University of Oxford（牛津大学）

Lightweight LLM Agent Memory with Small Language Models

轻量级大语言模型代理记忆系统

Jiaquan Zhang, Chaoning Zhang, Shuxu Chen, Zhenzhen Huang, Pengcheng Zheng, Zhicheng Wang, Ping Guo, Fan Mo, Sung-Ho Bae, Jie Zou, Jiwei Wei, Yang Yang

机构 * University of Electronic Science and Technology of China（电子科学与技术大学） ； Kyung Hee University（庆熙大学） ； City University of Hong Kong（香港城市大学） ； University of Oxford（牛津大学） 纠错

AI总结 本文提出LightMem，利用小语言模型实现轻量级代理记忆，通过模块化记忆检索、写入和长期整合，提升效率与准确性，实验显示在LoCoMo数据集上F1值提升2.5，并具有低延迟特点。

Comments Accepted by ACL 2026 (main)

Assessing the Robustness of Climate Foundation Models under No-Analog Distribution Shifts

在无类比分布偏移下评估气候基础模型的鲁棒性

Maria Conchita Agana Navarro, Geng Li, Theo Wolf, Maria Perez-Ortiz

机构 * Centre for Artificial Intelligence（人工智能中心） ； Department of Computer Science（计算机科学系） ； University College London（伦敦大学学院） ； Division of Emerging Interdisciplinary Areas（新兴交叉学科领域） ； Hong Kong University of Science and Technology（香港科技大学） ； University of Oxford（牛津大学） 纠错

AI总结 本文研究了在无类比分布偏移下气候基础模型的鲁棒性，通过时间外推和跨情景驱动偏移评估三种模型，发现ClimaX模型在绝对误差最低但分布偏移下稳定性较差。

Tokenised Flow Matching for Hierarchical Simulation Based Inference

基于分层模拟的推理中令牌化流匹配

Giovanni Charles, Cosmo Santoni, Seth Flaxman, Elizaveta Semenova

机构 * Imperial College London（帝国理工学院伦敦分校） ； University of Oxford（牛津大学） 纠错

AI总结 本文提出基于似然因子分解的令牌化流匹配方法，通过单站点模拟训练以提升分层模拟推理效率，并在真实传染病和计算流体动力学模型中验证其效果。

Comments 31 pages, 11 figures

Control Consistency Losses for Diffusion Bridges

扩散桥梁的控制一致性损失

Samuel Howard, Nikolas Nüsken, Jakiw Pidstrigach

机构 * Department of Statistics, University of Oxford（牛津大学统计学系） ； Department of Mathematics, King's College London（伦敦国王学院数学系） 纠错

AI总结 本文提出基于最优控制自一致性性质的新方法，用于学习扩散桥梁的条件动力学，在无需通过模拟轨迹求导的情况下，有效处理稀有事件的模拟问题。

Policy Gradient with Kernel Quadrature

基于核二次积分的策略梯度方法

Satoshi Hayakawa, Tetsuro Morimura

机构 * Mathematical Institute, University of Oxford（牛津大学数学研究所） ； CyberAgent, Inc.（CyberAgent公司） 纠错

AI总结 本文提出一种基于核二次积分的策略梯度方法，通过选择代表性样本加速奖励评估，提升策略梯度迭代效率。

Comments 18 pages, 2 figures

Journal ref Transactions on Machine Learning Research, 2024