University of Oxford（牛津大学）

OmniScientist: An Omni-Modal Omni-Discipline AI Scientist

OmniScientist：一种全模态全学科的AI科学家

Bobo Li, Hao Fei, Tianjie Ju, Mong-Li Lee, Wynne Hsu

机构 * National University of Singapore（新加坡国立大学） ； University of Oxford（牛津大学） 纠错

AI总结 本研究提出全模态AI科学家OmniScientist，通过端到端全模态流水线处理多学科异构原始证据，在36个真实案例中完成从原始数据到手稿的全流程，性能优于仅用预计算特征的系统，为通用AI科学家提供可行方案。

Comments 30 pages, 13 figures, 19 tables. Project page: https://omni-scientist.github.io/

V-RAE: Rethinking Video Latent Spaces for Generation

V-RAE：重新思考用于生成的视频隐空间

Minghui Guo, Shengqiong Wu, Hao Fei

机构 * National University of Singapore（新加坡国立大学） ； University of Oxford（牛津大学） 纠错

AI总结 本研究提出V-RAE视频表示自动编码器，基于冻结视觉基础模型构建生成隐空间，在多项视频任务上优于现有模型，还引入tFVD指标，证明冻结语义表示可支持多种视频建模任务。

Comments 26 pages, 8 tables, 13 figures, project page: https://v-rae.github.io/

Evaluation of Clinically Steerable Retinal Image Generation from Foundation Model Latent Spaces

基于基础模型潜在空间的临床可操控视网膜图像生成评估

Zuzanna A. Wakefield-Skórniewska, Bartłomiej W. Papież

机构 * Nuffield Department of Population Health, University of Oxford（牛津大学纳菲尔德人口健康系） ； University of Oxford（牛津大学） 纠错

AI总结 该研究评估了四种视网膜基础模型的可控图像生成能力，发现其在自身框架内生成的视网膜图像优于传统潜在扩散，但与真实图像存在表征差距，需进一步对齐。

Comments MICCAI 2026 Workshop SASHIMI Submission

Rule of Thumb: Explaining Artificial Intelligence Systems using Partial Information

经验法则：使用部分信息解释人工智能系统

Kaivalya Rawal, Daria Onitiu, Brent Mittelstadt, Sandra Wachter, Chris Russell

机构 * University of Oxford（牛津大学） ； Hasso Plattner Institute（哈索·普拉特纳研究所） ； Weizenbaum Institute（魏茨曼研究所） 纠错

AI总结 该研究提出名为“经验法则”（RoT）的新型XAI方法，可识别特定数据点下与AI系统行为最相关的特征，适用于零样本分类等场景，符合AI法规且效率更高。

Comments Code available at: https://github.com/KaiRawal/Rule-of-Thumb-Explaining-Artificial-Intelligence-Systems-using-Partial-Information

Beckmann Transport Models: From Autonomous Flows to One-Step Maps

贝克曼运输模型：从自主流到一步映射

Lee Cheuk-Kit, Florentin Coeurdoux, Yuyuan Chen, Sophia Tang, Peter Potaptchik, Yilun Du, Michael Samuel Albergo, Eric Vanden-Eijnden

机构 * Harvard University（哈佛大学） ； Capital Fund Management (CFM)（凯鹏华盈资产管理公司） ； University of Oxford（牛津大学） ； New York University（纽约大学） 纠错

AI总结 该研究提出基于自主流的流匹配实例，构建统一框架实现分布间精确映射，修正现有方法不一致性，在ImageNet 256×256上验证了自主流与一步映射的有效性。

Embedding networks with the random walk first return time distribution

基于随机游走首次返回时间分布的嵌入网络

Vedanta Thapar, Renaud Lambiotte, George T. Cantwell

机构 * The Mathematical Institute, University of Oxford（牛津大学数学研究所） ； Department of Engineering, University of Cambridge（剑桥大学工程系） 纠错

AI总结 本文提出基于随机游走首次返回时间分布的节点嵌入方法，通过数学原理和实验验证，展示了其在复杂网络分析中的有效性。