What are the Right Symmetries for Formal Theorem Proving?
正式定理推理中应有的对称性是什么？
机构 * University of Oxford（牛津大学） ； KAIST（韩国科学技术院） ； TU Wien（维也纳技术大学） ； AITHYRA
AI总结 本文探讨了正式定理推理中应尊重的对称性，提出了基于范畴论的重写范畴框架，用于形式化证明等价性和成功不变性，并通过测试时方法改进了LLM基定理证明器的鲁棒性和性能。
高校专区
University of Oxford（牛津大学）
No Epoch Like the Present: Robust Climate Emulation Requires Out-of-Distribution Generalisation
没有比现在更严峻的挑战：鲁棒的气候模拟需要分布外泛化
机构 * Applied AI Lab University of Oxford, UK（应用人工智能实验室，牛津大学，英国） ； Atmospheric, Oceanic and Planetary Physics University of Oxford, UK（大气、海洋和行星物理，牛津大学，英国）
AI总结 本文研究了气候模拟中分布外泛化的重要性，提出了一种新的评估框架，通过季节变化来测试模拟器的鲁棒性，并展示了物理驱动的分解方法如何在不显著牺牲分布内性能的情况下提升分布外性能。
Comments 36 pages, 12 figures
Normative Networks for Source Separation via Local Plasticity and Dendritic Computation
通过局部可塑性和树突计算进行源分离的规范网络
机构 * Gatsby Computational Neuroscience Unit, University College London, UK（Gatsby计算神经科学单元，伦敦大学学院，英国） ； Department of Computer Science, University of Oxford, UK（计算机科学系，牛津大学，英国） ； Brain Network Dynamics Unit, University of Oxford, UK（脑网络动力学单元，牛津大学，英国） ； MRC Centre of Research Excellence in Restorative Neural Dynamics, UK（英国医学研究委员会修复神经动力学研究卓越中心）
AI总结 本文提出了一种基于局部可塑性和树突计算的预测熵最大化方法，用于源分离，该方法在结构化源域上最大化正则化的二阶熵，实现了在增加的源相关性和观测噪声下的鲁棒性，并在生物合理算法和精确基线中表现优异。
Dynamic Mixture of Latent Memories for Self-Evolving Agents
动态潜在记忆混合用于自演化智能体
机构 * The Chinese University of Hong Kong（香港中文大学） ； University of Oxford（牛津大学） ； Nanyang Technological University（南洋理工大学） ； University of Edinburgh（爱丁堡大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 本文提出MoLEM框架，通过动态混合专家机制实现智能体的持续学习，避免灾难性遗忘，提升任务学习和能力保持。
Comments 19 pages, 5 figures, 5 tables
Learning to Evolve: Multi-modal Interactive Fields for Robust Humanoid Navigation in Dynamic Environments
学习进化：多模态交互场用于动态环境中的稳健双足机器人导航
机构 * State Key Laboratory of General Artificial Intelligence, Peking University, Shenzhen Graduate School（一般人工智能国家重点实验室，北京大学深圳研究生院） ； Oxford Robotics Institute, University of Oxford（牛津大学机器人研究所） ； Institute for Machine Learning, Department of Computer Science, ETH Zurich（苏黎世联邦理工学院计算机科学系机器学习研究所）
AI总结 本文提出多模态交互场（MIF）系统，通过结合置信度感知的语义3D高斯溅射、差异触发的空间记忆更新和任务驱动的几何重建，在闭环感知-适应管道中实现稳健的双足机器人导航，显著提高了非静态环境中的重定位成功率并减少了语义内存足迹。
Comments Accepted by Robotics: Science and Systems 2026
stable-worldmodel: A Platform for Reproducible World Modeling Research and Evaluation
stable-worldmodel: 一个用于可重复世界建模研究和评估的平台
机构 * Mila & Université de Montréal（Mila与蒙特利尔大学） ； New York University（纽约大学） ； Universidade Federal de Minas Gerais（巴西联邦大学矿务学院） ； Independent Researcher（独立研究者） ； LanceDB ； University of Oxford（牛津大学） ； Brown University（布朗大学）
AI总结 本文提出stable-worldmodel平台，旨在解决世界建模研究中代码库、数据管道和评估协议碎片化的问题，通过提供高性能的数据层、现代世界模型基线和规划求解器的实现，以及扩展的环境和任务，实现标准化和可重复的世界建模研究和评估。
What Counts as AI Sycophancy? A Taxonomy and Expert Survey of a Fragmented Construct
什么是AI阿谀奉承？对一个碎片化概念的分类和专家调查
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Oxford（牛津大学） ； University of Toronto（多伦多大学） ； Stanford University（斯坦福大学） ； University of Cincinnati（克里夫兰医学中心大学） ； New York University（纽约大学）
AI总结 本文通过文献综述和专家调查，揭示了AI阿谀奉承行为的分类和测量挑战，提出了一种统一的分类体系以促进对这一问题的理解和应对。
Richer Bayesian Last Layers with Subsampled NTK Features
更丰富的贝叶斯最后层与子采样NTK特征
机构 * Mathematical Institute, University of Oxford（牛津大学数学研究所） ； Oxford-Man Institute, University of Oxford（牛津大学奥克斯曼研究所） ； OATML, University of Oxford（牛津大学OATML研究所） ； Department of Engineering, University of Cambridge（剑桥大学工程系）
AI总结 本文提出了一种改进贝叶斯最后层的方法，通过将神经切线核特征投影到由最后层特征张成的空间中，以更准确地估计不确定性，同时保持计算效率。
Comments Appearing in the Proceedings of the 43rd International Conference on Machine Learning, Seoul, South Korea. PMLR 306, 2026
From monoliths to modules: Decomposing transducers for efficient world modelling
从整体到模块：分解转换器以实现高效的world建模
机构 * Department of Informatics, University of Sussex（Sussex大学信息学院） ； Beyond Institute for Theoretical Science (BITS)（理论科学研究所） ； ETH Zürich（苏黎世联邦理工学院） ； Principles of Intelligent Behaviour in Biological and Social Systems (PIBBSS)（生物和社会系统智能行为原理研究所） ； Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； Araya Inc.（Araya公司） ； Sussex AI and Sussex Centre for Consciousness Science, University of Sussex（Sussex大学人工智能与意识科学中心） ； Centre for Complexity Science and Center for Psychedelic Research, Department of Brain Sciences, Imperial College London（复杂科学中心和迷幻研究中心，伦敦帝国理工学院脑科学系） ； Center for Eudaimonia and Human Flourishing, University of Oxford（幸福与人类繁荣中心，牛津大学）
AI总结 本文提出了一种分解复杂world建模的方法，通过转换器框架将世界模型分解为多个模块，从而提高计算效率并支持分布式推理，为AI安全和现实应用提供基础。
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
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
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
A KL-regularization Framework for Learning to Plan with Adaptive Priors
一种基于KL正则化的学习规划框架：具有自适应先验的规划
机构 * LIACS, Leiden University, Leiden, The Netherlands（莱顿大学莱顿分校，荷兰） ； Google Deepmind, London, United Kingdom（谷歌DeepMind，英国伦敦） ； University of Oxford, Oxford, United Kingdom（牛津大学，英国牛津）
AI总结 本文提出了一种基于KL正则化的学习规划框架，通过将规划器的动作分布作为先验整合到策略优化中，提升了在高维连续控制任务中模型驱动强化学习的样本效率和长期性能。
Comments Published at ICML2026
Convergence Analysis of Newton's Method for Neural Networks in the Overparameterized Limit
神经网络过参数化极限下牛顿方法的收敛性分析
机构 * Mathematical Institute（数学研究所） ； University of Oxford（牛津大学） ； Department of Mathematics & Statistics（数学与统计学系） ； Boston University（波士顿大学）
AI总结 本文研究了在过参数化极限下，正则化牛顿方法训练神经网络的收敛性问题，通过分析牛顿神经切线核（NNTK）的特性，证明了在无限宽极限下，神经网络以指数速度收敛到目标数据，并解决了频谱偏置问题。
Proportional Selection in Networks
网络中的比例选择
机构 * University of Warsaw（华沙大学） ； University of Oxford（牛津大学）
AI总结 本文研究了如何从网络中选择k个代表性节点，旨在识别最有影响力节点并确保选择比例反映网络的多样性，提出了两种方法并进行了理论分析和实验验证。
Comments This version has been accepted for publication at IJCAI'26
Convergence of Consensus-Based Particle Methods for Nonconvex Bi-Level Optimization
非凸双层优化中基于共识的粒子方法的收敛性
机构 * Department of Computer Science（计算机科学系） ； Technical University of Munich（慕尼黑技术大学） ； Munich Institute of Robotics and Machine Intelligence（慕尼黑机器人与智能机械研究所） ； Mathematical Institute（数学研究所） ； University of Oxford（牛津大学）
AI总结 本文研究了一种用于非凸双层优化的基于共识的优化方法，旨在最小化上层函数，其中下层问题的全局极小值集是优化域。该方法无导数，通过平滑分位数选择与Gibbs型拉普拉斯近似相结合来构建共识点。研究建立了与关联的均场动力学及其有限粒子近似的收敛性保证。特别地，在适当的平滑分位数局部化、误差界和稳定性假设下，证明了均场定律能够在给定的Wasserstein邻域内以显式指数速率达到目标双层解。数值实验进一步支持了理论结果。
SceneCode: Executable World Programs for Editable Indoor Scenes with Articulated Objects
SceneCode: 可执行的世界程序用于可编辑的室内场景及具有关节物体
机构 * The Chinese University of Hong Kong（香港中文大学） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Microsoft（微软） ； University of Oxford（牛津大学）
AI总结 本文提出SceneCode，一种通过可执行程序生成可编辑的室内场景，解决了现有方法中物体结构控制不足的问题，提升了场景生成的精确性和可交互性。
DeRegiME: Deep Regime Mixtures for Probabilistic Forecasting under Distribution Shift
DeRegiME：用于分布偏移下概率预测的深度制度混合
机构 * Machine Learning Research Group, University of Oxford（牛津大学机器学习研究组） ； Oxford-Man Institute, University of Oxford（牛津大学奥克斯曼研究所）
AI总结 DeRegiME通过引入稀疏变分高斯过程，实现了概率预测中的制度混合，解决了神经预测器在处理分布偏移时的不足，提升了预测密度的准确性。
Seeing Together: Multi-Robot Cooperative Egocentric Spatial Reasoning with Multimodal Large Language Models
协同视见：基于多模态大语言模型的多机器人协作自体空间推理
机构 * Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； Hunan University（湖南大学） ； University of Oxford（牛津大学） ； Zhejiang University（浙江大学） ； ETH Zurich（苏黎世联邦理工学院） ； Ant Group（蚂蚁集团）
AI总结 本文研究了多机器人协作动态空间推理问题，提出了首个针对该任务的基准CoopSR以及多机器人自体问答数据集EgoTeam，通过引入SP-CoR框架实现了细粒度的协作空间推理，显著提升了多机器人协作推理性能。
CHI-Bench: Can AI Agents Automate End-to-End, Long-Horizon, Policy-Rich Healthcare Workflows?
CHI-Bench: 能否让AI代理自动化端到端、长周期、政策丰富的医疗工作流程？
机构 * Johns Hopkins Medicine（约翰霍普金斯医学中心） ； Wellstar Health System（Wellstar健康系统） ； Stanford University（斯坦福大学） ； CMU（卡内基梅隆大学） ； UCSD（加州大学圣地亚哥分校） ； Yale School of Medicine（耶鲁医学院） ； Salesforce AI Research（Salesforce人工智能研究） ； University of Washington（华盛顿大学） ； Northeastern University（东北大学） ； Brown University（布朗大学） ； Boston College（波士顿学院） ； Stony Brook University（史泰森布里克大学） ； University of Oxford（牛津大学） ； Arizona State University（亚利桑那州立大学） ； University of Southern California（南加州大学） ； Emory University（埃默里大学） ； MBZUAI ； Recursive Superintelligence（递归超级智能） ； University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
AI总结 本文提出CHI-Bench基准，旨在评估AI代理在医疗工作流程中端到端、长周期和政策丰富任务中的自动化能力，揭示当前基准测试中政策密度、多角色协作和多方交互等能力的不足。
Comments Website: https://actava.ai/benchmarks Code: https://github.com/actava-ai/chi-bench Dataset: https://huggingface.co/datasets/actava/chi-bench
Discrete Tilt Matching
离散倾斜匹配
机构 * Harvard University（哈佛大学） ； University of Oxford（牛津大学） ； Kempner Institute（凯姆纳研究所）
AI总结 本文提出了一种无需概率模型的离散倾斜匹配方法，用于改进扩散大语言模型的微调，通过局部解掩码后验的状态级匹配来提高训练稳定性并防止模式崩溃。
Neural Actor-Critic Methods for Hamilton-Jacobi-Bellman PDEs: Asymptotic Analysis and Numerical Studies
神经Actor-Critic方法用于哈密尔顿-雅可比-贝尔曼PDEs：渐近分析与数值研究
机构 * Mathematical Institute, University of Oxford（牛津大学数学研究所）
AI总结 本文研究了用于求解高维哈密尔顿-雅可比-贝尔曼偏微分方程的神经Actor-Critic方法，通过渐近分析和数值研究，证明了该方法在解决随机控制问题中的有效性。
Comments 46 pages
ReCrit: Transition-Aware Reinforcement Learning for Scientific Critic Reasoning
ReCrit: 基于过渡意识的强化学习用于科学批评推理
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； National University of Singapore（新加坡国立大学） ； Chinese University of Hong Kong（香港中文大学） ； University of Oxford（牛津大学） ； Tsinghua University（清华大学）
AI总结 该研究提出ReCrit框架，通过强化学习解决科学批评推理中的过渡意识问题，改进了批评准确性。
PIXLRelight: Controllable Relighting via Intrinsic Conditioning
PIXLRelight: 通过内在条件实现可控的图像重照明
机构 * Department of Computer Science（计算机科学系） ； University of Oxford（牛津大学）
AI总结 PIXLRelight通过内在条件将物理基础渲染与学习图像合成相结合，实现对单图像重照明的可控性，其核心方法是利用真实照片或PBR渲染得到的内在条件进行训练和推理，从而在保证图像细节的同时实现高质量的重照明效果。
Comments Project page: https://mlfarinha.github.io/pixl-relight/. Under review
Temporal Task Diversity: Inductive Biases Under Non-Stationarity in Synthetic Sequence Modelling
时间任务多样性：非平稳性下的归纳偏置
机构 * University of Oxford（牛津大学）
AI总结 研究探讨了在合成序列建模中，任务分布随时间变化对深度学习模型归纳偏置的影响，发现任务分布的多样性增强了模型对泛化而非记忆的偏好。
Comments Presented at Technical AI Safety Conference (TAIS), Oxford, May 2026. Code available at https://github.com/matomatical/temporal-task-diversity
Canonical Regularisation of Wide Feature-Learning Neural Networks
宽特征学习神经网络的规范正则化
机构 * Department of Engineering Science University of Oxford（工程科学系牛津大学）
AI总结 本文研究了宽特征学习神经网络中梯度流训练所隐含的正则化性质，揭示了在核域中广泛研究的范数正则化在特征学习域中会导致诱导偏差扭曲，并提出了弧范数作为可扩展的替代方案，扩展了范数正则化到特征学习域。
Property-Guided LLM Program Synthesis for Planning
基于属性的LLM程序合成用于规划
机构 * Federal University of Rio Grande do Sul（里约格朗德杜斯尔大学） ； University of Oxford（牛津大学） ； Linköping University（林奈大学）
AI总结 本文研究了一种基于属性的LLM程序合成方法，通过检查候选程序是否满足形式定义的属性来指导LLM生成更高质量的程序，从而减少生成和评估成本。
Theory of Minimal Weight Perturbations in Deep Networks and its Applications for Low-Rank Activated Backdoor Attacks
深度网络中最小权重扰动的理论及其在低秩激活后门攻击中的应用
机构 * Department of Mathematics, University of Oxford, Oxford, UK（牛津大学数学系）
AI总结 本文推导了深度网络实现指定输出变化所需的最小范数权重扰动，并讨论了其大小决定因素，同时将其应用于精度修改激活的后门攻击，确定了攻击成功的压缩阈值，并展示了低秩压缩可以在保持全精度准确性的同时可靠激活潜在后门。
The threat of analytic flexibility in using large language models to simulate human data
使用大语言模型模拟人类数据时分析灵活性的威胁
机构 * University of Bern, Switzerland（伯尔尼大学，瑞士） ； University of Oxford, United Kingdom（牛津大学，英国）
AI总结 本文研究了在使用大语言模型生成合成数据时，分析选择对合成数据与人类数据一致性的影响，发现不同的配置选择可能导致结论差异显著，呼吁关注分析灵活性的潜在威胁并提出减少该威胁的策略。
Comments 14 pages, 4 figures
The MixCount Dataset: Bridging the Data Gap for Open-Vocabulary Object Counting
MixCount数据集：弥合开放词汇物体计数的数据缺口
机构 * EPFL（苏黎世联邦理工学院） ； University of Oxford（牛津大学） ； Northwestern University（西北大学）
AI总结 本文提出MixCount数据集，通过自动生成管道解决开放词汇物体计数中混合物体场景下的数据不足问题，展示了在真实世界基准上的显著提升。
Comments Co-first authors. Dataset and project page https://corentindumery.github.io/projects/mixcount.html
EGI: A Multimodal Emotional AI Framework for Enhancing Scrum Master Real-time Self-Awareness
EGI：一种多模态情感AI框架，用于增强Scrum Master的实时自我意识
机构 * Department of Computer Science（计算机科学系） ； University of Oxford（牛津大学）
AI总结 本文提出一种多模态情感AI框架EGI，通过整合四个精选的AI模型，实时监测Scrum Master和会议组织者无意识表达的情绪，提升团队动态中的情绪感知能力。
ECG-WM: A Physiology-Informed ECG World Model for Clinical Intervention Simulation
ECG-WM: 一种基于生理的ECG世界模型用于临床干预模拟
机构 * University of Oxford（牛津大学） ； Tsinghua University（清华大学） ； Southern University of Science and Technology（南方科技大学）
AI总结 本文提出了一种基于ECG的世界模型，用于条件化预测心脏电生理学，通过整合生理学普通微分方程先验知识，提升干预后ECG轨迹的生理合理性，并引入不确定性评估策略以更可靠地评估候选干预方案。
