MoCA: Implicit Social Context Analysis
MoCA：隐式社会语境分析
机构 * National University of Singapore（新加坡国立大学） ； University of Oxford（牛津大学） ； Wuhan University（武汉大学）
AI总结 本文提出隐式社会语境分析（MoCA）新任务，构建含3108个实例的基准数据集，提出CoDAR框架提升模型性能，但模型与人类推理仍存差距，凸显隐式社会理解难度。
高校专区
University of Oxford（牛津大学）
Property-driven Causal Abstractions for Markov Decision Processes
马尔可夫决策过程的属性驱动因果抽象
机构 * Ruhr-University Bochum（波鸿鲁尔大学） ； Eindhoven University of Technology（埃因霍温理工大学） ； Oxford University（牛津大学） ； Radboud University（拉德堡德大学）
AI总结 本研究针对马尔可夫决策过程（MDPs）提出属性驱动因果抽象技术，通过保留模型特性缩减规模，经理论与实验验证，该技术可生成小型抽象模型以计算近最优策略，且能推广至大规模MDP模型。
Recognizing Co-Speech Gestures in-the-Wild
识别野外伴随语音的手势
机构 * Visual Geometry Group, Dept. of Engineering Science, University of Oxford（视觉几何组，工程科学系，牛津大学）
AI总结 针对当前多模态模型难以捕捉语义性伴随手势的问题，构建了首个大规模基准数据集GRW，用于训练视频模型进行手势语义分类、对应词汇识别和时序定位。
Journal ref European Conference on Computer Vision (ECCV), 2026
Judge a Book by its Cover: Investigating Multi-Modal LLMs for Multi-Page Handwritten Document Transcription
通过封面判断书籍：调查多模态大语言模型用于多页手写文档转录
机构 * University of Oxford（牛津大学） ； QuantCo
AI总结 本文研究多模态大语言模型在多页手写文档转录中的应用，提出OCR+PAGE-1和OCR+PAGE-N策略，通过共享页面内容提升转录效果。
Comments 10 pages (36 including references and appendices), 11 figures, accepted at COLM 2026, earlier version accepted at AAAI 2025 Workshop on Document Understanding and Intelligence
Seeking SOTA: Time-Series Forecasting Must Adopt Taxonomy-Specific Evaluation to Dispel Illusory Gains
寻求SOTA：时间序列预测必须采用领域特定评估以消除虚幻收益
机构 * Dept. of Computer Science, University of Toronto（多伦多大学计算机科学系） ； Dept. of Data Science & AI, Monash University, Australia（澳大利亚墨尔本大学数据科学与人工智能系） ； Faculty of Computer Science, Dalhousie University（达尔豪斯大学计算机科学学院） ； Dept. of Mathematics, University of Oxford（牛津大学数学系） ； Oxford-Man Institute for Quantitative Finance（牛津-曼彻斯特量化金融研究所） ； Vector Institute（向量研究所） ； Department of Computer Science and AI, University of Granada, Spain（西班牙格拉纳达大学计算机科学与人工智能系） ； DaSCI, Andalucía, Spain（安达卢西亚DaSCI）
AI总结 本文指出当前时间序列预测评估方法掩盖了真实进展，呼吁引入更广泛的非平稳性数据集并要求深度学习模型包含经典基线，以确保报告的改进反映真正的科学进步。
Comments v2 clarifies Transformer temporal-order claims, strengthens benchmark-selection and metric guidance, corrects point-forecast targets for MSE/MAE, improves aggregation/reporting recommendations, adds living-benchmark protocols, revises weather/evaluation wording, makes author emails clickable, and adds five supporting references
