高校专区
OmniScientist：一种全模态全学科的AI科学家
机构 * National University of Singapore（新加坡国立大学） ； University of Oxford（牛津大学）
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：重新思考用于生成的视频隐空间
机构 * National University of Singapore（新加坡国立大学） ； University of Oxford（牛津大学）
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/
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
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）
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
经验法则：使用部分信息解释人工智能系统
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）
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
贝克曼运输模型：从自主流到一步映射
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）
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。
基于随机游走首次返回时间分布的嵌入网络
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）
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。
Diagram-MMU：面向科学图表的多模态基准测试
机构 * Nanjing University of Science and Technology（南京理工大学） ； Baidu Inc（百度公司） ； AIML, Adelaide University（阿德莱德大学AIML） ； SUTD（新加坡科技设计大学） ； Southeast University（东南大学） ； East China Normal University（华东师范大学） ； University of Oxford（牛津大学）
AI总结 本文构建了多模态基准测试Diagram-MMU，评估MLLMs的科学图表解析与理解能力，发现图表转代码任务更具挑战，Claude-4.6 Opus在智能体场景下表现最优。
如何使用你的专家预算：蛋白质结构预测模型的实用指南
机构 * InstaDeep Ltd（InstaDeep公司） ； University of Oxford（牛津大学） ； Lancaster University（兰卡斯特大学）
AI总结 本研究针对蛋白质结构预测模型的专家预算约束，通过基准测试FK-steering、DPO、Best K-of-N采样及O3方法，明确不同预算下的最优方法并给出实用选择建议。
Comments Proceedings of the ICML 2026 Workshop on Structured Probabilistic Inference & Generative Modeling (SPIGM)
用于多维随机场条件分布重构的局部Sinkhorn框架
机构 * School of Mathematics, University of Birmingham（伯明翰大学数学学院） ； Department of Mathematics, University of Houston（休斯顿大学数学系） ； Nuffield Department of Medicine, University of Oxford（牛津大学纳菲尔德医学院）
AI总结 本文提出用于多维随机场条件分布重构的局部Sinkhorn框架，结合去偏Sinkhorn散度构建可微高效目标，经数值示例验证，该框架在SNN训练中实现了重构精度与计算效率的平衡，且具备良好可扩展性。
具身融合智能体：以人为中心的智能体人工智能新范式
机构 * Université de Montréal（蒙特利尔大学） ； Mila – Quebec Artificial Intelligence Institute（米拉-魁北克人工智能研究所） ； Institute of Advanced Intelligence and Computing (IAIC), A*STAR（新加坡科技研究局高级智能与计算研究所） ； Nanjing Medical University（南京医科大学） ； Nanjing University（南京大学） ； Renmin University of China（中国人民大学） ； University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） ； Tsinghua University（清华大学） ； National University of Singapore（新加坡国立大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Southern University of Science and Technology（南方科技大学） ； Southeast University（东南大学） ； University of Glasgow（格拉斯哥大学） ； Nanyang Technological University（南洋理工大学）
AI总结 该研究提出以人为中心的 Combodied Agents 新范式，整合多类智能体能力形成闭环，聚焦人类状态轨迹建模，推动智能体 AI 从任务完成转向人类持续福祉。
Comments 38 pages, 6 figures, 10 tables
贝叶斯优化能否在神经丛中高效找到强单专家？
机构 * University College London（伦敦大学学院） ； Institut Polytechnique de Paris（巴黎理工学院） ； University of Oxford（牛津大学）
AI总结 本文探究在适度评估预算下，贝叶斯优化能否在神经丛中高效找到强单专家，提出在权重空间随机线性嵌入中应用贝叶斯优化的无梯度方法，在Qwen2.5-Instruct模型基准测试中，该方法评估成本更低且性能优于随机优化。
测量模拟到现实的差距：为物联网系统中的强化学习设计一个经济实惠的真实世界基准平台
机构 * The University of Sydney（悉尼大学） ； University of Oxford（牛津大学） ； The University of Western Australia（西澳大利亚大学）
AI总结 针对AIoT系统中强化学习模拟到现实的差距问题，开发了成本低于400美元的真实世界平台，通过硬件模拟键盘让边缘设备智能体玩游戏训练，实验显示模拟训练智能体部署后性能大幅下降，直接现实训练有可行性，为强化学习评估提供了基础。
Checkup2Action：面向患者行动的多模态临床检查报告数据集
机构 * Durham University（杜伦大学） ； University of Oxford（牛津大学）
AI总结 本文提出Checkup2Action数据集，用于生成结构化的行动卡，通过多模态检查报告生成患者导向的行动建议，评估行动的准确性、优先级和安全性。
ADIOS：通过对手塑造进行抗体开发
机构 * FLAIR, Foerster Lab for AI Research（FLAIR人工智能研究实验室） ； Department of Engineering, University of Oxford, Oxford, UK（牛津大学工程系） ； Department of Biomedicine, University of Basel, Basel, Switzerland（巴塞尔大学生物医学系） ； Isomorphic Labs, London, UK（Isomorphic实验室） ； Epsilogen Ltd., London, UK（Epsilogen有限公司）
AI总结 ADIOS通过对手塑造方法设计抗体，使抗体不仅抵御未来变异，还能影响其进化方向，提升抗病毒治疗效果。
Comments Accepted at ICML 2025
Journal ref Proceedings of the 42nd International Conference on Machine Learning (ICML 2025), PMLR 267
LLMs编码其失败：从预生成激活中预测成功
机构 * Oxford Internet Institute, University of Oxford（牛津大学牛津互联网研究所） ； FLAIR, University of Oxford（牛津大学FLAIR） ； Department of Computer Science, University College London（伦敦大学学院计算机科学系）
AI总结 研究通过预生成激活预测LLM在数学和编程任务中的成功率，发现模型内部表示能有效指导更高效的推理，且在MATH任务中通过模型池路由可提升性能并降低70%的推理成本。
Comments Accepted at COLM 2026
在大型语言模型中自我改进的极限：没有符号模型合成，奇点并不临近
机构 * Algorithmic Dynamics Lab（算法动力实验室） ； Department of Biomedical Computing（生物医学计算系） ； School of Biomedical Engineering and Imaging Sciences（生物医学工程与成像科学学院） ； King’s Institute for AI（国王人工智能研究所） ； King’s College London（伦敦国王学院） ； Oxford Immune Algorithmics（牛津免疫算法公司） ； Oxford University Innovation（牛津大学创新中心） ； London Institute for Healthcare Engineering（伦敦医疗工程研究所）
AI总结 研究指出大型语言模型在缺乏外部信号时自我改进会退化，提出神经符号整合方法以突破这一限制。
Comments 31 pages. Update: DPI and Levin's non-growth is not violated explanation when it comes to finite learners
基于物理信息学习的非线性系统KKL观测器综合
机构 * Division of Decision and Control Systems, Digital Futures, KTH Royal Institute of Technology, SE-100 44 Stockholm, Sweden（决策与控制系统系，数字未来，皇家理工学院） ； Department of Engineering Science, University of Oxford, Parks Road, Oxford, OX1 3PJ, UK（工程科学系，牛津大学）
AI总结 本文提出基于物理信息学习的非线性系统KKL观测器设计方法，通过神经网络学习正向与逆向映射，实现鲁棒的状态估计与泛化能力。
Comments 32 pages, 7 figures
基于VGGT先验的几何基础密集语义匹配研究
机构 * S-Lab, Nanyang Technological University（南洋理工大学S实验室） ； Visual Geometry Group, University of Oxford（牛津大学视觉几何组）
AI总结 本文针对现有语义匹配方法的几何歧义与最近邻规则局限，采用VGGT先验，通过特征调整、循环训练等策略实现适配，在多方面性能优于基线。
Comments ECCV 2026
用于特征发现与控制的多模态模型差异分析
机构 * University of Oxford（牛津大学） ； Microsoft（微软公司）
AI总结 本研究提出MMDiff多模态模型差异分析框架，训练多模态SAEs以识别多模态训练改变的特征，实现特征隔离、检测与控制，在空间、OCR任务及多模态安全攻击评估中展现出良好效果。
Comments Preprint. Accepted at ICML 2026 Trustworthy AI for Good Workshop
基于多标签学习的非小细胞肺癌PET/CT放射基因组突变预测
机构 * Nuffield Department of Population Health, University of Oxford（牛津大学纳菲尔德人口健康系） ； Oxford University Hospitals NHS FT（牛津大学医院国民保健信托基金会） ； Department of Oncology, University of Oxford（牛津大学肿瘤学系） ； Department of Medical Physics and Clinical Engineering, Oxford University Hospitals NHS FT（牛津大学医院国民保健信托基金会医学物理与临床工程系）
AI总结 本研究针对NSCLC的PET/CT放射基因组突变预测问题，利用深度学习探究多标签学习的效果，发现其有效性取决于基因突变组合，为相关预测提供了突变特异性建模的思路。
LatticeMind：面向多智能体系统的冲突感知记忆原语
机构 * University of Science and Technology of China（中国科学技术大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Shanghai AI Laboratory（上海人工智能实验室） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； University of Oxford（牛津大学）
AI总结 本研究提出冲突感知记忆原语LatticeMind，解决多智能体LLM系统的主张信任决策问题，在ConflictBank评估中准确率达0.97，显著优于基线， ablation验证了其核心组件的重要性。
表征初始人机交互的证明形式化工作流
机构 * Massachusetts Institute of Technology（麻省理工学院） ； University of Cambridge（剑桥大学） ； Princeton University（普林斯顿大学） ； University of Oxford（牛津大学） ； Caltech（加州理工学院） ； Carnegie Mellon University（卡内基梅隆大学） ； Universitat Politècnica de València（瓦伦西亚理工大学） ； New York University（纽约大学）
AI总结 通过混合方法分析，研究人们在形式化证明过程中对AI工具的需求、障碍及实际使用模式，发现AI辅助能提高形式化准确率且用户偏好多样但普遍希望保持人类对证明发现过程的高层控制。
Comments Updated working paper
预测编码网络的无限宽度和深度极限
机构 * Brain Network Dynamics Unit, University of Oxford, UK（牛津大学脑网络动力学单位） ； UM6P College of Computing, Rabat, Morocco（拉巴特大学计算学院）
AI总结 本文研究预测编码网络在无限宽度和深度极限下的参数化与梯度行为，证明其与反向传播等价的条件。
Comments 39 pages, 28 figures
语言变异维持社交媒体上阴谋论的持续性
机构 * Oxford Internet Institute, University of Oxford（牛津大学互联网研究所） ； Department of Mathematics, University of Zurich（苏黎世大学数学系）
AI总结 本研究探讨了语言变异如何影响社交媒体上阴谋论的持续传播，通过分析X平台三年的阴谋相关帖子数据，发现语义变异更大的阴谋论具有更长的生命周期，且心理语言学属性的变异与延长生命周期有关。
HyperDet: 基于超4D雷达点云的3D目标检测
机构 * University of Edinburgh（爱丁堡大学） ； HKUST (GZ)（香港科技大学（广州）） ； University of Oxford（牛津大学） ； MIT（麻省理工学院）
AI总结 提出一种与检测器无关的框架HyperDet，通过构建任务感知的超4D雷达点云，利用时空累积、跨传感器验证和多普勒引导的运动补偿以及前景生成增强，显著提升仅用雷达的3D目标检测性能。
Comments 11 pages, 3 figures, 3 tables
超越孤立：解锁强化学习组件协同以实现样本高效的连续控制
机构 * Tsinghua University（清华大学） ； Nanyang Technological University（南洋理工大学） ； Mila - Quebec Artificial Intelligence Institute（米拉-魁北克人工智能研究所） ； University of Oxford（牛津大学）
AI总结 该研究针对强化学习组件孤立问题，提出协调模型表示等三个维度的ROSER框架，在连续控制基准上性能优于基线及单纯堆叠方法，为样本高效智能体开发提供了整体设计思路。
Comments 27 pages including appendix, 10 figures, 12 tables
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。
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。
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
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
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