VGGT-$Ω$
VGGT-Ω通过改进架构和训练方法，在静态和动态场景重建中提升精度与效率，同时减少内存消耗并利用更多数据
机构 * Visual Geometry Group, University of Oxford（视觉几何组，牛津大学） ； Meta AI
AI总结 VGGT-Ω通过改进架构和训练方法，在静态和动态场景重建中提升精度与效率，同时减少内存消耗并利用更多数据。
Comments CVPR 2026 (Oral)
高校专区
University of Oxford（牛津大学）
Articraft: An Agentic System for Scalable Articulated 3D Asset Generation
Articraft: 一种可扩展的拟人化3D资产生成代理系统
机构 * University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出Articraft代理系统，利用大语言模型生成大规模拟人化3D资产，构建了包含10000+资产的Articraft-10K数据集，应用于机器人仿真和虚拟现实等下游任务。
Comments Project page: https://articraft3d.github.io/
A Prototyping Framework for Distributed Control of Multi-Robot Systems
多机器人系统分布式控制的原型框架
机构 * Department of Engineering Science, University of Oxford, UK（牛津大学工程科学系）
AI总结 本文提出一个原型框架，用于多机器人系统分布式控制，通过SPMD范式在单台计算机上模拟分布式控制，验证分布式优化算法的理论与实践。
Comments Accepted at IFAC World Congress 2026
Agreement, Diversity, and Polarization Indices for Approval Elections
共识、多样性与极化指数用于同意选举
机构 * AGH University of Kraków（克拉科夫AGH大学） ； Czech Technical University in Prague（布拉格捷克技术大学） ； University of Geneva（日内瓦大学） ； University of Oxford（牛津大学）
AI总结 本文提出三种指数，用于衡量同意选举中投票者的一致性、多样性及极化程度，并通过分析这些指数来绘制选举地图并比较现实中的选举数据。
AuralSAM2: Enabling SAM2 Hear Through Pyramid Audio-Visual Feature Prompting
AuralSAM2：通过金字塔音频视觉特征提示实现SAM2的听觉能力
机构 * Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Australian Institute for Machine Learning, Adelaide University（阿德莱德大学人工智能研究所） ； Stanford University（斯坦福大学） ； University of Central Florida（佛罗里达中央大学） ； University of Surrey（萨里大学）
AI总结 AuralSAM2通过金字塔音频视觉特征提示整合音频，保持SAM2的可提示分割能力，引入AuralFuser融合音频和视觉特征，并通过音频引导对比损失对齐模态，提升分割精度。
Comments Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Findings, 2026
SceneParser: Hierarchical Scene Parsing for Visual Semantics Understanding
SceneParser: 用于视觉语义理解的分层场景解析
机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Zhongguancun Academy（中关村学院） ； Huazhong University of Science and Technology（华中科技大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； South China University of Technology（华南理工大学） ； University of Oxford（牛津大学） ； Peking University（北京大学）
AI总结 本文提出SceneParser，通过分层解析任务构建场景-对象-部件-功能的层次结构，利用结构完成伪标签和课程学习提升结构感知能力，实验表明其在复杂场景理解中表现更优。
Comments Preprint. Code, models, and dataset are provided in the manuscript
From Sycophantic Consensus to Pluralistic Repair: Why AI Alignment Must Surface Disagreement
从阿谀共识到多元修复：为何AI对齐必须显现分歧
机构 * Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； Institute for Ethics in AI, University of Oxford（牛津大学人工智能伦理研究所） ； Responsible Technology Institute, University of Oxford（牛津大学负责任技术研究所）
AI总结 本文提出多元对齐需通过对话机制表面价值冲突，提出多元修复评分指标，探讨部署阶段的治理层对多元主义的影响。
Known By Their Actions: Fingerprinting LLM Browser Agents via UI Traces
以行为识别LLM浏览器代理：通过UI轨迹指纹化
机构 * Oxford Internet Institute, University of Oxford（牛津互联网研究所，牛津大学） ； Department of Engineering Science, University of Oxford（工程科学系，牛津大学）
AI总结 研究通过被动JavaScript跟踪器分析LLM代理的行为和交互时间，发现可识别底层模型，F1达96%，并展示分类器在不同模型上的泛化能力及早期身份推断。
CreFlow: Corrective Reflow for Sparse-Reward Embodied Video Diffusion RL
CreFlow：稀疏奖励具身视频扩散强化学习的纠正回流
机构 * Northwestern University（西北大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of Oxford（牛津大学）
AI总结 本文提出CreFlow框架，通过信用感知NFT损失和纠正回流损失提升高维视频生成性能，有效解决稀疏奖励下的具身任务执行问题。
A New Framework for Convex Clustering in Kernel Spaces: Finite Sample Bounds, Consistency and Performance Insights
核空间中凸聚类的新框架：有限样本界、一致性和性能洞察
机构 * Indian Statistical Institute, Kolkata（印度统计研究院，加尔各答） ； Electronics and Communication Sciences Unit, Indian Statistical Institute（印度统计研究院电子与通信科学单位） ； Department of Statistics, University of Oxford（牛津大学统计系） ； Department of Statistics, University of Michigan（密歇根大学统计系）
AI总结 本文提出核化凸聚类方法，通过映射数据到RKHS空间，解决线性不可分和非凸数据的聚类问题，理论分析和实验验证显示其优于现有方法。
SVAG-Bench: A Large-Scale Benchmark for Multi-Instance Spatio-temporal Video Action Grounding
SVAG-Bench：多实例时空视频动作定位的大规模基准
机构 * LMU Munich（慕尼黑大学） ； MCML ； Technical University of Munich（慕尼黑技术大学） ； University of Zurich（苏黎世大学） ； University of Oxford（牛津大学） ； Amazon（亚马逊） ； NVIDIA（英伟达）
AI总结 SVAG-Bench通过多实例整合任务，评估模型在复杂场景中对动作的时空定位能力，包含688个视频和19590个注释，支持细粒度评估多主体歧义消除和动作组合性。
WARDEN: Endangered Indigenous Language Transcription and Translation with 6 Hours of Training Data
WARDEN：利用6小时训练数据进行濒危原住民语言的转录与翻译
机构 * Australian National University（澳大利亚国立大学） ； University of Oxford（牛津大学）
AI总结 WARDEN通过分阶段模型处理濒危语言转录与翻译，利用印尼语初始化加速训练，结合专家词典提升翻译性能，以6小时数据优于统一模型。
Negation Neglect: When models fail to learn negations in training
否定忽视：当模型在训练中无法学习否定时的失败
机构 * University of Oxford（牛津大学） ； University of Toronto（多伦多大学） ； Warsaw University of Technology（华沙技术大学） ； NASK National Research Institute（国家研究 institute NASK） ； Truthful AI ； Anthropic ； UC Berkeley（伯克利大学）
AI总结 研究发现，当模型在训练中接触到标记为假的声明时，会错误地认为这些声明为真，且这种现象不仅发生在否定语句中，还扩展到其他认知限定词，影响模型的行为和安全性。
Min-Max Optimization Requires Exponentially Many Queries
极小-极大优化需要指数级的查询次数
机构 * Bocconi University（博科尼大学） ； Politecnico di Milano（米兰理工学院） ； University of Oxford（牛津大学）
AI总结 研究极小-极大优化的查询复杂性，证明任何算法找到近似 stationary 点所需查询次数随 1/ε 和 d 指数增长。
Learning POMDP World Models from Observations with Language-Model Priors
从观测中学习POMDP世界模型：利用语言模型先验
机构 * Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； IRIIS ； University of California, Santa Barbara（加州大学圣芭芭拉分校） ； University of Tübingen（图宾根大学） ； University of Oxford（牛津大学） ； ELLIS Institute Tübingen（图宾根ELLIS研究所）
AI总结 本文提出Pinductor，利用语言模型先验从少量观测-动作轨迹学习POMDP模型，实现高效世界模型学习。
Sampling from Flow Language Models via Marginal-Conditioned Bridges
通过边缘-条件化桥梁采样流语言模型
机构 * Department of Statistics, University of Oxford（牛津大学统计系）
AI总结 本文提出通过边缘-条件化桥梁采样流语言模型，该方法在每一步从因子化后验中采样干净的一热序列，并利用奥本-乌伦贝克桥进行下一步状态采样，从而在不训练的情况下提升质量-多样性平衡。
RealICU: Do LLM Agents Understand Long-Context ICU Data? A Benchmark Beyond Behavior Imitation
RealICU: 大语言模型能否理解长期上下文ICU数据？一个超越行为模仿的基准测试
机构 * Technical University of Munich（慕尼黑技术大学） ； TUM University Hospital（TUM大学医院） ； LMU Munich（慕尼黑大学） ； University of Sheffield（谢菲尔德大学） ； University of Oxford（牛津大学） ； Zhongshan Hospital Fudan University（复旦大学中山医院） ； Sun Yat-sen University Cancer Center（中山大学肿瘤中心） ； Imperial College London（伦敦帝国学院） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； relAI – Konrad Zuse School of Excellence in Reliable AI（relAI – 卡诺夫茨卓越可靠人工智能学校）
AI总结 RealICU通过真实ICU场景评估大语言模型的长期上下文理解能力，提出四个医生驱动任务，揭示现有模型在临床推荐中的召回与安全性的权衡问题。
MedOpenClaw and MedFlowBench: Auditing Medical Agents in Full-Study Workflows
MedOpenClaw 和 MedFlowBench：在完整研究流程中审计医疗代理
机构 * Technical University of Munich（慕尼黑技术大学） ； TUM University Hospital（TUM大学医院） ； LMU Munich（慕尼黑大学） ； Imperial College London（伦敦帝国理工学院） ； University of Oxford（牛津大学） ； Carnegie Mellon University（卡内基梅隆大学） ； NVIDIA（NVIDIA公司） ； National University of Singapore（新加坡国立大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心）
AI总结 本文提出 MedFlowBench 和 MedOpenClaw，用于评估医疗影像代理在完整研究流程中生成可审计证据的能力，发现仅依赖答案评分不够，需结合正确证据验证。
Comments 33 pages
Mind the Gap: How Elicitation Protocols Shape the Stated-Revealed Preference Gap in Language Models
注意差距： elicitation协议如何影响语言模型中的 stated-revealed偏好差距
机构 * University of Oxford（牛津大学） ； Max Planck Institute for Biological Cybernetics（生物信息学Max Planck研究所） ； University of Tuebingen（图宾根大学） ； Cardiff University（卡迪夫大学） ； Cambridge–Boston Alignment Initiative (CBAI)（剑桥-波士顿对齐倡议）
AI总结 研究探讨了elicitation协议对语言模型中stated-revealed偏好差距的影响，发现中性选项和 abstention 的引入能提高相关性，但进一步允许 abstention 又导致相关性下降。
Comments Accepted to ACL 2026 Eval Eval Workshop and 3rd Technical AI Safety Conference (TAIS 2026)
Exact Verification of Graph Neural Networks with Incremental Constraint Solving
图神经网络的精确验证与增量约束求解
机构 * University of Oxford（牛津大学）
AI总结 本文提出一种精确验证方法，用于图神经网络在属性和结构扰动下的鲁棒性保证，支持三种聚合函数，实验表明其在节点分类和图分类任务中性能优越。
Comments Extended version of the paper accepted at FM 2026
LENS: Multi-level Evaluation of Multimodal Reasoning with Large Language Models
LENS：基于大语言模型的多级多模态推理评估
机构 * Wuhan University of Technology（武汉理工大学） ； Tsinghua University（清华大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Shanghai AI Lab（上海人工智能实验室） ； University of Oxford（牛津大学） ； INSAIT, Sofia Un. St Kliment Ohridski（索菲亚大学克里门特·欧里迪斯基学院）
AI总结 LENS提出一个包含3.4K图像和60K+问题的多级评估基准，涵盖8个任务和12种日常场景，用于评估大语言模型在多模态推理中的表现。
Comments Published as a conference paper at ICLR 2026
Neural Associative Skill Memories for safer robotics and modelling human sensorimotor repertoires
神经关联技能记忆用于更安全的机器人及建模人类传感器运动 repertoire
机构 * University of Oxford（牛津大学） ； Yale University（耶鲁大学）
AI总结 本文提出神经关联技能记忆框架，通过自监督预测编码统一技能学习与表达，实现故障检测与上下文感知执行，提升机器人安全性和生物传感器运动学习研究。
Journal ref Neural Computation (2026) 38 (1): 1-27
PRISM-X: Experiments on Personalised Fine-Tuning with Human and Simulated Users
PRISM-X：基于人类和模拟用户的人个性化微调实验
机构 * University of Oxford（牛津大学） ； UK AI Security Institute（英国人工智能安全研究所） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Mercor ； Meedan
AI总结 研究通过大规模内侧实验评估个性化语言模型在多轮对话中的表现，发现基于偏好微调的P-DPO方法优于通用模型和个性化提示，但个性化数据训练收益有限，且微调会放大趋炎附势行为，可能带来长期负面影响。
Linking Extreme Discourse to Structural Polarization in Signed Interaction Networks
将极端言论与结构极化联系起来：在带符号交互网络中
机构 * University of Oxford（牛津大学） ； University College London（伦敦大学学院） ； Imperial College London（伦敦帝国学院）
AI总结 本文提出一种基于语言的带符号网络框架，通过LLM立场评分生成连续符号边权重，并利用两种互补指标量化结构极化，分析Reddit Brexit讨论中话语信号与结构极化的时间变化关系。
Connecting the Dots: A Machine Learning Ready Dataset for Ionospheric Forecasting Models
连接点：为电离层预报模型准备的机器学习数据集
机构 * Department of Information and Computer Science（信息与计算机科学系） ； University of Hawai‘i at Mānoa（夏威夷大学毛纳罗亚分校） ； Department of Engineering Science（工程科学系） ； University of Oxford（牛津大学） ； Università degli Studi di Roma Sapienza（罗马大学） ； Free Flight Research Lab（自由飞行研究实验室） ； University of New Hampshire（新罕布什尔大学） ； European Space Agency (ESA)（欧洲航天局） ； NASA Jet Propulsion Laboratory（美国宇航局喷气推进实验室） ； NASA Headquarters（美国宇航局总部） ； Space Weather Technology, Research, and Education Center（空间天气技术、研究与教育中心） ； University of Colorado Boulder（科罗拉多大学博尔德分校） ； Department of Computer Science（计算机科学系） ； University of York & King’s College London（约克大学及伦敦国王学院）
AI总结 本文提出一个整合多种电离层和日球层数据的机器学习数据集，用于改进电离层预报模型，支持科学探索和实际应用。
Comments 8 pages, 2 figures, 2 tables. Accepted as a poster presentation in the Machine Learning for the Physical Sciences workshop at NeurIPS 2025. Dataset can be found on Zenodo (https://zenodo.org/records/18343833) or GitHub (https://github.com/FrontierDevelopmentLab/2025-HL-Ionosphere-dataset)
Towards Methane Detection Onboard Satellites
向卫星 onboard 的甲烷检测
机构 * University of Oxford（牛津大学） ； Delft University of Technology（代尔夫特理工大学） ； Universitat de València（瓦伦西亚大学） ； University of Surrey（萨里大学） ； European Space Agency (ESA)（欧洲航天局）
AI总结 本文提出一种无需预处理的甲烷检测方法，利用未正射校正数据训练模型，与传统方法性能相当，并释放了相关数据集和代码。
Where Do Reasoning Models Refuse?
推理模型拒绝发生在何处？
机构 * The Alan Turing Institute（艾伦·图灵研究所） ； University of Oxford（牛津大学） ； Northeastern University（东北大学）
AI总结 研究探讨推理模型在生成响应前拒绝决策的位置，发现推理链中的初始句子对拒绝决定有显著影响，并通过激活方向分析揭示了拒绝机制。
Comments v1 accepted to the ICML 2025 Workshop on Reliable and Responsible Foundation Models (R2FM). 20 pages, 12 figures
Causal Fine-Tuning under Latent Confounded Shift
潜在混杂偏移下的因果微调
机构 * University of Oxford, United Kingdom（牛津大学） ； Queen Mary University of London, United Kingdom（伦敦玛丽女王大学） ； Peking University, China（北京大学） ； University of Bristol, United Kingdom（布里斯托大学） ； King's College London, United Kingdom（伦敦国王学院） ； Hong Kong University of Science（香港科学大学） ； University College London, United Kingdom（伦敦大学学院）
AI总结 本文提出Causal Fine-Tuning方法，通过结构因果模型分解表示为稳定高层和敏感低层成分，提升模型在存在潜在混杂偏移时的鲁棒性，实验显示优于其他基线方法。
Comments ICML 2026 Camera Ready Version
Information as Maximum-Caliber Deviation: A bridge between Integrated Information Theory and the Free Energy Principle
信息作为最大 caliber 偏离：集成信息理论与自由能原理之间的桥梁
机构 * University of Oxford（牛津大学）
AI总结 本文提出信息可定义为动态偏离最大 caliber 路径集的量，通过最大 caliber 变分原理重新推导了IIT的现象学计算，为IIT扩展到新动态领域提供了理论桥梁。
Comments 84 pages, 10 figures, 2 tables Extended version of a Master's thesis, Mathematical Institute, University of Oxford
To Whom Do Language Models Align? Measuring Principal Hierarchies Under High-Stakes Competing Demands
语言模型对谁进行对齐？在高风险竞争需求下测量主导层级
机构 * Thomson Reuters Foundational Research（汤姆森·路透基础研究） ； University of Oxford（牛津大学） ； Imperial College London（帝国理工学院伦敦分校）
AI总结 研究探讨了在高风险专业场景中语言模型如何在用户、机构权威和专业规范之间进行对齐，发现模型在任务执行中常忽视专业规范，且对齐层级在不同领域和模型间不稳定。
