University of Oxford（牛津大学）

Quantifying Concentration Phenomena of Mean-Field Transformers in the Low-Temperature Regime

量化均场变换器在低温区的集中现象

Albert Alcalde, Leon Bungert, Konstantin Riedl, Tim Roith

机构 * Department of Mathematics（数学系） ； Friedrich-Alexander-University Erlangen-Nürnberg（埃朗根-纽伦堡弗里德里希-亚历山大大学） ； Institute of Mathematics（数学研究所） ； CAIDAS University of Würzburg（魏玛大学CAIDAS学院） ； University of Oxford（牛津大学） ； Reuben College（雷本学院） ； CIT School（CIT学院） ； Technical University of Munich（慕尼黑技术大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） 纠错

AI总结 本文研究了低温下均场变换器中token分布的集中现象，通过均场连续性方程和Wasserstein距离分析，证明token在初始分布投影下快速集中并保持亚稳态，揭示了动态在不同时间尺度下的终端阶段特性。

Comments 30 pages, 10 figures

Equivariant Reinforcement Learning for Clifford Quantum Circuit Synthesis

在Clifford量子电路合成中的等变强化学习

Richie Yeung, Aleks Kissinger, Rob Cornish

机构 * Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； Quantinuum（Quantinuum公司） ； College of Computing and Data Science, Nanyang Technological University, Singapore（新加坡南洋理工大学计算科学与数据科学学院） 纠错

AI总结 本文提出了一种等变神经网络架构，用于在所有到所有量子比特连接设备上合成Clifford量子电路，通过强化学习发现最优门序列，实现高效电路合成。

XQCfD: Accelerating Fast Actor-Critic Algorithms with Prior Data and Prior Policies

XQCfD：利用先验数据和先验策略加速快速Actor-Critic算法

Daniel Palenicek, Florian Vogt, Joe Watson, Ingmar Posner, Danica Kragic, Jan Peters

机构 * Technical University of Darmstadt（技术大学达姆施塔特） ； KTH Royal Institute of Technology（皇家理工学院） ； University of Oxford（牛津大学） ； German Research Center for AI (DFKI)（德国人工智能研究中心（DFKI）） ； Robotics Institute Germany (RIG)（德国机器人研究所） 纠错

AI总结 本文提出XQCfD算法，通过先验数据、预训练策略和静止策略架构提升样本效率，在稀疏奖励任务中取得最佳性能。

Comments 22 pages, 10 figures, 2 tables

On Improving Graph Neural Networks for QSAR by Pre-training on Extended-Connectivity Fingerprints

通过预训练扩展连接指纹改进图神经网络用于QSAR研究

Sam Money-Kyrle, Markus Dablander, Thierry Hanser, Stephane Werner, Charlotte M. Deane, Garrett M. Morris

机构 * Department of Statistics, University of Oxford（牛津大学统计系） ； Mathematical Institute, University of Oxford（牛津大学数学院） ； Molecular Informatics and AI, Lhasa Limited（Lhasa有限公司分子信息学与人工智能部门） 纠错

AI总结 本文通过预训练扩展连接指纹提升图神经网络在QSAR中的性能，验证了在生物生成基准测试中标准性能指标的显著提升，但对复杂终点如结合亲和力预测在分布外设置中表现欠佳。

Every finite group admits a just finite presentation

每一个有限群都允许一个恰有限的呈现

Marc Lackenby

机构 * Mathematical Institute, University of Oxford, Woodstock Road, Oxford OX2 6GG, United Kingdom（牛津大学数学研究所，伍德斯托克路，牛津OX2 6GG，英国） 纠错

AI总结 本文证明每个有限群都存在一个恰有限的呈现，即移除任一关系后呈现的群变为无限群。

Comments 5 pages. Significant assistance was provided by the AI co-mathematician tool developed by Google DeepMind

Signature Approach for Contextual Bandits with Nonlinear and Path-dependent Rewards

基于签名的方法用于具有非线性和路径依赖奖励的上下文老虎机

Xin Guo, Grace He, Xinyu Li

机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Oxford（牛津大学） 纠错

AI总结 本文提出DisSigUCB算法，通过签名变换将路径依赖奖励函数近似为线性函数，实现非线性和路径依赖场景下的子线性 regret 绑定。

Hyperparameter Transfer for Dense Associative Memories

密集关联记忆的超参数转移

Roi Holtzman, Dmitry Krotov, Boris Hanin

机构 * Rudolf Peierls Centre for Theoretical Physics, University of Oxford, Oxford OX1 3PU, UK（鲁道夫·皮尔士理论物理中心，牛津大学，牛津 OX1 3PU, 英国） ； Dynamical Mind, IBM Research（动态思维，IBM研究） ； Princeton ORFE（普林斯顿ORFE） 纠错

AI总结 本文研究了密集关联记忆模型中超参数转移方法的开发，提出了从小型模型到大规模模型的超参数转移准则，并验证了理论与实证结果的一致性。

Scaling Categorical Flow Maps

扩展分类流映射

Oscar Davis, Anastasiia Filippova, Pierre Ablin, Victor Turrisi, Amitis Shidani, Marco Cuturi, Louis Béthune

机构 * Apple, University of Oxford（苹果公司，牛津大学） 纠错

AI总结 本文提出大规模分类流映射模型，通过自蒸馏生成高质量文本，同时引入半离散设置下的似然界，提升语言模型性能。

Comments Minor style changes

Metropolis-Adjusted Diffusion Models

修正的扩散模型：基于Metropolis-哈士季的调整

Kevin H. Lam, Tyler Farghly, Christopher Williams, Jun Yang, Yee Whye Teh, Arnaud Doucet

机构 * Department of Statistics, University of Oxford（1 统计系，牛津大学） ； Inria, CNRS, École Normale Supérieure, PSL Research University（2 Inria，法国国家科学研究中心，巴黎高等师范学院，PSL研究大学） ； Department of Mathematical Sciences, University of Copenhagen（3 数学科学系，哥本哈根大学） 纠错

AI总结 本文提出基于Metropolis-Hastings算法的修正方法，用于改进扩散模型中的采样偏差，通过引入二枚硬币伯努利工厂算法和辛普森法则近似，提升了样本质量。

Efficient Ensemble Selection from Binary and Pairwise Feedback

从二元和成对反馈中高效选择集成

Tzeh Yuan Neoh, Nicholas Teh, Je Qin Chooi, Paul W. Goldberg, Milind Tambe

机构 * Harvard University（哈佛大学） ； University of Oxford（牛津大学） 纠错

AI总结 研究在未知领域分布下，通过二元和成对反馈选择高效集成的方法，提出基于覆盖的优化策略和失败条件贪心算法，同时探讨θ-胜利委员会的优化与子模性放松。

Biosignal Fingerprinting: A Cross-Modal PPG-ECG Foundation Model

生物信号指纹：一种跨模态PPG-ECG基础模型

Zhangdaihong Liu, Chang Liu, Fenglin Liu, Yixuan Chen, Yang Yang, David A. Clifton, Xiao Gu

机构 * Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Oxford Suzhou Centre for Advanced Research（牛津苏浙先进研究中心） ； School of Public Health, Shanghai Jiao Tong University（上海交通大学公共卫生学院） 纠错

AI总结 本文提出生物信号指纹，通过跨模态基础模型M2AE生成紧凑且可迁移的心血管状态表示，实现无需重新训练的多任务应用，在多个任务中表现出色。

Comments 21 pages, 8 figures, 7 tables

fmxcoders: Factorized Masked Crosscoders for Cross-Layer Feature Discovery

fmxcoders: 分层掩码交叉编解码器用于跨层特征发现

Andreas D. Demou, Panagiotis Koromilas, James Oldfield, Yannis Panagakis, Mihalis A. Nicolaou

机构 * The Cyprus Institute（塞浦路斯研究所） ； University of Athens（雅典大学） ； University of Oxford（牛津大学） ； Archimedes AI/Athena Research Center（Archimedes AI/ Athena 研究中心） ； University of Cyprus（塞浦路斯大学） 纠错

AI总结 本文提出fmxcoders，通过低秩张量分解和随机层掩码技术，解决传统交叉编解码器在跨层特征恢复中的不足，提升模型的语义相干性与重构性能。

Asymptotically Log-Optimal Bayes-Assisted Confidence Sequences for Bounded Means

渐近对数最优的基于贝叶斯的置信序列：适用于有界均值

Valentin Kilian, Stefano Cortinovis, François Caron

机构 * Department of Statistics University of Oxford（统计系牛津大学） 纠错

AI总结 本文提出一种基于贝叶斯的置信序列框架，利用预测模型自适应构造置信序列，证明其渐近对数最优性，并通过实验展示其在减少置信序列宽度和采样努力方面优于传统方法。

Comments Valentin and Stefano are joint first authors

LINGOLY-TOO: Disentangling Reasoning from Knowledge with Templatised Orthographic Obfuscation

LINGOLY-TOO：通过模板化正交混淆分离推理与知识

Jude Khouja, Lingyi Yang, Karolina Korgul, Simeon Hellsten, Vlad A. Neacsu, Harry Mayne, Ryan Othniel Kearns, Andrew M. Bean, Adam Mahdi

机构 * University of Oxford（牛津大学） ； University of Nottingham（诺丁汉大学） ； University of Glasgow（格拉斯哥大学） ； United Kingdom Linguistics Olympiad（英国语言学奥林匹克） ； Asia-Pacific Linguistics Olympiad（亚太语言学奥林匹克） 纠错

AI总结 LINGOLY-TOO通过模板化正交混淆技术，设计了1203个问题和6995个子问题，旨在减少对知识和记忆的依赖，评估模型真正的推理能力。

Comments Published as a conference paper at ICLR 2026

Improving Inverse Folding for Peptide Design with Diversity-regularized Direct Preference Optimization

通过多样性正则化的直接偏好优化改进肽设计的反向折叠

Ryan Park, Darren J. Hsu, C. Brian Roland, Maria Korshunova, Chen Tessler, Shie Mannor, Olivia Viessmann, Bruno Trentini

机构 * Stanford University（斯坦福大学） ； NVIDIA（英伟达） ； Technion - Israel Institute of Technology（技术学院-以色列理工学院） ； Flagship Pioneering（旗领先锋） ； University of Oxford（牛津大学） 纠错

AI总结 本文通过改进的直接偏好优化方法，结合多样性正则化和领域特定先验，提升肽设计中反向折叠模型的序列多样性和结构一致性，实验表明在OpenFold生成结构条件下，模型在结构相似度上取得显著提升。

Comments Preprint. 10 pages plus appendices

A Spectral Approach for Learning Spatiotemporal Neural Differential Equations

一种用于学习时空神经微分方程的谱方法

Mingtao Xia, Xiangting Li, Qijing Shen, Tom Chou

机构 * Courant Institute of Mathematical Sciences, New York University, New York, NY 10012, USA（数学科学学院，纽约大学，纽约，NY 10012，美国） ； Department of Computational Medicine, UCLA, Los Angeles, CA 90095, USA（计算医学系，洛杉矶大学，洛杉矶，CA 90095，美国） ； Nuffield Department of Medicine, Oxford University, Oxford OX2 6HW, UK（医学系，牛津大学，牛津 OX2 6HW，英国） 纠错

AI总结 本文提出一种基于神经ODE的谱方法，用于学习包含长程非局部空间相互作用的时空微分方程，无需空间离散化，适用于无界域。

Comments 21 pages, 5 figures

Journal ref Journal of Applied Mathematics and Computing, Volume 70, 4395-4421, (2024)

From pre-training to downstream performance: Does domain-specific pre-training make sense?

从预训练到下游性能：领域特定预训练有意义吗？

Felix Krones

机构 * Oxford Internet Institute, University of Oxford, Oxford, UK（牛津大学互联网研究所，牛津大学，牛津，英国） 纠错

AI总结 本文探讨了医学影像模型中预训练策略与下游性能的关系，发现仅在目标模态数据上预训练才能显著提升性能，且自监督学习在不同上下文中效果各异。

Reasoning Compression with Mixed-Policy Distillation

基于混合策略蒸馏的推理压缩

Han Yang, Mingyan Wu, Bailan He, Zeyu Cao, Sikuan Yan, Kevin Qinghong Lin, Zifeng Ding

机构 * Technical University of Munich（慕尼黑技术大学） ； GESIS – Leibniz Institute for the Social Sciences（莱布尼茨社会科学研究所） ； Northeastern University（东北大学） ； LMU Munich（慕尼黑大学） ； Siemens AG（西门子股份公司） ； University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） ； Mina AI 纠错

AI总结 本文提出混合策略蒸馏框架，通过从大模型压缩推理轨迹到小模型，有效减少token使用并提升推理性能。

Evaluating Developmental Cognition Capabilities of LLMs

评估大语言模型的发展认知能力

Xiao Xiao, Hayoun Noh, Mar Gonzalez-Franco

机构 * De Vinci Research Center（德文西研究中心） ； MIT Media Lab（MIT媒体实验室） ； University of Oxford（牛津大学） ； Google（谷歌） 纠错

AI总结 本文提出DSCT测试，通过自述文本评估发展认知阶段，发现LLM在模拟角色和真实人类响应中表现出不同的阶段特征，表明发展信号在合成响应中更清晰。

Comments 9 pages, 3 figures, (10 pages appendix)

Quantile-Coupled Flow Matching for Distributional Reinforcement Learning

分位数耦合流匹配用于分布性强化学习

Michael Groom, Victor-Alexandru Darvariu, Lars Kunze, James Wilson, Nick Hawes

机构 * Oxford Robotics Institute, University of Oxford（牛津大学机器人研究所） ； Bristol Robotics Laboratory, University of the West of England（布里斯托尔机器人实验室，西英格兰大学） ； Dyson Institute of Engineering & Technology（戴森工程与技术研究院） 纠错

AI总结 本文提出FlowIQN，通过分位数对齐的流路径改进流匹配批评者，解决分布性强化学习中分布Bellman算子在p-瓦瑟斯坦距离下的收缩性问题，提升瓦瑟斯坦返回分布精度并兼容DRL流程。

Detecting Multi-Agent Collusion Through Multi-Agent Interpretability

通过多代理可解释性检测多代理合谋

Aaron Rose, Carissa Cullen, Sahar Abdelnabi, Philip Torr, Brandon Gary Kaplowitz, Christian Schroeder de Witt

机构 * University of Oxford（牛津大学） ； ELLIS Institute Tübingen MPI-IS（图宾根ELLIS研究所MPI-IS） 纠错

AI总结 本文提出NARCBench基准，通过五种探测技术在不同多代理场景中检测合谋，展示模型内部信号对多代理合谋检测的补充作用。

RelBench v2: A Large-Scale Benchmark and Repository for Relational Data

RelBench v2：关系数据的大型基准和存储库

Justin Gu, Rishabh Ranjan, Charilaos Kanatsoulis, Haiming Tang, Martin Jurkovic, Valter Hudovernik, Mark Znidar, Pranshu Chaturvedi, Parth Shroff, Fengyu Li, Jure Leskovec

机构 * Stanford University（斯坦福大学） ； National University of Singapore（新加坡国立大学） ； University of Ljubljana（卢布尔雅那大学） ； Kumo AI ； University of Oxford（牛津大学） 纠错

AI总结 RelBench v2引入了四个大规模关系数据集，扩展了基准测试，并引入了自动补全任务，展示了关系学习模型在多表预测中的优势。

Comments Published at ICLR 2026. Website: https://relbench.stanford.edu

MEG-XL: Data-Efficient Brain-to-Text via Long-Context Pre-Training

MEG-XL：通过长上下文预训练实现数据高效的脑-文本转换

Dulhan Jayalath, Oiwi Parker Jones

机构 * PNPL assets/pnpl.png , University of Oxford（PNPL资产/pnpl.png，牛津大学） 纠错

AI总结 MEG-XL通过长上下文预训练提升数据效率，利用2.5分钟的MEG上下文捕捉扩展神经上下文，优于传统方法，在脑数据词解码任务中表现更优。

Comments Published as a conference paper at ICML 2026. 19 pages, 8 figures, 5 tables

GraphBench: Next-generation graph learning benchmarking

GraphBench: 图学习下一代基准测试

Timo Stoll, Chendi Qian, Ben Finkelshtein, Ali Parviz, Darius Weber, Fabrizio Frasca, Hadar Shavit, Antoine Siraudin, Arman Mielke, Marie Anastacio, Erik Müller, Maya Bechler-Speicher, Michael Bronstein, Mikhail Galkin, Holger Hoos, Mathias Niepert, Bryan Perozzi, Jan Tönshoff, Christopher Morris

机构 * RWTH Aachen University（亚琛RWTH大学） ； University of Oxford（牛津大学） ； Mila – Quebec AI Institute（魁北克AI研究所） ； Technion - Israel Institute of Technology（技术学院-以色列理工学院） ； ETAS Research University of Stuttgart（斯图加特大学ETAS研究所） ； Google Research（谷歌研究） ； Microsoft Research（微软研究院） 纠错

AI总结 GraphBench 提供标准化评估协议和统一超参数调优框架，用于评估图学习任务中的泛化能力，推动图学习领域的发展。

Compute as Teacher: Turning Inference Compute Into Reference-Free Supervision

计算作为教师：将推理计算转化为无参考监督

Dulhan Jayalath, Shashwat Goel, Thomas Foster, Parag Jain, Suchin Gururangan, Cheng Zhang, Anirudh Goyal, Alan Schelten

机构 * University of Oxford（牛津大学） ； ELLIS Institute Tübingen（图宾根ELLIS研究所） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） ； Meta Superintelligence Labs（元宇宙超级智能实验室） 纠错

AI总结 本文提出计算作为教师框架，通过推理计算生成参考估计，实现无监督学习，尤其在非可验证领域如医疗指导中表现优异，测试时计算开销减少9倍。

Comments Published as a conference paper at ICML 2026. 23 pages, 6 figures, 12 tables

OrderFusion: Encoding Orderbook for End-to-End Probabilistic Intraday Electricity Price Forecasting

OrderFusion：用于端到端概率日内电价预测的订单簿编码

Runyao Yu, Yuchen Tao, Fabian Leimgruber, Tara Esterl, Jochen Stiasny, Derek W. Bunn, Qingsong Wen, Hongye Guo, Jochen L. Cremer

机构 * Delft University of Technology（代尔夫特理工大学） ； Austrian Institute of Technology（奥地利技术研究院） ； RWTH Aachen（亚琛工业大学） ； London Business School（伦敦商学院） ； University of Oxford（牛津大学） ； Squirrel AI（Squirrel AI公司） ； Tsinghua University（清华大学） 纠错

AI总结 本文提出OrderFusion方法，通过端到端概率模型学习订单簿的交互结构，改进日内电价预测，通过分层量化估计避免量化交叉问题。

Comments 10 pages, 4 figures, 4 tables

The Attacker in the Mirror: Breaking Self-Consistency in Safety via Anchored Bipolicy Self-Play

镜中的攻击者：通过锚定双策略自我博弈打破安全性中的自我一致性

Gabriele La Malfa, Emanuele La Malfa, Saar Cohen, Jie M. Zhang, Michael Luck, Michael Wooldridge, Elizabeth Black

机构 * Department of Informatics, King’s College London（伦敦国王学院信息学院） ； Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； University of Sussex（Sussex大学） ； Institute for Decentralized AI（去中心化人工智能研究所） 纠错

AI总结 本文提出锚定双策略自我博弈方法，通过训练角色特定的LoRA适配器提升安全性与参数效率，实验证明在安全基准测试中表现更优。

LLM Wardens: Mitigating Adversarial Persuasion with Third-Party Conversational Oversight

LLM卫士：通过第三方对话监督缓解对抗说服

Lennart Wachowiak, Scott D. Blain, David Williams-King, Samuele Marro

机构 * University of Oxford（牛津大学） 纠错

AI总结 研究通过引入第三方LLM卫士模型，降低对抗性LLM对用户的操纵成功率，实验显示卫士模型使对手成功率从65.4%降至30.4%。

NeurIPS Should Require Reproducibility Standards for Frontier AI Safety Claims

NeurIPS应要求对前沿AI安全声明实施可重复性标准

Varad Vishwarupe, Nigel Shadbolt, Marina Jirotka, Ivan Flechais

机构 * Department of Computer Science, University of Oxford（牛津大学计算机科学系） 纠错

AI总结 本文提出要求NeurIPS对涉及前沿AI安全声明的论文实施可重复性标准，通过三级披露框架和强制性声明清单等措施，确保高影响声明的可重复性，以提升AI安全测试的可靠性。

Comments Preprint

Continuum Robot Localization using Distributed Time-of-Flight Sensors

基于分布式飞行时间传感器的连续机器人定位

Spencer Teetaert, Giammarco Caroleo, Marco Pontin, Sven Lilge, Jessica Burgner-Kahrs, Timothy D. Barfoot, Perla Maiolino

机构 * University of Toronto Robotics Institute, Canada（多伦多大学机器人研究所，加拿大） ； Oxford Robotics Institute, University of Oxford, UK（牛津大学机器人研究所，英国） ； Toronto Metropolitan University, Canada（多伦多 Metropolitan 大学，加拿大） 纠错

AI总结 本文提出了一种利用小型低分辨率飞行时间传感器进行连续机器人定位的方法，通过融合传感器数据与机器人形状先验信息，实现了在复杂环境中高精度的定位与建图。

Comments Print version, to be published at Robotics: Science and Systems (RSS) 2026