高校专区
GMOS: 在3D空间和时间中定位运动物体分割
机构 * Visual Geometry Group, Department of Engineering Science, University of Oxford, UK（牛津大学工程科学系视觉几何组） ； SAI, Shanghai Jiao Tong University, China（上海交通大学SAI）
AI总结 提出GMOS框架，直接在RGB视频上实现3D感知、时间细粒度的多运动物体分割，并构建GMOS-2K数据集和MOS-I评估协议，在多个基准上取得最先进结果。
Comments Project Page: https://www.robots.ox.ac.uk/vgg/research/gmos/
通过戴森扩散的置换不变谱学习
机构 * Mathematical Institute, University of Oxford（牛津大学数学研究所） ； Mathematical bioPhysics Group, Max Planck Institute for Multidisciplinary Sciences（多学科科学研究所马克斯·普朗克数学生物物理组） ； School of Mathematics, Institute for Advanced Study（高级研究院数学学院） ； Department of Statistics, University of Oxford（牛津大学统计系） ； Mathematical Physics and Stochastic Dynamics, University of Freiburg（弗赖堡大学数学物理与随机动力学）
AI总结 提出戴森扩散模型，利用随机矩阵理论从分析上提取扩散过程的谱特性，将归纳偏置从架构转移到动力学，实现置换不变的谱学习，准确学习图谱并超越现有图扩散模型。
不规则和异步数据的忠实嵌入用于在线Log-NCDEs
机构 * Mathematical Institute, University of Oxford（牛津大学数学研究所） ； Department of Mathematics, Imperial College London（伦敦帝国学院数学系）
AI总结 针对不规则和异步数据，提出一种连续且单射的嵌入方法，基于Log-NCDEs实现无需插值的在线计算，并证明其通用性。
Comments 34 pages, 16 figures
Chess-World-Model: 一个用于从国际象棋走棋序列精确状态跟踪的1000万对局基准
机构 * Mathematical Institute, University of Oxford（牛津大学数学研究所） ； Department of Mathematics, Imperial College London（伦敦帝国理工学院数学系）
AI总结 提出一个基于1000万真实国际象棋对局的大规模状态跟踪基准，通过预测合法走棋序列后的棋盘状态，测试模型学习转换规则的能力，并发现循环模型优于Transformer，且随机均匀分布子集能揭示规模掩盖的失败。
Comments 20 pages, 4 figures
CB-SLICE: 基于概念的可解释错误切片发现
机构 * Department of Computer Science and Technology, University of Cambridge, Cambridge, UK（计算机科学与技术系，剑桥大学，剑桥，英国） ； Trinity College, University of Oxford, Oxford, UK（牛津大学三一学院，牛津，英国） ； Cambridge Institute for Technology and Humanity, Cambridge, UK（剑桥技术与人类研究所，剑桥，英国）
AI总结 提出CB-SLICE方法，利用概念瓶颈模型的概念预测失败来发现错误切片，并通过关键词概念解释失败模式，优于现有方法。
Comments 20 pages, 7 figures, 12 tables, to be published at Proceedings of the 43rd International Conference on Machine Learning (ICML 2026)
基于偏好最大可满足性的大语言模型可靠推理
机构 * Artificial Intelligence Research Institute (IIIA) Consejo Superior de Investigaciones Científicas (CSIC)（人工智能研究所（IIIA）西班牙国家科学研究委员会（CSIC）） ； Department of Computer Science University of Oxford（计算机科学系牛津大学） ； Institut de Robòtica i Informàtica Industrial (IRI-CSIC-UPC)（机器人与信息工业研究所（IRI-CSIC-UPC））
AI总结 提出一种混合推理方法，通过LLM生成代码将自然语言问题编码为偏好最大可满足性问题，由精确求解器求解并独立验证，显著提高可行性。
Comments 17 pages, 1 figure, 4 tables
使用结构化表示从自然语言查询预测因果效应
机构 * The World Bank Group（世界银行集团） ； University of Oxford（牛津大学） ； New York University（纽约大学）
AI总结 针对从自然语言查询预测因果效应的问题，提出Query2Effect基准和两步框架，通过生成结构化表示再预测效应大小，微调使绝对误差降低27%-71%。
Comments 18 pages
语言中的世界模型：审计视觉语言模型中的物理状态转换承诺
机构 * University of Oxford（牛津大学）
AI总结 提出WMW框架，通过要求VLM输出结构化轨迹（初始状态、状态转换、结果状态和答案）并利用混合验证器检查模式有效性、状态基础、转换一致性和答案-轨迹兼容性，揭示仅评估最终答案所隐藏的物理推理失败。
Comments 8 pages, 3 figures, 5 tables
循环结构策略梯度用于部分可观测平均场博弈
机构 * FLAIR, University of Oxford（FLAIR，牛津大学） ； MLRG, University of Oxford（MLRG，牛津大学） ； ifo Institute, LMU Munich（IFO研究所，慕尼黑大学） ； Mila, Québec AI Institute（Mila，魁北克AI研究所） ； University of Zurich（苏黎世大学） ； Peking University（北京大学） ； London School of Economics（伦敦经济学院）
AI总结 针对部分可观测平均场博弈，提出首个历史感知的混合结构方法RSPG，通过利用低维状态动作空间和已知转移动力学计算期望回报，实现比无模型RL方法快一个数量级的收敛速度。
在线公平分配中的近似比例性
机构 * Harvard University, USA（哈佛大学） ； University of Oxford, UK（牛津大学） ； Centre for Frontier AI Research (CFAR), Agency for Science, Technology and Research (A*STAR), Singapore（前沿人工智能研究中心（CFAR）） ； Institute of High Performance Computing (IHPC), Agency for Science, Technology and Research (A*STAR), Singapore（高性能计算研究所（IHPC）） ； Princeton University, New Jersey, USA（普林斯顿大学） ； Institute for Infocomm Research (I2R), Agency for Science, Technology and Research (A*STAR), Singapore（信息与通信研究所以（I2R））
AI总结 研究在线公平分配问题中比例性（PROP1）的可近似性，通过非自适应对手和最大物品价值预测两种松弛方法，设计了具有鲁棒保证的在线算法。
Comments Appears in the 43rd International Conference on Machine Learning (ICML), 2026
卸载分数：通过反事实工作流衡量AI依赖度
机构 * Stanford University（斯坦福大学） ； University of Oxford（牛津大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Michigan（密歇根大学）
AI总结 本文提出卸载分数（offloading score），一种通过构建反事实工作流量化用户向AI工具卸载认知努力比例的依赖度度量，并通过内在验证和用户实验证明其能检测时间压力下的依赖度变化。
Comments Preprint
通过输出空间投影进行模型合并
机构 * Department of Mathematics, University of Oxford, Oxford, UK（牛津大学数学系） ； Department of Engineering Science, University of Oxford, Oxford, UK（牛津大学工程科学系）
AI总结 将模型合并形式化为凸二次规划问题，通过校准输入和微调模型输出最小化平方输出校准目标，并推导出预测合并质量的闭式诊断指标。
一掩蔽之：编辑后的隐藏事实及其发现方法
机构 * Technical University of Munich（慕尼黑技术大学） ； Marburg University（马尔堡大学） ； University of Oxford（牛津大学）
AI总结 本文通过训练二进制掩码揭示ROME和MEMIT知识编辑方法依赖共同权重子集，并证明编辑抑制而非覆盖知识，导致无法传播至相关事实。
Comments Accepted to Findings of ACL 2026
SIA: 具有框架与权重更新的自我改进AI
机构 * Hexo Labs（Hexo实验室） ； University of Oxford（牛津大学）
AI总结 提出SIA框架，通过反馈智能体同时更新任务智能体的框架和权重，在三个领域（中国法律罪名分类、GPU内核优化、单细胞RNA去噪）超越仅迭代框架的方法。
基于LLM生成启发式的层次任务网络规划
机构 * University of Aberdeen, UK（爱丁堡大学（英国）） ； PUCRS, Brazil（巴西普埃布拉联邦大学） ； University of Oxford, UK（牛津大学（英国）） ； Saarland University, Germany（萨尔大学（德国）） ； Universidade Federal do Rio Grande do Sul, Brazil（巴西里约格兰德 do 南大学）
AI总结 研究利用大语言模型为层次任务网络规划生成搜索启发式，通过Pytrich规划器在六个基准领域评估，结果表明LLM生成的启发式在覆盖度上接近最优HTN规划器，并在83%的共享问题上显著减少搜索开销。
Comments 9 pages, 3 figures; submitted to NeurIPS 2026
在线公平分配与额外信息
机构 * Harvard University, USA（哈佛大学） ； Shanghai University of Finance and Economics, China（上海财经大学） ； University of Oxford, UK（牛津大学）
AI总结 研究在线公平分配不可分割物品问题，通过引入归一化信息和频率预测，实现了比以往更强的公平性保证，并提供了学习增强的鲁棒变体。
Comments Appears in the 43rd International Conference on Machine Learning (ICML), 2026
VRAG：面向交互式视频生成的世界模型学习
机构 * Peking University（北京大学） ； University of Oxford（牛津大学） ； Princeton University（普林斯顿大学）
AI总结 针对自回归视频生成中累积误差和记忆机制不足的问题，提出视频检索增强生成（VRAG）方法，通过显式全局状态条件降低长期累积误差并提升时空一致性。
Comments Published at NeurIPS 2025. Project page: https://sites.google.com/view/vrag
大型语言模型是否具有社会适应性？对比大型语言模型与人类的信念演化
机构 * Tsinghua University（清华大学） ； Department of Psychological and Cognitive Sciences（心理与认知科学系） ； College AI（人工智能学院） ； School of Management（管理学院） ； Fudan University（复旦大学） ； Stevens Institute of Technology（史蒂文斯理工学院） ； Northwestern University（西北大学） ； University of Oxford（牛津大学）
AI总结 本研究提出基于社会心理学的仿真基准FairMindSim和信念-奖励对齐行为演化模型BREM，通过连续经济游戏对比人类与LLM的决策动态，发现中等能力模型表现出过度惩罚的刚性攻击性，而前沿模型随推理能力提升趋向人类式的克制与宽容。
Comments KDD 2026 Oral
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