高校专区
宪法式中间训练：内容存在驱动对齐增益
机构 * University of Oxford（牛津大学） ； Institute for Ethics in AI, University of Oxford（牛津大学人工智能伦理研究所） ； Geodesic Research ； Oxford Internet Institute, University of Oxford（牛津大学互联网研究院）
AI总结 该研究提出宪法式中间训练方法，在中间训练中插入基于原则价值观的内容，可提升模型对齐的泛化性与持久性，削弱SFT灌输的敲诈倾向且不造成能力损失，为以SFT为中心的流程提供低成本补充方案。
二次目标扰动：基于曲率的差分隐私
机构 * Mathematical Institute, University of Oxford（牛津大学数学研究所）
AI总结 本文提出二次目标扰动(QOP)，通过引入随机二次形式扰动目标函数，利用曲率特性实现强凸性和稳定性，从而在较弱假设下实现$(\varepsilon, δ)$-差分隐私，并提供实用性和数值比较。
AdaBoost 的紧泛化界
机构 * University of Oxford（牛津大学）
AI总结 本文推导了 AdaBoost 的紧泛化界，给出其泛化误差的上界，该上界结合已有结论与新的投票分类器边距泛化界得到，匹配的下界来自已有工作。
Comments Preprint
医学影像中的AI对齐：通过反事实分析揭示隐藏偏差
机构 * School of Computation, Information and Technology, Technical University of Munich（技术大学慕尼黑计算、信息与技术学院） ； Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Helmholtz AI, Munich, Germany（海德堡人工智能研究所，德国慕尼黑）
AI总结 本研究针对医学影像ML系统的偏差问题，提出结合条件潜在扩散模型与统计假设检验的统计框架，在多数据集上验证其优于基线，为医疗AI安全提供可靠工具。
指令微调模型在局部比人类更多地复用人类句法
机构 * University of Oxford（牛津大学）
AI总结 研究大语言模型是否像人类一样句法趋同，通过替换范式数据在多个模型测量CFG规则复用。发现各模型与前一轮人类话语规则重叠多，指令微调模型有特点，还在词汇和语义相似度上有表现，揭示了模型在句法复用方面与人类的异同。
CycleVLA: 通过子任务回溯和最小贝叶斯风险解码实现的前瞻性自修正视觉-语言-动作模型
机构 * Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； Department of Engineering, University of Cambridge（剑桥大学工程系）
AI总结 CycleVLA通过子任务回溯和最小贝叶斯风险解码实现前瞻性自修正，提升视觉-语言-动作模型的故障预测与恢复能力
Comments Project Page: https://dannymcy.github.io/cyclevla/
基于随机动力学的图像修复
机构 * Oxford Suzhou Centre for Advanced Research, University of Oxford（牛津大学牛津 - 苏州高等研究院） ； Institute for Advanced Research, Great Bay University（大湾区大学高等研究院） ； Mathematical Institute, University of Oxford（牛津大学数学研究所）
AI总结 研究图像修复问题，提出基于数据引导随机动力学的非参数方法，无需网络训练，通过反向随机微分方程及核加权校正引导重建，在多个数据集实验中表现优于其他方法，证明经验参考统计对图像修复的有效性。
用于求解非线性偏微分方程的DGM和PINN算法的全局收敛性
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）
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。
回归中插值与聚合的相互作用：最优样本复杂度
机构 * Department of Computer Science, Aarhus University（奥胡斯大学计算机科学系） ； Department of Statistics, University of Oxford（牛津大学统计学系）
AI总结 本文从理论上研究回归中插值与聚合的相互作用，证明γ-图维度刻画了广泛自然聚合过程的可学习性，并发现通过中位数聚合三个插值假设的简单过程在所有聚合过程中最优，且严格强于恰当学习。
线性合约的最优样本复杂度
机构 * Department of Statistics, University of Oxford, United Kingdom（英国牛津大学统计系） ； Department of Computer Science, Aarhus University, Denmark（丹麦奥胡斯大学计算机科学系）
AI总结 本文通过经验效用最大化算法，证明仅需 O(ln(1/δ)/ε²) 个样本即可实现最优线性合约的 ε-近似，并匹配下界，从而确立最优样本复杂度。
通过强化数据选择实现主动少样本分割
机构 * Centre for Bioengineering, School of Engineering and Materials Science, Queen Mary University of London（伦敦玛丽女王大学工程与材料科学学院生物工程中心） ； Digital Environment Research Institute, Queen Mary University of London（伦敦玛丽女王大学数字环境研究所） ； UCL Hawkes Institute（伦敦大学学院UCL霍克斯研究所；医学物理与生物医学工程系） ； Department of Medical Physics and Biomedical Engineering, University College London（耶鲁大学生物与生物医学科学系） ； Department of Biological and Biomedical Sciences, Yale University（牛津大学工程科学系生物医学工程研究所） ； Institute of Biomedical Engineering, Department of Engineering Science, University of Oxford
AI总结 研究少样本医学图像分割中支持集选择问题，提出强化学习框架，智能体直接预测最大化下游分割性能的支持集，实验表明该方法优于随机选择和现有方法，凸显支持集互补性及强化学习的潜力。
Comments Accepted at EMA4MICCAI 2026 - The 2nd MICCAI Workshop on Efficient Medical AI
J-CoT：J空间中的思维链
机构 * University of Oxford（牛津大学） ； Stanford University（斯坦福大学）
AI总结 研究针对语言模型推理中仅依赖自然语言受限的问题，提出基于J空间的J-CoT循环推理框架，通过词汇索引系数传递中间状态，在多任务中表现出色，J-CoT-Zero匹配或超基线，J-CoT-Train获高分。
Comments work in progress
AI能否去偏新闻？LLM干预提升了跨党派接受度但LLM高估了自身效果
机构 * Department of Experimental Psychology, University of Oxford（心理学实验系，牛津大学） ； Uehiro Oxford Institute, University of Oxford（牛津大学欧胡罗研究所） ； Psychology Programme, School of Social Sciences, Nanyang Technological University（南洋理工大学社会科学学院心理学项目） ； Department of Communication and Culture, BI Norwegian Business School（BI挪威商学院传播与文化系）
AI总结 研究探讨LLM对新闻去偏的影响，发现实质性重构干预提升保守派对左派新闻的信任度，但LLM高估自身效果，需人类监督。
Eluder 维度：局部化它！
机构 * University of Alberta（阿尔伯塔大学） ； University of Oxford（牛津大学）
AI总结 本文通过建立广义线性模型类的Eluder维度下界，提出局部化方法以克服传统分析无法获得一阶 regrets 的问题，改进了伯努利老虎机结果，并首次获得有限时间强化学习的一阶界。
行政法的第四次 settlements：人工智能与能力-问责陷阱
机构 * University of Oxford（牛津大学） ； Oxford Martin AI Governance Initiative（牛津马丁人工智能治理倡议）
AI总结 本文探讨行政法在人工智能时代如何摆脱能力与问责之间的困境，提出通过建立可审计的AI系统框架，提升政府透明度与问责机制。
Comments 87 pages
使用扩散模型进行心脏容积重建的潜在插值学习
机构 * School of Computation, Information and Technology, Technical University Munich（技术大学慕尼黑计算信息学院） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； Department of Quantitative Biomedicine, University of Zurich（苏黎世大学定量生物医学系） ； Institute of Biomedical Engineering, Department of Engineering Science, University of Oxford（牛津大学生物医学工程研究所） ； Imperial College London（伦敦帝国学院） ； University of Sheffield（谢菲尔德大学） ； NVIDIA（英伟达） ； Department of Computing, Imperial College London（伦敦帝国学院计算机系） ； Department AIBE of Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔兰根-纽伦堡大学AIBE系） ； School of Medicine, Klinikum Rechts der Isar, Technical University of Munich（慕尼黑技术大学医学院，莱纳特医院）
AI总结 针对心脏磁共振成像二维切片采集稀疏致容积信息不完整、现有重建方法有局限的问题，提出CaLID框架，创新采用基于扩散模型的插值方案、潜在空间高效计算法，仅用稀疏二维图像输入达SOTA，扩展到二维加时间数据，提升了重建质量和效率。
从视频中进行结构化动力学的自监督学习
机构 * Fundamental AI Lab, UTN（基础人工智能实验室，UTN） ； VGG, University of Oxford（VGG，牛津大学）
AI总结 研究能否从预训练图像视觉Transformer的冻结特征中恢复结构化运动表示，提出结构化动力学模型（SDM），通过未来特征预测分离动力学来源，结合自监督与弱监督训练，在新评估套件上表现出色，证明预训练图像模型可用于结构化视频动力学表示。
Comments preprint, Project page: https://lukasknobel.github.io/projects/StructuredDynamics
视而不见，仍记于心：全模态大语言模型的令牌压缩
机构 * KAIST（韩国科学技术院） ； VGG, University of Oxford（牛津大学视觉几何组）
AI总结 研究旨在降低Omni-LLMs推理时输入令牌成本，提出无需训练的ReMo框架，通过跨模态重分配信息压缩视觉令牌，在Qwen2.5-Omni上实验，去除54%输入令牌且准确率无损失，甚至略超全令牌模型。
Comments Preprint
用于动态机器人任务规划的视觉-语言-策略模型
机构 * Dynamic Robot Systems Group, Oxford Robotics Institute, University of Oxford（牛津大学机器人研究所动态机器人系统组） ； Humanoids and Human-Centered Mechatronics (HHCM), Istituto Italiano di Tecnologia（意大利技术研究所人形与以人为中心的机电系统）
AI总结 针对机器人在非结构化环境中自然语言命令与自主执行衔接难题，提出基于视觉-语言模型的VLP框架，能解释指令、整合推理生成行为策略，还可动态调整策略，实验证明其有强大规划自主性和跨实体泛化能力。
理解变换器中的加法与减法
机构 * University of Oxford（牛津大学） ； NTU（南洋理工大学） ； Martian（火星）
AI总结 本文通过训练和分析变换器模型，揭示了加法和减法的因果结构，并提出了新的精确算法。
Comments 8 pages, 6 figures, 2 tables
大语言模型的可靠概率安全边界
机构 * University of Oxford（牛津大学） ； Max Planck Institute for Software Systems（马克斯·普朗克软件系统研究所） ； University of Birmingham（伯明翰大学）
AI总结 研究提出框架计算大语言模型生成有害输出概率的严格边界，利用克洛普 - 皮尔逊置信区间，通过潜在空间特征优先探索有害分支，能高效计算可靠下界，实验验证方法有效性，为模型评估和认证提供新途径。
Comments The Initial version of this manuscript has been available on OpenReview, see https://openreview.net/forum?id=papImkPLf5
STN-TGAT：通过具有可学习软阈值稀疏化的先验引导图注意力进行前K投资组合构建
机构 * University College London（伦敦大学学院） ； University of Oxford（牛津大学）
AI总结 本文针对现实投资场景下股票排名与投资组合构建问题，提出STN-TGAT，集成时间Transformer与图注意力网络，结合基于NMI的先验图及软阈值稀疏化机制，纳入实际投资考量，实证显示其在预测和盈利方面优于基准模型，为投资组合构建提供有效框架。
ClothTransformer: 用于可扩展布料模拟的统一潜空间变换器
机构 * S-Lab, Nanyang Technological University, Singapore（新加坡南洋理工大学S实验室，南洋理工大学，新加坡） ； Feeling AI ； University of Oxford（牛津大学） ； Nanyang Technological University（南洋理工大学） ； Shanghai AI Laboratory（上海人工智能实验室）
AI总结 提出ClothTransformer，通过将布料模拟重构为潜空间中的自回归序列建模，使用统一Transformer架构处理多种场景，实现比现有方法低4-9倍的误差，并引入可扩展潜空间公式和穿透自由数据集。
基于高斯过程的后验采样强化学习用于连续控制：无界状态空间的次线性遗憾界
机构 * University of Oxford（牛津大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Technical University of Darmstadt（达姆施塔特技术大学） ； Robotics Institute Germany（德国机器人研究所）
AI总结 本文通过递归应用Borell-Tsirelson-Ibragimov-Sudakov不等式和链式方法，在弱平滑条件下证明了GP-PSRL算法的贝叶斯遗憾界为$\widetilde{\mathcal{O}}(H\sqrt{\gamma_TT})$，解决了先前理论工作的局限性。
Comments Accepted at ICML 2026. 45 pages, 8 figures
推理微调诱导持久的潜在策略状态
机构 * University of Oxford（牛津大学） ； University of Utah（犹他大学）
AI总结 研究推理微调对语言模型的影响，将思维链推理建模为切换动态系统，通过时间感知对比表征学习等方法恢复潜在策略。发现推理微调使模型有更丰富的潜在策略组织，恢复的状态有功能意义，SDS引导的剪枝效果良好，为推理模型分析和控制提供新视角。
Comments Accepted at the Conference on Language Modeling (COLM) 2026. 45 pages, including appendices; 24 figures and 12 tables. Code: https://github.com/withmartian/mi-cot
使用大语言模型从时间序列中生成可解释的、数据驱动的见解
机构 * University of Oxford（牛津大学） ； Vortexa
AI总结 研究针对时间序列预测中解释生成难且易幻觉的问题，提出领域无关框架，含提取解释因素、基于证据生成解释及可扩展评估三组件，经案例研究验证，该框架能大规模实现有根据的解释生成，无需特定领域微调。
关于深度线性编码器-only变压器中出现的多样动力学行为
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of Maryland（马里兰大学） ； University of Warsaw（华沙大学） ； Rice University（莱斯大学） ； University of Oxford（牛津大学）
AI总结 研究深度线性编码器-only变压器推理时行为，通过相互作用粒子系统视角，在二维嵌入维度揭示其动力学可表述为广义Kuramoto型模型，还发现多种长期行为及相关特性，高维数值实验表明这些行为在更高维度持续存在。
全球自动化图谱
机构 * Imperial College London（伦敦帝国学院） ； Bocconi University（博科尼大学） ； University of Oxford（牛津大学）
AI总结 本文提出了一种基于任务和国家特定的方法，用于全球范围内分类自动化暴露，以区分劳动力替代和增强自动化，相关技术渠道以及人工智能的物质作用。研究涵盖了124个国家，生成了覆盖全球99%人口和GDP的233万个任务-国家标签。
Comments 78 pages, 6 figures, 5 Extended Data figures. Substantially revised and expanded. Data and code: https://automationatlas.org/
持久稀疏自动编码器：在语言模型中学习特征时间尺度
机构 * University of Cambridge（剑桥大学） ； University of Oxford（牛津大学）
AI总结 研究在语言模型中学习特征时间尺度的问题，提出持久稀疏自动编码器，通过为特征学习持久性系数扩展标准SAEs，实验表明其能保持竞争力的重建质量，为解释和监测语言模型带来新机会。
约束锚定推理轨迹
机构 * University of Oxford（牛津大学）
AI总结 研究自回归多模态大语言模型错误滚雪球问题，提出神经符号框架CART，将自然语言推理与符号约束断言交织，经双管齐下的模块验证约束，防止错误传播，在多基准测试中降低滚雪球率、提高准确率并控制推理开销。
Comments 15 pages, ACM MM 2026
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