高校专区
WARDEN：利用6小时训练数据进行濒危原住民语言的转录与翻译
机构 * Australian National University（澳大利亚国立大学） ； University of Oxford（牛津大学）
AI总结 WARDEN通过分阶段模型处理濒危语言转录与翻译，利用印尼语初始化加速训练，结合专家词典提升翻译性能，以6小时数据优于统一模型。
否定忽视：当模型在训练中无法学习否定时的失败
机构 * University of Oxford（牛津大学） ； University of Toronto（多伦多大学） ； Warsaw University of Technology（华沙技术大学） ； NASK National Research Institute（国家研究 institute NASK） ； Truthful AI ； Anthropic ； UC Berkeley（伯克利大学）
AI总结 研究发现，当模型在训练中接触到标记为假的声明时，会错误地认为这些声明为真，且这种现象不仅发生在否定语句中，还扩展到其他认知限定词，影响模型的行为和安全性。
极小-极大优化需要指数级的查询次数
机构 * Bocconi University（博科尼大学） ； Politecnico di Milano（米兰理工学院） ； University of Oxford（牛津大学）
AI总结 研究极小-极大优化的查询复杂性，证明任何算法找到近似 stationary 点所需查询次数随 1/ε 和 d 指数增长。
从观测中学习POMDP世界模型：利用语言模型先验
机构 * Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； IRIIS ； University of California, Santa Barbara（加州大学圣芭芭拉分校） ； University of Tübingen（图宾根大学） ； University of Oxford（牛津大学） ； ELLIS Institute Tübingen（图宾根ELLIS研究所）
AI总结 本文提出Pinductor，利用语言模型先验从少量观测-动作轨迹学习POMDP模型，实现高效世界模型学习。
通过边缘-条件化桥梁采样流语言模型
机构 * Department of Statistics, University of Oxford（牛津大学统计系）
AI总结 本文提出通过边缘-条件化桥梁采样流语言模型，该方法在每一步从因子化后验中采样干净的一热序列，并利用奥本-乌伦贝克桥进行下一步状态采样，从而在不训练的情况下提升质量-多样性平衡。
RealICU: 大语言模型能否理解长期上下文ICU数据？一个超越行为模仿的基准测试
机构 * Technical University of Munich（慕尼黑技术大学） ； TUM University Hospital（TUM大学医院） ； LMU Munich（慕尼黑大学） ； University of Sheffield（谢菲尔德大学） ； University of Oxford（牛津大学） ； Zhongshan Hospital Fudan University（复旦大学中山医院） ； Sun Yat-sen University Cancer Center（中山大学肿瘤中心） ； Imperial College London（伦敦帝国学院） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； relAI – Konrad Zuse School of Excellence in Reliable AI（relAI – 卡诺夫茨卓越可靠人工智能学校）
AI总结 RealICU通过真实ICU场景评估大语言模型的长期上下文理解能力，提出四个医生驱动任务，揭示现有模型在临床推荐中的召回与安全性的权衡问题。
MedOpenClaw 和 MedFlowBench：在完整研究流程中审计医疗代理
机构 * Technical University of Munich（慕尼黑技术大学） ； TUM University Hospital（TUM大学医院） ； LMU Munich（慕尼黑大学） ； Imperial College London（伦敦帝国理工学院） ； University of Oxford（牛津大学） ； Carnegie Mellon University（卡内基梅隆大学） ； NVIDIA（NVIDIA公司） ； National University of Singapore（新加坡国立大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心）
AI总结 本文提出 MedFlowBench 和 MedOpenClaw，用于评估医疗影像代理在完整研究流程中生成可审计证据的能力，发现仅依赖答案评分不够，需结合正确证据验证。
Comments 33 pages
注意差距： elicitation协议如何影响语言模型中的 stated-revealed偏好差距
机构 * University of Oxford（牛津大学） ； Max Planck Institute for Biological Cybernetics（生物信息学Max Planck研究所） ； University of Tuebingen（图宾根大学） ； Cardiff University（卡迪夫大学） ； Cambridge–Boston Alignment Initiative (CBAI)（剑桥-波士顿对齐倡议）
AI总结 研究探讨了elicitation协议对语言模型中stated-revealed偏好差距的影响，发现中性选项和 abstention 的引入能提高相关性，但进一步允许 abstention 又导致相关性下降。
Comments Accepted to ACL 2026 Eval Eval Workshop and 3rd Technical AI Safety Conference (TAIS 2026)
图神经网络的精确验证与增量约束求解
机构 * University of Oxford（牛津大学）
AI总结 本文提出一种精确验证方法，用于图神经网络在属性和结构扰动下的鲁棒性保证，支持三种聚合函数，实验表明其在节点分类和图分类任务中性能优越。
Comments Extended version of the paper accepted at FM 2026
LENS：基于大语言模型的多级多模态推理评估
机构 * Wuhan University of Technology（武汉理工大学） ； Tsinghua University（清华大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Shanghai AI Lab（上海人工智能实验室） ； University of Oxford（牛津大学） ； INSAIT, Sofia Un. St Kliment Ohridski（索菲亚大学克里门特·欧里迪斯基学院）
AI总结 LENS提出一个包含3.4K图像和60K+问题的多级评估基准，涵盖8个任务和12种日常场景，用于评估大语言模型在多模态推理中的表现。
Comments Published as a conference paper at ICLR 2026
神经关联技能记忆用于更安全的机器人及建模人类传感器运动 repertoire
机构 * University of Oxford（牛津大学） ； Yale University（耶鲁大学）
AI总结 本文提出神经关联技能记忆框架，通过自监督预测编码统一技能学习与表达，实现故障检测与上下文感知执行，提升机器人安全性和生物传感器运动学习研究。
Journal ref Neural Computation (2026) 38 (1): 1-27
PRISM-X：基于人类和模拟用户的人个性化微调实验
机构 * University of Oxford（牛津大学） ； UK AI Security Institute（英国人工智能安全研究所） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Mercor ； Meedan
AI总结 研究通过大规模内侧实验评估个性化语言模型在多轮对话中的表现，发现基于偏好微调的P-DPO方法优于通用模型和个性化提示，但个性化数据训练收益有限，且微调会放大趋炎附势行为，可能带来长期负面影响。
将极端言论与结构极化联系起来：在带符号交互网络中
机构 * University of Oxford（牛津大学） ； University College London（伦敦大学学院） ； Imperial College London（伦敦帝国学院）
AI总结 本文提出一种基于语言的带符号网络框架，通过LLM立场评分生成连续符号边权重，并利用两种互补指标量化结构极化，分析Reddit Brexit讨论中话语信号与结构极化的时间变化关系。
连接点：为电离层预报模型准备的机器学习数据集
机构 * Department of Information and Computer Science（信息与计算机科学系） ； University of Hawai‘i at Mānoa（夏威夷大学毛纳罗亚分校） ； Department of Engineering Science（工程科学系） ； University of Oxford（牛津大学） ； Università degli Studi di Roma Sapienza（罗马大学） ； Free Flight Research Lab（自由飞行研究实验室） ； University of New Hampshire（新罕布什尔大学） ； European Space Agency (ESA)（欧洲航天局） ； NASA Jet Propulsion Laboratory（美国宇航局喷气推进实验室） ； NASA Headquarters（美国宇航局总部） ； Space Weather Technology, Research, and Education Center（空间天气技术、研究与教育中心） ； University of Colorado Boulder（科罗拉多大学博尔德分校） ； Department of Computer Science（计算机科学系） ； University of York & King’s College London（约克大学及伦敦国王学院）
AI总结 本文提出一个整合多种电离层和日球层数据的机器学习数据集，用于改进电离层预报模型，支持科学探索和实际应用。
Comments 8 pages, 2 figures, 2 tables. Accepted as a poster presentation in the Machine Learning for the Physical Sciences workshop at NeurIPS 2025. Dataset can be found on Zenodo (https://zenodo.org/records/18343833) or GitHub (https://github.com/FrontierDevelopmentLab/2025-HL-Ionosphere-dataset)
向卫星 onboard 的甲烷检测
机构 * University of Oxford（牛津大学） ； Delft University of Technology（代尔夫特理工大学） ； Universitat de València（瓦伦西亚大学） ； University of Surrey（萨里大学） ； European Space Agency (ESA)（欧洲航天局）
AI总结 本文提出一种无需预处理的甲烷检测方法，利用未正射校正数据训练模型，与传统方法性能相当，并释放了相关数据集和代码。
推理模型拒绝发生在何处？
机构 * The Alan Turing Institute（艾伦·图灵研究所） ； University of Oxford（牛津大学） ； Northeastern University（东北大学）
AI总结 研究探讨推理模型在生成响应前拒绝决策的位置，发现推理链中的初始句子对拒绝决定有显著影响，并通过激活方向分析揭示了拒绝机制。
Comments v1 accepted to the ICML 2025 Workshop on Reliable and Responsible Foundation Models (R2FM). 20 pages, 12 figures
潜在混杂偏移下的因果微调
机构 * University of Oxford, United Kingdom（牛津大学） ； Queen Mary University of London, United Kingdom（伦敦玛丽女王大学） ； Peking University, China（北京大学） ； University of Bristol, United Kingdom（布里斯托大学） ； King's College London, United Kingdom（伦敦国王学院） ； Hong Kong University of Science（香港科学大学） ； University College London, United Kingdom（伦敦大学学院）
AI总结 本文提出Causal Fine-Tuning方法，通过结构因果模型分解表示为稳定高层和敏感低层成分，提升模型在存在潜在混杂偏移时的鲁棒性，实验显示优于其他基线方法。
Comments ICML 2026 Camera Ready Version
信息作为最大 caliber 偏离：集成信息理论与自由能原理之间的桥梁
机构 * University of Oxford（牛津大学）
AI总结 本文提出信息可定义为动态偏离最大 caliber 路径集的量，通过最大 caliber 变分原理重新推导了IIT的现象学计算，为IIT扩展到新动态领域提供了理论桥梁。
Comments 84 pages, 10 figures, 2 tables Extended version of a Master's thesis, Mathematical Institute, University of Oxford
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