University of Oxford（牛津大学）

SWE Context Bench: A Benchmark for Context Learning in Coding

SWE Context Bench: 一个用于编码上下文学习的基准测试

Jared Zhu, Minhao Hu, Junde Wu

机构 * Independent Researcher（独立研究员） ； University of Oxford（牛津大学） ； University of Edinburgh（爱丁堡大学） ； Technical University of Munich（慕尼黑工业大学） ； MemoraX AI ； National University of Singapore（新加坡国立大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出SWE-ContextBench基准，用于评估编程代理的上下文重用能力，通过1100个基础任务和376个相关任务，从GitHub问题和拉取请求中挖掘真实依赖关系，评估预测准确度、时间效率和成本效率。

Particulate: Feed-Forward 3D Object Articulation

Particulate: 用于前馈的3D物体关节化

Ruining Li, Yuxin Yao, Chuanxia Zheng, Christian Rupprecht, Joan Lasenby, Shangzhe Wu, Andrea Vedaldi

机构 * University of Oxford（牛津大学） ； University of Cambridge（剑桥大学） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 Particulate通过前馈模型从3D网格推断关节结构，包括3D部分、运动结构和约束，利用Transformer网络实现高效推理，速度快于传统方法，且适用于AI生成的3D资产。

Comments CVPR 2026. Project page: https://ruiningli.com/particulate

Causal Graph Neural Networks for Healthcare

因果图神经网络用于医疗保健

Munib Mesinovic, Max Buhlan, Tingting Zhu

机构 * University of Oxford（牛津大学） ； Leipzig University（莱比锡大学） 纠错

AI总结 本文探讨了因果图神经网络在医疗保健中的应用，通过结合生物医学数据的图表示与因果推断，学习不变机制而非虚假相关性，旨在提升跨机构部署的性能并减少歧视性模式。

MarS-FM: Generative Modeling of Molecular Dynamics via Markov State Models

MarS-FM：通过马尔可夫状态模型进行分子动力学的生成建模

Kacper Kapuśniak, Cristian Gabellini, Michael Bronstein, Prudencio Tossou, Francesco Di Giovanni

机构 * University of Oxford（牛津大学） ； Valence Labs 纠错

AI总结 本文提出MarS-FM，一种基于马尔可夫状态模型的生成模型，通过高效采样加速分子动力学模拟，优于现有方法，在蛋白质结构分析中表现优异。

Global Convergence of Adjoint-Optimized Neural PDEs

神经偏微分方程的全局收敛性

Konstantin Riedl, Justin Sirignano, Konstantinos Spiliopoulos

机构 * University of Oxford, Mathematical Institute（牛津大学数学研究所） ； Boston University, Department of Mathematics & Statistics（波士顿大学数学与统计系） 纠错

AI总结 本文研究了在隐藏单元数和训练时间趋于无穷时，神经偏微分方程的共轭梯度下降优化方法的收敛性，证明了训练后的神经网络偏微分方程解能逼近目标数据。

Comments 81 pages, 2 figures

Journal ref Journal of Machine Learning Research 26(295):1-94, 2025

GUIDE: A Benchmark for Understanding and Assisting Users in Open-Ended GUI Tasks

GUIDE：一个用于理解和协助用户进行开放性GUI任务的基准测试

Saelyne Yang, Jaesang Yu, Yi-Hao Peng, Kevin Qinghong Lin, Jae Won Cho, Yale Song, Juho Kim

机构 * KAIST（韩国科学技术院） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Oxford（牛津大学） ； Konkuk University（建国大学） ； Google Inc.（谷歌公司） ； SkillBench 纠错

AI总结 GUIDE基准测试旨在评估AI模型在开放性GUI任务中感知用户行为、推断意图和提供帮助的能力，通过120名新手用户的10种软件屏幕记录，发现模型在行为状态和帮助预测上准确率仅为44.6%和55.0%，但提供用户上下文可提升帮助预测性能达50.2个百分点。

Comments Accepted at CVPR 2026

WildDepth: A Multimodal Dataset for 3D Wildlife Perception and Depth Estimation

WildDepth：用于野生动物感知和深度估计的多模态数据集

Muhammad Aamir, Naoya Muramatsu, Sangyun Shin, Matthew Wijers, Jia-Xing Zhong, Xinyu Hou, Amir Patel, Andrew Loveridge, Andrew Markham

机构 * University of Oxford（牛津大学） ； University of Cape Town（开普敦大学） ； University College London（伦敦大学学院） 纠错

AI总结 本文提出WildDepth数据集，通过同步RGB和LiDAR数据提升动物深度估计和3D重建性能，实验表明多模态数据使深度可靠性提升10%RMSE，3D重建精度提高12%。