和上采样的HRTF机器学习方法
机构 * Audio Experience Design, Dyson School of Design Engineering, Imperial College London, UK（音频体验设计，设计工程学院，帝国理工学院伦敦分校） ； Centre for Digital Music, School of Electronic Engineering and Computer Science, Queen Mary University of London, UK（数字音乐中心，电子工程与计算机科学学院，女王玛丽大学伦敦分校）
AI总结 本文提出了一种结合U-Net和AE-GAN的机器学习方法，用于降噪和上采样稀疏、嘈杂的HRTF测量，有效提升了HRTF上采样的精度。
FUGC: Benchmarking Semi-Supervised Learning Methods for Cervical Segmentation
FUGC：用于宫颈分割的半监督学习方法基准测试
机构 * Department of Cardiovascular Surgery, The First Affiliated Hospital, Jinan University（心血管外科部，济南大学第一附属医院） ； Imperial College London（帝国理工学院伦敦分校） ； University of Sydney（悉尼大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Zhejiang University（浙江大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Medical University of Innsbruck（因斯布鲁克医科大学） ； University of Chinese Academy of Sciences（中国科学院大学）
AI总结 FUGC通过提供首个宫颈分割半监督学习基准测试，展示了在少量标记数据下半监督方法的有效性，并为早产风险评估提供了AI辅助的基础。
Stability, Complexity and Data-Dependent Worst-Case Generalization Bounds
稳定性、复杂性与数据依赖的最坏情况泛化界限
机构 * INRIA, CNRS, Département d’Informatique de l’Ecole Normale Supérieure / PSL, France（法国国家信息与自动化技术研究所、国家科学研究中心、巴黎高等师范学院计算机系/巴黎社会科学实验室） ； Department of Computing, Imperial College London, United Kingdom（伦敦帝国理工学院计算机系、英国） ； School of Computation and Technology, Technical University of Munich, Germany（慕尼黑技术大学计算与技术学院、德国） ； Munich Center for Machine Learning, Germany（慕尼黑机器学习中心、德国）
AI总结 本文提出基于随机集稳定性的新框架，结合经验相关性测度，改进拓扑泛化界限，提供数据依赖的最坏情况泛化保证。
Comments 29 pages
Measuring and Aligning Abstraction in Vision-Language Models with Medical Taxonomies
利用医学分类法测量和对齐视觉-语言模型中的抽象能力
机构 * 1 School of Computation, Information ； Technology, Technical University of Munich, Germany 2 Institute of Machine Learning in Biomedical Imaging, Helmholtz Munich, Germany 3 LTCI, Télécom Paris, Institut Polytechnique de Paris, France 4 Munich Center for Machine Learning (MCML) 5 School of Biomedical Engineering ； Imaging Sciences, King's College London, UK 6 Department of Artificial Intelligence in Biomedical Imaging, FAU Erlangen-Nuremberg, Germany 7 Department of Computing, Imperial College London, UK
AI总结 本文提出通过医学分类法量化和缓解视觉-语言模型中的抽象错误，引入灾难性抽象错误概念，并通过风险约束阈值和分类法感知微调减少严重错误至2%以下。
Cosmo-FOLD: Fast generation and upscaling of field-level cosmological maps with overlap latent diffusion
Cosmo-FOLD：利用重叠潜在扩散模型快速生成和放大场级宇宙地图
机构 * Theoretical and Scientific Data Science, SISSA（SISSA理论与科学数据科学） ； Astroparticle and Gravitational Physics Group, SISSA（SISSA天体粒子与引力物理组） ； INFN – National Institute for Nuclear Physics（国家核物理研究所） ； ICSC - Centro Nazionale di Ricerca in High Performance Computing, Big Data e Quantum Computing（高性能计算、大数据和量子计算国家研究中心） ； Astrophysics Group, Physics Department, Blackett Lab, Imperial College London（帝国理工伦敦学院物理系天体物理学组） ； INAF – Osservatorio Astronomico di Trieste（特伦蒂诺天文台） ； IFPU – Institute for Fundamental Physics of the Universe（宇宙基本物理研究所）
AI总结 Cosmo-FOLD通过重叠潜在扩散模型快速生成和放大宇宙场，实现高效且高精度的宇宙学模拟与推断。
Comments 15 pages, 10 figures
Opportunities in AI/ML for the Rubin LSST Dark Energy Science Collaboration
人工智能/机器学习在Rubin LSST暗能量科学合作中的机遇
机构 * Université Paris Cité, CNRS, CEA, Astroparticule et Cosmologie, F-75013 Paris, France ； Department of Physics, University of Michigan, Ann Arbor, MI 48109, USA ； Leinweber Institute of Theoretical Physics, University of Michigan, Ann Arbor, MI 48109, USA ； Argonne National Laboratory, 9700 South Cass Avenue, Lemont, IL 60439, USA ； Cavendish Astrophysics, University of Cambridge, Madingley Road, Cambridge CB3 0HA, UK ； Kavli Institute for Cosmology, University of Cambridge, Madingley Road, Cambridge CB3 0HA, UK ； SLAC National Accelerator Laboratory, Menlo Park, CA 94025, USA ； Department of Computer Science, University of Milan, Milan, Italy ； Université Paris Cité, CNRS, Astroparticule et Cosmologie, F-75013 Paris, France ； Université Paris-Saclay, CNRS/IN2P3, IJCLab, 91405 Orsay, France ； Department of Astronomy ； Astrophysics, University of Chicago, Chicago, IL 60637, USA ； Kavli Institute for Cosmological Physics, University of Chicago, Chicago, IL 60637, USA ； NSF-Simons AI Institute for the Sky (SkAI), 172 E. Chestnut St., Chicago, IL 60611, USA ； Fermi National Accelerator Laboratory, P.O. Box 500, Batavia, IL 60510, USA ； Universit\'e Clermont-Auvergne, CNRS, LPCA, 63000 Clermont-Ferrand, France ； Kavli Institute for Particle Astrophysics ； Cosmology, Stanford University, Stanford, CA 94305, USA ； Department of Physics, Stanford University, 382 Via Pueblo Mall, Stanford, CA 94305, USA ； Engineering Faculty, Universidad Autonoma de San Luis Potosi, Zona Universitaria, San Luis Potosi, 78290, Mexico ； Stanford Artificial Intelligence Laboratory, Stanford University, Stanford, CA 94305, USA ； Kavli Institute of Cosmological Physics, University of Chicago, Chicago, IL 60637, USA ； The NSF AI Institute for Artificial Intelligence ； Center for Astrophysics Harvard \& Smithsonian, 60 Garden Street, Cambridge, MA 02138, USA ； Department of Physics ； Kavli Institute for Astrophysics ； Space Research, Massachusetts Institute of Technology, Cambridge, MA 02139, USA ； Institut de Física d'Altes Energies (IFAE), The Barcelona Institute of Science ； Institute of Astronomy ； Kavli Institute for Cosmology, University of Cambridge, Madingley Road, Cambridge, CB3 0HA, UK ； Imperial Centre for Inference ； Cosmology (ICIC), Imperial College London, Blackett Laboratory, Prince Consort Road, London SW7 2AZ, UK ； Data Science Institute, The University of Chicago, Chicago, IL 60615, USA ； Department of Physics, The University of Texas at Dallas, Richardson, TX 75080, USA ； Department of Physics, Duke University, Durham, NC 27708, USA ； Université Paris-Saclay, Université Paris Cité, CEA, CNRS, AIM, F-91191 Gif-sur-Yvette, France ； School of Mathematics, Statistics ； Physics, Newcastle University, Newcastle upon Tyne, NE1 7RU, United Kingdom ； Department of Astrophysical Sciences, Princeton University, Princeton, NJ 08544, USA ； Astronomy, University of the Western Cape, Bellville, Cape Town, 7535, South Africa ； Astronomy, University of Utah, Salt Lake City, UT 84112, USA ； Department of Astrophysical Sciences, Princeton University, Peyton Hall, Princeton, NJ 08544, USA ； Department of Astronomy, University of Illinois Urbana Champaign, 1002 W. Green St., Urbana, IL, 61801, USA ； Institute for Particle Physics ； Astrophysics, ETH Zürich, Wolfgang-Pauli-Strasse 27, CH-8093 Zurich, Switzerland ； Swinburne University of Technology, Hawthorn, Victoria 3122, Australia ； Ciela - Montr\'eal Institute for Astrophysical Data Analysis ； Mila - Quebec Artificial Intelligence Institute, Montréal, QC H2S 3H1, Canada ； Advanced Research Computing Centre, University College London, 90 High Holborn, London WC1V 6LJ, UK ； Finnish Centre for Astronomy with ESO (FINCA), University of Turku, FI-20014 Turku, Finland ； Department of Physics, P.O. Box 64, University of Helsinki, FI-00014 Helsinki, Finland ； Astronomy, Northwestern University, Evanston, IL, USA ； Center for Interdisciplinary Exploration ； Research in Astrophysics, Northwestern University, Evanston, IL, USA ； Scientific Data Science, International School for Advanced Study, Via Bonomea 265, I-34136 Trieste, Italy ； Department of Statistics, University of Michigan, Ann Arbor, MI 48109, USA ； PITT PACC, University of Pittsburgh, Pittsburgh, PA 15260, USA ； NSF NOIRLab, 950 N. Cherry Ave., Tucson, AZ 85719, USA
AI总结 本文探讨了AI/ML在LSST暗能量科学合作中的应用机遇，强调了大规模贝叶斯推断、物理指导方法和主动学习等关键方法学优先事项，并讨论了新兴技术在重塑工作流程中的潜力。
Comments 84 pages. This is v1.0 of the DESC's white paper on AI/ML, a collaboration document that is being made public but which is not planned for submission to a journal
PPGFlowECG: Latent Rectified Flow with Cross-Modal Encoding for PPG-Guided ECG Generation and Cardiovascular Disease Detection
PPGFlowECG: 基于跨模态编码的潜在修正流用于PPG引导的ECG生成和心血管疾病检测
机构 * National Institute of Health Data Science, Peking University, China（北京大学国家健康数据科学研究院） ； School of Intelligence Science and Technology, Peking University, China（北京大学智能科学与技术学院） ； Data Science Institute, Imperial College London, UK（伦敦帝国理工学院数据科学研究院） ； University of Chinese Academy of Sciences, China（中国科学院大学）
AI总结 PPGFlowECG通过跨模态编码和潜在修正流，实现PPG引导的ECG生成，提升心血管疾病检测的可扩展性和可靠性。
Impartial Games: A Challenge for Reinforcement Learning
impartial games: 一种对强化学习的挑战
机构 * Imperial College London（帝国理工学院伦敦分校） ； Queen Mary University of London（女王玛丽大学）
AI总结 本文研究了AlphaZero风格强化学习在impartial games中的局限性，指出其在学习抽象数学原理如奇偶性时存在表示瓶颈，需发展新型算法以实现专家级AI。
DermaBench: A Clinician-Annotated Benchmark Dataset for Dermatology Visual Question Answering and Reasoning
DermaBench：一种用于皮肤科视觉问答和推理的临床标注基准数据集
机构 * Imperial College London（帝国理工学院伦敦分校） ； Istanbul Medeniyet University（伊斯坦布尔医学大学） ； Usak Research and Training Hospital（Usak研究与培训医院） ； Istanbul Research and Training Hospital（伊斯坦布尔研究与培训医院） ； Ipswich Hospital（伊普斯韦奇医院） ； Medicana Atakoy Hospital（Medicana阿塔基医院）
AI总结 DermaBench是首个由临床专家标注的皮肤科视觉问答基准数据集，通过精细标注和开放式描述提升多模态模型在皮肤科图像理解与临床推理中的评估能力。
Numina-Lean-Agent: An Open and General Agentic Reasoning System for Formal Mathematics
Numina-Lean-Agent: 一种面向形式数学的开放且通用的代理推理系统
机构 * Academy of Mathematics and Systems Science, University of Chinese Academy of Sciences（中国科学院数学与系统科学研究院） ； Tongji University（同济大学） ； University of Cambridge（剑桥大学） ； Imperial College London（伦敦帝国学院） ； University of Edinburgh（爱丁堡大学） ； University of Liverpool（利物浦大学） ； Xi'an Jiaotong-Liverpool University（西安交通大学利物浦大学）
AI总结 Numina-Lean-Agent通过通用编码代理实现形式数学推理，解决Putnam 2025全部问题并成功形式化Brascamp-Lieb定理。
Knowledge Graph-Assisted LLM Post-Training for Enhanced Legal Reasoning
基于知识图谱的LLM后训练以增强法律推理
机构 * Thomson Reuters Foundational Research（汤姆森·路透基础研究） ； Imperial College London（帝国理工学院伦敦分校）
AI总结 本文提出基于知识图谱的LLM后训练方法，通过构建法律知识图谱提升法律推理能力，在多个基准测试中优于基线模型。
Your Privacy Depends on Others: Collusion Vulnerabilities in Individual Differential Privacy
你的隐私取决于他人：个体差分隐私中的合谋漏洞
机构 * Technical University of Munich（慕尼黑技术大学） ； TUM University Hospital（TUM大学医院） ； University of Potsdam（波茨坦大学） ； Imperial College London（伦敦帝国学院） ； Google DeepMind（谷歌DeepMind）
AI总结 个体差分隐私中的合谋漏洞导致隐私风险由他人选择决定，提出$(\varepsilon_i,\delta_i,\overline{\Delta})$-iDP机制以控制超额风险。
SmoothCLAP: Soft-Target Enhanced Contrastive Language\--Audio Pretraining for Affective Computing
SmoothCLAP: 用于情感计算的软目标增强对比语言-音频预训练
机构 * CHI -- Chair of Health Informatics, TUM University Hospital, Munich, Germany（健康信息学系，塔尔博特大学医院，德国慕尼黑） ； Huawei, Netherlands（华为，荷兰） ； GLAM, Imperial College London, UK（GLAM，伦敦帝国学院，英国）
AI总结 SmoothCLAP通过引入软目标和副语言特征，改进了对比语言-音频预训练，以更准确地捕捉情感的连续性，从而提升情感计算任务的性能。
Comments 5 pages, accepted by ICASSP 2026
A Hierarchical Benchmark of Foundation Models for Dermatology
基础模型在皮肤病学中的分层基准
机构 * Yildiz Technical University（伊兹密尔技术大学） ； Imperial College London（伦敦帝国学院）
AI总结 本研究提出分层评估框架，揭示基础模型在皮肤病学中的粒度能力差异，强调专用模型在细粒度诊断中的优势。
Jointly Computation- and Communication-Efficient Distributed Learning
联合计算和通信高效分布学习
机构 * Department of Electrical and Electronic Engineering, Imperial College London（帝国理工学院电子与电气工程系） ； School of Electrical Engineering and Computer Science, and Digital Futures, KTH Royal Institute of Technology（皇家理工学院电子工程与计算机科学学院及数字未来学院） ； Department of Electronic Systems, Aalborg University（奥尔堡大学电子系统系） ； Department of Engineering and Architecture, University of Trieste（特里埃斯特大学工程与建筑系）
AI总结 本文提出了一种联合计算和通信高效的分布式学习算法，通过随机梯度和压缩传输实现高效训练与通信。
Comments To be presented at 2025 IEEE Conference on Decision and Control
Model selection and real-time skill assessment for suturing in robotic surgery
机器人手术中缝合技能的模型选择与实时评估
机构 * Department of Mechanical Engineering, Imperial College London（帝国理工学院机械工程系） ； Department of Computing, Imperial College London（帝国理工学院计算机系） ； Department of Mechanical Engineering, Stanford University（斯坦福大学机械工程系） ； Intuitive Surgical, Inc.（Intuitive Surgical公司） ； Department of Bioengineering, Imperial College London（帝国理工学院生物工程系）
AI总结 本研究通过多模态深度学习模型实时评估机器人手术缝合技能，证明融合模型在预测准确性上优于单模态模型，并展示了高技能数据对模型泛化能力的提升作用。
Learning from Failures: Understanding LLM Alignment through Failure-Aware Inverse RL
从失败中学习：通过失败意识反向强化学习理解LLM对齐
机构 * Imperial College London（帝国理工学院伦敦分校） ； Amazon AGI（亚马逊人工智能实验室）
AI总结 本文提出一种失败意识反向强化学习算法，通过聚焦于误分类或困难的例子来提取更准确的奖励函数，从而提升LLM对齐的可解释性和安全性。
Comments Preprint
Does DINOv3 Set a New Medical Vision Standard? Benchmarking 2D and 3D Classification, Segmentation, and Registration
DINOv3 是否设定了医学视觉的新标准？对2D和3D分类、分割与配准的基准测试
机构 * Imperial College London（伦敦帝国理工学院） ； University of Science and Technology of China（中国科学技术大学） ； Dresden University of Technology（德累斯顿技术大学） ； University of Erlangen-Nuremberg（埃尔兰根-纽伦堡大学） ； University of Oxford（牛津大学） ； University of Sheffield（谢菲尔德大学） ； Technical University of Munich (TUM)（慕尼黑技术大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； The Chinese University of Hong Kong（香港中文大学） ； Yale University（耶鲁大学）
AI总结 DINOv3在医学视觉任务中表现出色，但其在深度领域专门化任务中存在性能退化问题。
Comments Technical Report
Numerical Schemes for Signature Kernels
用于签名核的数值方案
机构 * Department of Mathematics, Imperial College London（伦敦帝国学院数学系）
AI总结 本文提出两种用于签名核的高效数值方案，通过多项式表示边界条件并提升计算效率，显著降低MAPE误差，支持GPU并行化以提高高频率数据处理的可扩展性。
QuantEval: A Benchmark for Financial Quantitative Tasks in Large Language Models
QuantEval：大型语言模型中金融量化任务的基准测试
机构 * Peking University（北京大学） ； Tsinghua University（清华大学） ； Fudan University（复旦大学） ； University of Macau（澳门大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Shanghai Jiao Tong University（上海交通大学） ； Imperial College London（伦敦帝国理工学院） ； University of Chicago（芝加哥大学） ； Shanghai Weina Software Technology（上海韦纳软件技术） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院）
AI总结 QuantEval是一个用于评估大型语言模型在金融量化任务中能力的基准测试，涵盖知识问答、数学推理和策略编程，通过回测框架评估模型性能，并展示了改进方法。
CoMAT: Chain of Mathematically Annotated Thought Improves Mathematical Reasoning
CoMAT：数学注释的思维链提升数学推理
机构 * School of Informatics, The University of Edinburgh（信息学院，爱丁堡大学） ； Imperial College London（伦敦帝国学院）
AI总结 CoMAT通过符号转换和推理执行两个阶段提升数学推理能力，在多个基准测试中超越传统CoT方法。
Comments 9 pages, 12 figures
Journal ref Proc. EMNLP 2025, pp. 20245-20274
