University of Oxford（牛津大学）

Global Convergence of DGM and PINN Algorithms for Solving Nonlinear PDEs

用于求解非线性偏微分方程的DGM和PINN算法的全局收敛性

Justin Sirignano, Konstantinos Spiliopoulos, Samuel Cohen

机构 * Mathematical Institute, University of Oxford（牛津大学数学研究所） ； Department of Mathematics and Statistics, Boston University（波士顿大学数学与统计系） 纠错

AI总结 研究一类半线性偏微分方程，证明用梯度下降训练来最小化PDE残差目标函数的神经网络可收敛到PDE解，为DGM和PINN算法求解此类方程的数学基础提供了依据。

Dissecting Embodied Abilities in Multimodal Language Models through Skill-level Evaluation and Diagnosis

通过技能级评估与诊断解构多模态语言模型的具身能力

Yu Qi, Haibo Zhao, Ziyu Guo, Siyuan Ma, Ziyan Chen, Yaokun Han, Renrui Zhang, Zitiantao Lin, Yizhe Zhu, Shiji Xin, Yijian Huang, Boce Hu, Kai Cheng, Peiheng Wang, Jiazheng Liu, Jiayi Zhang, Yizhe Zhu, Wenqing Wang, Yiran Qin, Haojie Huang, Lawson L.S. Wong

机构 * Northeastern University, Boston, MA, USA ； The Chinese University of Hong Kong, Hong Kong, China ； Peking University, Beijing, China ； Westlake University, Hangzhou, China ； Harvard University, Cambridge, MA, USA ； Purdue University, West Lafayette, IN, USA ； University of Oxford, Oxford, United Kingdom 纠错

AI总结 本文提出BEAR基准，通过分解具身任务为14个原子技能进行细粒度评估，发现感知能力是推理失败的主要瓶颈，并提出BEAR-Agent多模态对话代理，显著提升具身技能性能。

Comments Accepted to ICML 2026

Zero-Shot Instruction Following in RL via Structured LTL Representations

通过结构化LTL表示在强化学习中实现零样本指令跟随

Mathias Jackermeier, Mattia Giuri, Jacques Cloete, Alessandro Abate

机构 * Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； Oxford Robotics Institute, University of Oxford（牛津大学机器人研究所） 纠错

AI总结 本文提出了一种基于结构化LTL表示的强化学习方法，通过分层神经网络和注意力机制提升智能体在未见过任务中的指令跟随能力。