高校专区
海报：EdgeCitadel——面向边缘多智能体系统的混合NATS-MQTT编排
机构 * Imperial College London（帝国理工学院伦敦分校） ； Independent Researcher（独立研究员）
AI总结 针对边缘AI智能体协调依赖云传输或中央中继的问题，提出基于NATS 2.10服务器与内置MQTT适配器的混合编排平台EdgeCitadel，实现异构智能体连接、持久化存储、直接委托和被动聚合，并在ARM64、x64和Android设备上验证。
克服反馈对齐中的秩坍缩
机构 * Imperial College London（伦敦帝国理工学院） ； Mila（Mila研究所）
AI总结 研究发现反馈对齐（FA）在深层网络中因误差信号秩低而失效，提出通过Muon优化器和隐藏活动归一化提升信号维度，在CIFAR100上ResNet-18准确率提升9个百分点。
Comments 9 pages and 4 figures, 1 table for main text. Total of 21 pages and 13 figures with appendix
当语言表示交互时：LLM中的可分离性与跨语言效应
机构 * University of Oxford（牛津大学） ； Imperial College London（帝国理工学院） ； University of York（约克大学）
AI总结 通过因果几何分析，研究多语言LLM中语言表示的线性可分离性及跨语言结构依赖，发现语言概念在协方差调整内积下可分离，同语系语言呈现单纯形几何结构。
Comments Trustworthy AI for Good (AI4Good) Workshop @ ICML 2026
形状约束的神经松弛变量
机构 * Imperial College London（伦敦帝国理工学院） ； University of St. Gallen（圣加仑大学）
AI总结 提出神经松弛变量方法，将约束强制执行转化为回归问题，通过联合学习辅助网络实现零违规，应用于单调性和凸性约束及金融波动曲面学习。
检测代码语言模型中的功能记忆
机构 * Meta ； Imperial College London（伦敦帝国学院）
AI总结 研究代码语言模型的功能记忆现象，通过反事实设置对比暴露目标代码的模型与未暴露的参考模型，使用文本和功能相似性度量，发现功能记忆超出文本重叠的检测范围。
AfriSUD：用于评估非洲语言模型的依存树库集合
机构 * Princeton University（普林斯顿大学） ； Laboratory for Artificial Intelligence, Princeton University（普林斯顿大学人工智能实验室） ； Gaston Berger University（加斯顿·伯杰大学） ； Mila, McGill University（麦吉尔大学米拉研究所） ； Canada CIFAR AI Chair（加拿大CIFAR人工智能教席） ； Paris Nanterre University（巴黎南泰尔大学） ； Paris-Saclay University（巴黎-萨克雷大学） ； CNRS（法国国家科学研究中心） ； Inria（法国国家信息与自动化研究所） ； LORIA（洛林计算机科学实验室） ； Université de Lorraine（洛林大学） ； University of Trento（特伦托大学） ； University of Minnesota–Twin Cities（明尼苏达大学双城分校） ； Imperial College London（伦敦帝国学院） ； Binghamton University（宾汉姆顿大学） ； Makerere University（马凯雷雷大学） ； Penn State University（宾夕法尼亚州立大学） ； Mbarara University of Science and Technology（姆巴拉拉科技大学） ； Chalmers University of Technology（查尔姆斯理工大学） ； University of Ibadan（伊巴丹大学） ； Nnamdi Azikiwe University（纳姆迪·阿齐基韦大学） ； South African Centre for Digital Language Resources（南非数字语言资源中心）
AI总结 为弥补非洲语言在NLP资源上的不足，构建了首个大规模九种非洲语言句法标注树库AfriSUD，评估多种模型发现显著句法差距。
Pythagoras-Prover: 通过增强型Lean形式化推进高效形式化证明
机构 * Imperial College London（伦敦帝国学院） ； University of Edinburgh（爱丁堡大学） ； Nanyang Technological University（南洋理工大学） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学）
AI总结 提出Pythagoras-Prover系列，包括自回归和扩散模型，通过课程SFT、动态过滤和增强型Lean形式化（ALF）扩展验证数据，在MiniF2F-Test上以更少参数超越DeepSeek-Prover-V2。
Comments Pythagoras-Prover: Technical Report
MA-DLE: 基于记忆增强的语音自动抑郁程度估计
机构 * Tianjin Normal University（天津师范大学） ； Tsinghua University（清华大学） ； Technical University of Munich（慕尼黑技术大学） ； Imperial College London（伦敦帝国理工学院）
AI总结 提出记忆增强特征方法，通过选择性整合历史时序特征和动态记忆特征，结合层次注意力融合模块，在DAIC-WOZ和E-DAIC数据集上实现最优性能。
Comments Accepted at IEEE TAC
DynaTok: 基于Token的部分点云4D重建
机构 * Technical University of Munich（慕尼黑工业大学） ； Google（谷歌） ； Imperial College London（伦敦帝国理工学院） ； University of Bonn（波恩大学）
AI总结 提出DynaTok框架，通过Transformer时空编码器和流匹配解码器，从部分点云序列中无对应地重建完整且时间一致的4D点云，无需图像。
Comments ICML 2026. Project page: https://wrchen530.github.io/dynatok/
你能低到多少？超低数据极限下稀疏模型发现的主动学习
机构 * Department of Mechanical Engineering, University of Washington（华盛顿大学机械工程系） ； NSF AI Institute in Dynamic Systems, University of Washington（华盛顿大学NSF动态系统人工智能研究所） ； Department of Aeronautics, Imperial College London（伦敦帝国理工学院航空系）
AI总结 针对超低数据极限下动力学系统方程发现的数据稀缺问题，提出基于E-SINDy的主动学习策略，通过迭代优先采样信息量大的区域，在Lorenz、Burgers和Kuramoto-Sivashinsky系统上验证了比随机采样更少数据即可准确识别动力学。
Comments 20 pages, 10 figures
LLM决策中的表面信念
机构 * Department of Computing, Imperial College London（帝国理工学院计算系）
AI总结 研究大型语言模型在二元选择中是否仅模仿理由，通过合成决策实验发现模型行为有系统性但自我报告与行为推断的驱动因素不完全一致，表明存在“表面信念”。
Comments Under review
多任务大语言模型用于缺陷分类：基于辅助解码头的高效推理
机构 * Recurse Ltd. ； Department of Computing, Imperial College London（帝国理工学院计算机系）
AI总结 提出一种轻量级多任务大语言模型（MLC），通过令牌对齐算法和优化训练策略，实现全文件上下文下的行级缺陷定位，性能与代理方法相当但推理延迟降低数个数量级。
Comments 8 pages, 6 pages appendix
交叉编码器特征间的交互：一个紧凑证明的视角
机构 * Anthony J. Leggett Institute for Condensed Matter Theory（安东尼·J·莱格特凝聚态理论研究所） ； MATS ； UK AI Security Institute (AISI)（英国人工智能安全研究所） ； Imperial College London（帝国理工学院伦敦分校） ； Goodfire ； University of Cambridge（剑桥大学） ； Theorem Labs（定理实验室）
AI总结 本文从紧凑证明角度形式化交叉编码器特征交互，提出交互度量并应用于计算稀疏性、语义聚类和检测休眠代理。
Comments Accepted at the NeurIPS 2025 Workshop on Mechanistic Interpretability
PreAct-Bench：大语言模型中的预测性监控基准
机构 * King’s College London（伦敦国王学院） ； National University of Singapore（新加坡国立大学） ； Southern University of Science and Technology（南方科技大学） ； Thomson Reuters Foundational Research（汤姆森路透基础研究） ； Imperial College London（伦敦帝国学院） ； The Alan Turing Institute（艾伦·图灵研究所）
AI总结 提出预测性监控任务，在动作执行前判断是否会导致不道德行为，并构建PreActBench基准，评估多种模型发现该任务具有挑战性。
拓扑神经算子
机构 * Imperial College London（伦敦帝国学院） ； University of San Francisco（旧金山大学）
AI总结 提出拓扑神经算子(TNOs)，利用离散外微积分在细胞复形上实现跨维度耦合，并通过分层结构提升长程信息传播，在PDE基准上优于现有算子。
时空神经网络的混合鲁棒性验证
机构 * Imperial College London（伦敦帝国学院）
AI总结 针对3D CNN在视频和体素输入中的鲁棒性验证，提出时空约束建模和STBP框架，实现精确闭式传播与可扩展近似，在UCF-101等基准上提升1.7倍认证鲁棒准确率。
Comments Accepted at the 9th International Symposium on AI Verification (SAIV 2026)
赋能AI未来：应对欧洲能源转型与净零目标的权衡
机构 * Department of Chemical Engineering, Sargent Centre for Process Systems Engineering, University College London (UCL)（化学工程系、过程系统工程中心、伦敦大学学院（UCL）） ； Centre for Environmental Policy, Imperial College London（环境政策中心、伦敦帝国理工学院）
AI总结 通过21种AI增长情景下的空间优化模型，量化AI对欧洲电力需求、容量、排放和运行的影响，发现AI到2050年可能增加73-723 TWh需求，导致2030-2050年累计排放超调67-181 MtCO2，且AI基础设施选址将更依赖稳定电源和系统灵活性。
贝叶斯选择性潜在推断用于污水优先的流感监测
机构 * University of Copenhagen（哥本哈根大学） ； Rutgers University（罗格斯大学） ； Imperial College London（帝国理工学院）
AI总结 提出贝叶斯选择性潜在推断（BSLI），通过后验分布、可回答性认证和成本校准的Bellman策略，在污水优先流感监测中优化查询与弃权决策。
Comments Corresponding authors: Hengguan Huang and Samir Bhatt. Hengguan Huang is the lead corresponding author
现在你（仍然）能看到我：检测大语言模型中的隐蔽隐写载荷
机构 * UCL Centre for AI（UCL人工智能中心） ； University College London（伦敦大学学院） ； ML Alignment Theory Scholars（机器学习对齐理论学者） ； Department of Computer Science（计算机科学系） ； School of Computing and Communications（计算与通讯学院） ； ETH Zürich（苏黎世联邦理工学院） ； University of Sussex（Sussex大学） ； Imperial College London & University of Oxford（伦敦帝国学院与牛津大学）
AI总结 针对大语言模型隐写外泄风险，提出一种基于非线性MLP探针的对抗性微调方法可系统规避现有线性探针检测，但通过信息论指导的数据级干预可恢复检测能力。
推理视觉语言模型对语义视觉干扰具有鲁棒性吗？
机构 * University of Manchester（曼彻斯特大学） ； Marex ； Imperial College London（帝国理工学院）
AI总结 针对推理VLM在真实场景中易受语义视觉干扰的问题，提出Distract-Bench基准，发现推理VLM对语义干扰的鲁棒性低于感知退化，且干扰常被纳入推理过程导致错误答案。
使用复合模型和部分物理知识的多产品化学反应器贝叶斯优化
机构 * Department of Chemical Engineering, Imperial College London（化学工程系，帝国理工学院伦敦分校） ； DCSC, Delft University of Technology（Delft理工大学DCSC）
AI总结 提出一种复合贝叶斯优化方法，利用高斯过程预测物理量并计算利润，结合能量平衡残差惩罚和约束处理，实现多产品反应器的数据驱动实时经济优化。
Comments Accepted to IFAC 2026. 11 pages, 4 figures
SynthICL: 基于合成数据的可扩展上下文模仿学习
机构 * The Robot Learning Lab（机器人学习实验室） ； Imperial College London（伦敦帝国理工学院）
AI总结 提出SynthICL框架，利用纯RGB合成数据训练上下文模仿学习策略，避免深度传感和真实数据，通过子目标预测提升控制精度，在16个真实操作任务中平均成功率79%。
VisualFLIP: 在多模态推理中，预测是否依赖于任务关键的视觉证据？
机构 * Imperial College London（伦敦帝国理工学院）
AI总结 提出VisualFLIP基准，通过成对图像扰动测试多模态大模型是否真正依赖关键视觉证据，发现正确预测与证据依赖存在分离。
非阿基米德多圆盘空间及其在优化中的应用
机构 * London School of Geometry and Number Theory（伦敦几何与数论学院） ； Department of Mathematics, Imperial College London（伦敦帝国学院数学系） ； Department of Mathematics, Durham University（杜伦大学数学系）
AI总结 受Berkovich几何启发，提出非阿基米德多圆盘空间，保留刚性层次结构并具备良好几何性质，证明其可嵌入度量树，提出多项式绝对值线性组合的函数类，建立优化理论并给出算法与开源实现。
Comments 54 pages, 23 figures. Comments welcome
重复不匹配：为什么数据混合实验无法扩展以及如何修复
机构 * Imperial College London（帝国理工学院） ； Cohere
AI总结 针对预训练数据混合中因高质量数据重复率变化导致的小规模实验外推失败问题，提出重复控制子采样方法，在1/16目标token预算下实现接近最优混合，揭示了重复动态而非规模决定实验泛化性。
评估音视频语音识别器的真正泛化能力
机构 * Trinity College Dublin（都柏林三一学院） ； Imperial College London（伦敦帝国理工学院）
AI总结 通过构建与LRS3测试集严格匹配的评估集，发现当前最先进的音视频语音识别模型在未见数据上性能全面崩溃，揭示了其泛化能力不足，并分析了退化原因、词汇偏差和错误模式。
Comments Accepted to Interspeech 2026 Long paper track. 9 pages, 4 figures
基于神经缩放定律的超声心动图心肌分割与灌注量化的计算最优网络设计
机构 * Department of Bioengineering, Imperial College London（生物工程系，帝国理工学院伦敦分校） ； National Heart and Lung Institute, Imperial College London（国家心脏和肺 institute，帝国理工学院伦敦分校） ； Guy’s and St. Thomas’ NHS Foundation Trust（圣泰莫斯国家健康服务信托基金）
AI总结 应用神经缩放定律预测心肌分割性能，在CAMUS和CEUS数据集上确定最优网络大小，实现参数减少240倍且性能达最优，自动分割在心肌灌注量化中与资深心脏病专家等效。
Comments 15 pages, 4 figures, 5 tables, journal
面向可泛化3D视觉运动策略学习的任务编辑
机构 * Sun Yat-sen University（中山大学） ； Imperial College London（帝国理工学院） ； Nanyang Technological University（南洋理工大学） ； South China University of Technology（华南理工大学）
AI总结 提出Task-Edit框架，通过将任务分解为场景、技能和对象组件并灵活重组，生成多样化轨迹，提升3D视觉运动策略在长程操作任务中的泛化能力。
Comments 8 pages, 4 figures
SCOUT: 基于不确定性引导遍历的语义场景覆盖
机构 * Nokia Bell Labs, France（诺基亚贝尔实验室，法国） ； Nokia Bell Labs, Murray Hill, NJ, USA（诺基亚贝尔实验室，美国，新泽西州 Murray Hill） ； Imperial College London（帝国理工学院伦敦分校） ； Locus Robotics（Locus机器人技术公司）
AI总结 提出SCOUT框架，通过不确定性引导的遍历规划与概率场景图构建的闭环，使机器人主动探索并逐步理解环境，实现语义场景完整性作为操作目标。
Comments 2026 ICRA Workshop on Uncertainty in Open World Robotics
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