University of Oxford（牛津大学）

Pluralis v0.1: Towards a Multicultural, Multimodal, Multilingual Benchmark for AI Risk and Reliability

Pluralis v0.1：迈向用于人工智能风险与可靠性的多元文化、多模态、多语言基准测试

Alicia Parrish, Rajat Shinde, Sanket Badhe, Xinyi Bai, Sree Bhargavi Balija, Hua-Rong Chu, Emilio Ferrara, Armstrong Foundjem, Rajat Ghosh, Aakash Gupta, Xuanli He, Ong Chen Hui, Minji Jung, Madhangi Karimanal, Faiza Khan Khattak, Boryoung Kim, Eugenia Kim, Liliya Lavitas, Seok Min Lim, Victor Lu, Jim Moirangthem, Dhivya Nagasubramanian, Deepak Pandita, Sita Rajagopal, Geetha Raju, Evgeniia Razumovskaia, Aravind Reddy, Federico Ricciuti, Nobin Sarwar, Sungpil Shin, Sunayana Sitaram, Snehal Thorat, Tharindu Cyril Weerasooriya, Jasmijn Bastings, Joachim Baumann, Kongtao Chen, Murali Emani, Mariya Hendriksen, Jiho Jin, Jun Seong Kim, Younghoon Ko, Alicja Kwasniewska, Minjae Lee, Tom Wei-cyuan Lin Kashyap Ramanandula Manjusha, Junho Myung, Junyeong Park, Roma Patel, Shyam Ratan, Sudarsun Santhiappan, Priyanka Suresh, Tuesday, Ksheeraj Sai Vepuri Laura Amortegui-Ordonez, Claire Dennis, Minsuk Kahng, Chris Knotz, Alice Oh, Balaraman Ravindran, Soojung Ryu William Bartholomew, Hiwot Tesfaye, Lora Aroyo

机构 * Google DeepMind（谷歌DeepMind） ； University of Alabama in Huntsville（阿拉巴马大学亨茨维尔分校） ； Google（谷歌） ； University of Missouri Columbia（密苏里大学哥伦比亚分校） ； Chunghwa Telecom Laboratories（春木电信实验室） ； University of Southern California（南加州大学） ； Polytechnique Montreal（蒙特利尔理工学院） ； Nutanix ； ThinkEvolve Labs（ThinkEvolve实验室） ； UCL（伦敦大学学院） ； Infocomm Media Development Authority（信息通信媒体发展局） ； Monark Health（Monark健康） ； Seoul National University（首尔国立大学） ； Microsoft（微软） ； Centre for Responsible AI (CeRAI), Wadhwani School of Data Science and AI (WSAI), Indian Institute of Technology Madras（负责任人工智能中心（CeRAI）、瓦达威人工智能学校（WSAI）、印度理工学院马德拉斯分校） ； University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校） ； Microsoft Research India（微软印度研究院） ； Stanford University（斯坦福大学） ； Argonne National Laboratory（阿贡国家实验室） ； University of Oxford（牛津大学） ； KAIST（韩国科学技术院） ； Yonsei University（延世大学） ； Amazon（亚马逊） ； UIUC（伊利诺伊大学香槟分校） ； Rochester Institute of Technology（罗切斯特理工学院） ； Xenoscube Inc.（Xenoscube公司） ； Korea AI Safety Institute (K-AISI)（韩国人工智能安全研究所（K-AISI）） ； MLCommons ； CommonGround ； Artifex Labs（Artifex实验室） 纠错

AI总结 研究针对现有AI安全评估框架忽视文化差异问题，构建多语言多模态数据集Pluralis v0.1，从文化优先视角引入新评估范式，提出Judge - Pluralis集成，揭示特定地区失败模式，为多语言多元文化评估提供基础和创新起点。

Beyond the Leaderboard: A Synthesis of Tool-Use, Planning, and Reasoning Failures in Large Language Model Agents

超越排行榜：大语言模型智能体中工具使用、规划和推理失败的综合分析

Wael Albayaydh, Rui Zhao, Ivan Flechais

机构 * University of Oxford（牛津大学） 纠错

AI总结 本文综合多篇论文形成大语言模型智能体局限性交叉分类法，识别出六个失败集群，通过迭代分组得出分类法，发现失败与任务长度非线性相关，单个子任务性能不能保证端到端成功，额外脚手架效果不佳，同时在部分任务上有进展。

Comments 16 pages, 3 tables, 1 figure

Privilege and confidentiality in generative AI workflows

生成式人工智能工作流程中的特权与保密性

Václav Janeček, Thomas Melham

机构 * University of Bristol Law School（布里斯托大学法学院） ； University of Oxford（牛津大学） ； Department of Computer Science（计算机科学系） 纠错

AI总结 研究生成式人工智能系统三种数据存储和处理模式带来的保密性与法律专业特权风险，结合英美判决、权威及研究进行分析，置于监管框架和专业疏忽原则中探讨，助法律服务人员理解风险，推动GenAI更负责任部署。

Gaussian Process Latent Factor Regression for Low-Data, High-Dimensional Output Problems

高斯过程潜在因子回归用于低数据高维输出问题

Edward T. Stevenson, Eric T. Wolf, Mei Ting Mak, N. J. Mayne, Miles Cranmer

机构 * University of Cambridge（剑桥大学） ； University of Colorado Boulder（科罗拉多大学博尔德分校） ； University of Oxford（牛津大学） ； University of Exeter（埃克塞特大学） 纠错

AI总结 提出高斯过程潜在因子回归（GPLFR）模型，通过将输出表示为低维潜在状态的线性高斯解码，联合优化压缩与预测，解决低数据高维输出回归问题，并首次构建岩石系外行星全球气候模型的空间分辨仿真器。

Comments 9 pages content + 23 pages appendix/references. Supporting code at https://github.com/edstevenson/GPLFR

SynCity 3000: Bootstrapping Scene-Scale 3D Diffusion

SynCity 3000：引导式构建场景级3D扩散模型

Paul Engstler, Iro Laina, Christian Rupprecht, Andrea Vedaldi

机构 * Visual Geometry Group, University of Oxford（牛津大学视觉几何组） 纠错

AI总结 针对3D场景训练数据稀缺问题，该框架将图像转3D生成器改造为卷积算子，依托新合成数据引擎微调，可生成全局连贯、支持细粒度布局控制的任意规模3D场景。

Comments Project Page: https://research.paulengstler.com/syncity-3k/

Video-based detection of cessation of breathing in pre-term infants using machine learning

基于机器学习的早产儿呼吸暂停视频检测方法研究

Dineo Serame, Lionel Tarassenko, Mauricio Villarroel

机构 * Institute of Biomedical Engineering, Department of Engineering Science, University of Oxford（牛津大学工程科学系生物医学工程研究所） 纠错

AI总结 针对NICU接触式呼吸监测易受干扰的问题，该研究用ResNet从视频提取胸壁运动信号检测呼吸暂停，融合常规生理信号将平衡准确率提至90.6%，提升了监测鲁棒性。

Comments Paper submitted to Computer Methods and Programs in Biomedicine (CMPB)

Be Indiscrete: The Benefits of Learning Continuous Spine Degeneration Severity Scores

保持离散：学习连续脊柱退变严重程度评分的益处

Maria Monzon, Andrew Zisserman, Robin Y. Park, Catherine R. Jutzeler, Amir Jamaludin

机构 * Biomedical Data Science Lab, Dept. D-HEST, ETH Zurich（生物医学数据科学实验室，D-HEST系，苏黎世联邦理工学院） ； Swiss Institute of Bioinformatics (SIB)（瑞士生物信息学研究所） ； Visual Geometry Group, Dept. of Engineering Science, University of Oxford（视觉几何组，工程科学系，牛津大学） 纠错

AI总结 研究将脊柱退变建模为连续严重程度排序问题，介绍SpineRankNet框架从腰椎MRI学习标量严重程度分数，与多类分类和序数回归对比，表明排序损失训练的模型可实现MRI扫描细粒度排序，分数能恢复分级且提升类间区分度。

Pretraining Curricula Enable Selective Fine-tuning

预训练课程实现选择性微调

Sebastian A. Bruijns, Jirko Rubruck, Mia H. Whitefield, Kai J. Sandbrink, Fazl Barez, Christopher Summerfield

机构 * University of Oxford（牛津大学） 纠错

AI总结 研究预训练课程如何影响学习、泛化和微调选择性，对比平衡与不平衡预训练方式，发现不平衡预训练促进上下文学习并提高拒绝微调选择性，还扩展到合成语言学习任务。

KinEMbed: Decoding Kinematics from Electromyography via Cross-Modal Contrastive Learning

KinEMbed：通过跨模态对比学习从肌电图中解码运动学

Sofia Gilardini, Chenfei Ma, Kianoush Nazarpour

机构 * Department of Statistics, University of Oxford（牛津大学统计学系） ； School of Informatics, University of Edinburgh（爱丁堡大学信息学院） 纠错

AI总结 研究从表面肌电图解码手部运动学这一挑战，提出跨模态对比学习框架KinEMbed训练双编码器，用于手部运动学回归，在NinaPro DB8数据集上优于基线方法。

Comments ICML 2026 Workshop on Structured Data for Health, Seoul, South Korea

A non-invasive video-based method for individual identification of wildlife using gait dynamics

一种基于视频的非侵入性野生动物个体识别方法：利用步态动力学

Muhammad Aamir, Matthew Wijers, Sangyun Shin, Andrew Loveridge, Andrew Markham

机构 * Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； Wildlife Conservation Research Unit, Department of Biology, University of Oxford（牛津大学生物系野生动物保护研究组） 纠错

AI总结 研究针对野生动物个体识别难题，提出基于视频的全自动方法。用深度时空表征学习，结合SAM3、ResNet18和VideoPrism模型，经微调提取特征，以余弦相似度比较步态特征实现识别，多物种实验验证了方法有效性。

Comments This article is under review in "Methods in Ecology and Evalution"

CausalGame: Benchmarking Causal Thinking of LLM Agents in Games

因果游戏：在游戏中对大语言模型智能体的因果思维进行基准测试

Zhenhao Chen, Yongqiang Chen, Chenxi Liu, Junchi Yu, Xiangchen Song, Zijian Li, Jialin Li, Philip Torr, Bo Han, Kun Zhang

机构 * MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Hong Kong Baptist University（香港浸会大学） ； University of Oxford（牛津大学） ； New York University, Abu Dhabi（纽约大学阿布扎比分校） 纠错

AI总结 研究旨在通过因果游戏基准测试大语言模型智能体的因果思维能力，让智能体设计实验、收集数据并给出解决方案。设计含多种挑战的场景，发现当前智能体因果思维能力欠佳，为评估提供了测试平台。

Comments Zhenhao, Yongqiang, and Chenxi contributed equally to the project. A short version is accepted at the Forty-Third International Conference on Machine Learning (ICML) 2026 as an Oral presentation. Project website https://causalgame.github.io/

Amortising Bayesian Experimental Design for Sequential Information Gathering in LLMs

用于大语言模型中顺序信息收集的摊销贝叶斯实验设计

Jakob Hartmann, James Harvey, Jhonathan Navott, Erik Y. Wang, Luckeciano C. Melo, Flaviu Cipcigan, Cheng Zhang, Alessandro Abate

机构 * University of Oxford（牛津大学） ； Ellison Institute of Technology（埃里森理工学院） 纠错

AI总结 研究大语言模型在顺序决策中信息收集问题，提出摊销顺序信息收集方法，将贝叶斯实验设计融入模型策略，经实验验证该方法能有效提升成功率并降低推理成本。

Comments 20 pages, 7 figures. Accepted to FoGen 2026: Foundations of Deep Generative Models: Understanding Memorization, Generalization, and Reasoning, an ICML 2026 workshop (non-archival)

Conversational Human Audio-visual Talking Dialogue Generation

对话式人类视听对话生成

Junhao Song, Lluis Guasch, Xilin He, Zhongyu Yang, Yingfang Yuan, Weicheng Xie, Linlin Shen, Haijun Lin, Shizhe Liu, Wei Pang, Siyang Song

机构 * Department of Computing, Imperial College London（伦敦帝国理工学院计算系） ； Department of Earth Science & Engineering, Imperial College London（伦敦帝国理工学院地球科学与工程系） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Department of Computer Science, Heriot-Watt University（赫瑞瓦特大学计算机科学系） ； School of Computer Science, Northumbria University（诺森比亚大学计算机科学学院） ； College of Computer Science & Software Engineering, Shenzhen University（深圳大学计算机科学与软件学院） ； School of Artificial Intelligence, Shenzhen University（深圳大学人工智能学院） ； Guangdong Provincial Key Laboratory of Intelligent Information Processing, Shenzhen University（深圳大学广东省智能信息处理重点实验室） ； School of Engineering and Design, Hunan Normal University（湖南师范大学工程与设计学院） ； Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； Department of Computer Science, University of Exeter（埃克塞特大学计算机科学系） 纠错

AI总结 提出CHAT框架，统一大语言模型和说话人脸模型，通过交互音频和面部行为细化模块，从单一文本提示生成多样、配对且相互响应的语音-面部对话片段，优于现有方法，合成数据集可作预训练数据。

Comments Accepted to ECCV 2026 as a main paper

RayTun3R: Online Camera Adaptation in 3D Foundation Models

RayTun3R：3D基础模型中的在线相机适配

Daniil Sinitsyn, Nikita Araslanov, Daniel Cremers

机构 * TU Munich（慕尼黑工业大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； University of Oxford（牛津大学） 纠错

AI总结 研究3D基础模型在鱼眼相机下表现不佳的问题，提出RayTun3R方法，通过学习参数高效的残差校正等，在保持预训练网络不变的情况下适配相机，减少旋转误差且参数少、无需多视图推理。

An Automated Multimodal Glaucoma Detection Framework Using ViT and a Stacking-Based Ensemble

使用ViT和基于堆叠的集成方法的自动多模态青光眼检测框架

Ishrat Jahan, Muhammad E. H Chowdhury, Murugappan Murugappan, Kanchon Kanti Podder, Tawsifur Rahman, Shrestha Datta, Md Sakib Abrar Hossain, Md Mosarrof Hossen, Yosra Magdi Salih Mekki, Sanjiban Sekhar Roy

机构 * Department of Computer Science and Engineering, Shahjalal University of Science and Technology（肖哈尔大学科学与技术学院计算机科学与工程系） ； Department of Electrical Engineering, Qatar University（卡塔尔大学电气工程系） ； Department of Electronics and Communication Engineering, Kuwait College of Science and Technology（科威特科学与技术学院电子与通信工程系） ； Department of Interdisciplinary Engineering, Kennesaw State University（肯尼斯州立大学跨学科工程系） ； Department of Biomedical Engineering, School of Medicine, Johns Hopkins University（约翰霍普金斯大学医学院生物医学工程系） ； Department of Biomedical Engineering, University of Oxford（牛津大学生物医学工程系） ； Department of Computer Science and Engineering, Vellore Institute of Technology（维洛雷理工学院计算机科学与工程系） 纠错

AI总结 研究在样本级和患者级设置下的青光眼检测，提出整合眼底图像与临床数据的自动多模态框架，用ViT提取特征，经典机器学习模型分类，堆叠集成优化性能，实验验证其高性能并部署为网络平台。

Beyond Satisfaction: Learning Associations Between Content, Reviews, and Well-Being

超越满意度：学习内容、评论与幸福感之间的关联

Aaron Marker, Joel Lehman, H. Andrew Schwartz

机构 * Vanderbilt University（范德比大学） ； University of Oxford（牛津大学） ； Cosmos Institute（宇宙研究所） 纠错

AI总结 研究常用满意度信号能否反映幸福感及何种内容与不同幸福感结果相关，以书籍消费为对象，发现评分等与幸福感关联松散，特定主题与不同幸福感相关，为内容推荐系统提供新目标。

Hidden-Shot: Towards One-Shot Task Generalization for Low-Level Vision Generalist Models

Hidden-Shot: 迈向低级视觉通用模型的一次性任务泛化

Shao-Jun Xia, Xianzheng Ma, Zichong Meng

机构 * Pratt School of Engineering, Duke University（杜克大学普拉特工程学院） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Khoury College of Computer Science, Northeastern University（东北大学库里计算机科学学院） 纠错

AI总结 提出隐式提示机制Hidden-Shot，通过提取隐含视觉任务信息并融合全局任务感知纹理提示，增强低级视觉通用模型在新任务上的一次性泛化能力，并引入C/U评估框架系统测试泛化性能。

Comments 34 pages, 5 figures, under submission

Aggregation with Exponential Weights is Optimal in Expectation

指数权重聚合在期望意义下是最优的

Mikael Møller Høgsgaard, Patrick Rebeschini, Tobias Wegel

机构 * Department of Statistics, University of Oxford（统计系，牛津大学） ； Department of Computer Science, ETH Zurich（计算机科学系，苏黎世联邦理工学院） 纠错

AI总结 本文证明指数权重聚合（AEW）估计器在平方损失下，当温度足够大时，期望超额风险达到极小极大最优，解决了Lecué和Mendelson（2013）提出的开放问题。

An Optimisation Framework for the Well-Conditioned Training of Physics-Informed Neural Networks

物理信息神经网络良态训练的一种优化框架

Joseph Webb, Sadok Jerad, Coralia Cartis

机构 * Mathematical Institute, University of Oxford（牛津大学数学研究所） 纠错

AI总结 提出DSGNAR二阶优化框架，通过双草图高斯-牛顿和自适应正则化步长控制，解决PINN训练中的病态损失景观问题，在多个基准问题上实现前所未有的精度和速度。

FurnitureVLA: Learning Long-Horizon Bimanual Furniture Assembly with Vision-Language-Action Model

FurnitureVLA: 使用视觉-语言-动作模型学习长时域双臂家具组装

Chenyang Ma, Yue Yang, Radu Corcodel, Siddarth Jain, Andrew Wu, Chiori Hori, Diego Romeres

机构 * Mitsubishi Electric Research Laboratories（三菱电机研究实验室） ； University of Oxford（牛津大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） 纠错

AI总结 提出FurnitureVLA，首个使用视觉-语言-动作模型进行真实尺寸双臂家具组装的系统，通过进度增强VLA和设计因素研究，将平均模拟成功率从48%提升至80%。

Comments Project Page: https://dannymcy.github.io/furniturevla/

When Context Compensates for Sparse Event History: AlphaEarth for Spatio-Temporal Point-Process Forecasting

当上下文弥补稀疏事件历史：AlphaEarth用于时空点过程预测

Yahya Aalaila, Mouad Elhamdi, Gerrit Großmann, Daniel Jenson, Elizaveta Semenova, Sebastian Vollmer

机构 * German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心） ； Université Mohammed VI Polytechnique（穆罕默德六世理工大学） ； University of Oxford（牛津大学） ； Imperial College London（帝国理工学院） ； Rhineland-Palatinate Technical University of Kaiserslautern-Landau (RPTU)（莱茵兰-普法尔茨凯泽斯劳滕-兰道工业大学） 纠错

AI总结 研究利用AlphaEarth嵌入作为空间上下文，在事件历史稀疏时提升时空点过程模型的跨区域预测性能，实验表明在短历史下预测误差降低2-6倍。

Understanding How Humans Inject Knowledge into Machine Learning Workflows through Visual Analytics

理解人类如何通过可视化分析将知识注入机器学习工作流

Yiwen Xing, Philip Beaucamp, Joyraj Chakraborty, Afrah Farea, Yuanzhe Jin, Saiful Khan, Gennady Andrienko, Natalia Andrienko, Min Chen

机构 * University of Oxford（牛津大学） ； Istanbul Technical University（伊斯坦布尔理工大学） ； Science and Technology Facilities Council（科学技术设施委员会） ； Fraunhofer Institute IAIS（弗劳恩霍夫智能分析和信息系统研究所） 纠错

AI总结 本文调查了200多篇VIS4ML论文，通过编码分析从ML特性、可视化、交互和动作四个视角，揭示了人类通过交互可视化向ML工作流注入知识的多种路径，并基于概念模型和信息论成本效益分析解释了VIS4ML现象。

Constrained Bayesian Optimisation with Multiple Information Sources

多信息源约束贝叶斯优化

Hauke Maathuis, Roeland De Breuker, Saullo Castro, Maike Osborne

机构 * TU Delft（代尔夫特理工大学） ； University of Oxford（牛津大学） 纠错

AI总结 针对可行域小且存在辅助数据源的约束优化问题，提出多源框架扩展约束最大熵搜索，通过捕获源间相关性平衡成本与信息增益，在弱相关辅助数据下仍高效找到可行最优解。

Spotted: Location-informed Reidentification of Hyenas and Leopards in Camera Trap Surveys

Spotted: 基于位置信息的相机陷阱调查中鬣狗和豹子的重新识别

Halil Sina Kelebek, Julia Hindel, Kobus Hoffman, Lauren Hoffman, Andrew Loveridge, Bob Mandinyenya, Kudakwashe Ncube, Justin Seymour-Smith, Andrea Sibanda, Abhinav Valada, Matthew Wijers, Daniele De Martini

机构 * Oxford Robotics Institute, University of Oxford（牛津大学牛津机器人研究所） ； Department of Computer Science, University of Freiburg（弗莱堡大学计算机科学系） ； Bubye Valley Conservancy（布比耶谷保护区） ； Wildlife Conservation Research Unit, Department of Biology, University of Oxford（牛津大学生物系野生动物保护研究组） ； Gonarezhou National Park（戈纳雷若国家公园） ； Oxford e-Research Centre, University of Oxford（牛津大学牛津电子研究中心） 纠错

AI总结 提出Spotted框架，结合视觉相似性与时空可行性先验，减少专家审核量，在三个数据集上Top-5准确率提升最高9pp，查询比较量减少69pp。

Learning When to Listen: Gated Affect Fusion for Human Motion Prediction

学习何时倾听：用于人体运动预测的门控情感融合

Jingni Huang

机构 * University of Oxford（牛津大学） 纠错

AI总结 提出门控情感变换器（GAT）动态调节跨模态信息流，解决无约束视频中情感特征与姿态融合的噪声问题，证明面部情感仅在短中期（如30帧）提供有限预测线索。

MolSafeEval: A Benchmark for Uncovering Safety Risks in AI-Generated Molecules

MolSafeEval: 揭示AI生成分子安全风险的基准

Tong Xu, Xinzhe Cao, Zhihui Zhu, Keyan Ding, Huajun Chen

机构 * Zhejiang University（浙江大学） ； ZJU-Hangzhou Global Scientific and Technological Innovation Center（浙大-杭州全球科技创新中心） ； University of Oxford（牛津大学） 纠错

AI总结 提出MolSafeEval基准，通过构建分子安全知识图谱和基于大语言模型的推理，系统评估四类分子生成模型的安全风险，揭示当前方法的漏洞。

Comments Accepted by Findings of ACL 2026

Evaluation of Population Initialization Methods for Genetic Programming-based Symbolic Regression

基于遗传编程的符号回归中种群初始化方法的评估

Lukas Kammerer, Gabriel Kronberger, Deaglan J. Bartlett, Harry Desmond, Pedro G. Ferreira, Stephan Winkler

机构 * Heuristic and Evolutionary Algorithms Laboratory, University of Applied Sciences Upper Austria（上奥地利应用科学大学启发式与进化算法实验室） ； Astrophysics, University of Oxford（牛津大学天体物理学系） ； Institute of Cosmology & Gravitation, University of Portsmouth（朴茨茅斯大学宇宙学与引力研究所） 纠错

AI总结 研究遗传编程符号回归中不同种群初始化方法对解精度和复杂度的影响，发现初始化方法对最终帕累托前沿的影响可忽略。

Comments 15 pages. Accepted for publication at EUROCAST 2026: 20th International Conference on Computer Aided Systems Theory

A Technical Typology of AI Systems in Public Administration

公共管理中AI系统的技术类型学

Jonathan Rystrøm, Chris Schmitz, Nathan Davies, Gerhard Hammerschmid, Albert Meijer, Chris Russell

机构 * University of Oxford（牛津大学） ； Hertie School（赫蒂学院） ； Utrecht University（乌得勒支大学） ； Harvard University（哈佛大学） 纠错

AI总结 针对公共管理研究将AI视为单一类别的问题，提出五类AI系统类型学（手编、玻璃箱、黑箱、通用、代理系统），通过分析91篇高引论文发现技术精度不足，并给出改进建议。

Comments Under Review

UniTac: A Unified Multimodal Model for Cross-Sensor Tactile Understanding and Generation

UniTac: 一种用于跨传感器触觉理解与生成的统一多模态模型

Jiahang Tu, Fengyu Yang, Chenyang Ma, Xihang Yu, Ziyao Zeng, Shaokai Wu, Hanbin Zhao, Zhi Tao, Chao Zhang, Hui Qian, Alex Wong

机构 * Zhejiang University（浙江大学） ； Yale University（耶鲁大学） ； University of Oxford（牛津大学） ； MIT（麻省理工学院） ； Shanghai Jiaotong University（上海交通大学） ； UNIX AI 纠错

AI总结 提出UniTac，首个统一多模态模型，通过双级表示编码传感器和物体属性，实现触觉理解与生成，在跨传感器任务上达到最优性能。

Comments This paper has been accepted by ECCV 2026

Safe Online Learning via Smooth Safety-Structured Policy Composition

通过平滑安全结构化策略组合实现在线安全学习

Hongpeng Cao, Liqun Zhao, Yuliang Gu, Naira Hovakimyan, Lui Sha, Marco Caccamo

机构 * Technical University of Munich（慕尼黑工业大学） ； University of Oxford（牛津大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 提出AutoSafe架构，通过将结构化安全监控与干预直接集成到动作生成中，实现性能与安全行为之间的平滑风险依赖转换，在连续控制基准和实物倒立摆系统上验证了强安全性与学习平滑性。