高校专区
CAIRN：使用拓扑感知大型多模态模型进行跨房间3D场景理解
机构 * University of Oxford（牛津大学） ； Microsoft（微软公司） ； Simon Fraser University（西蒙弗雷泽大学）
AI总结 研究针对现有3D-LLMs不能处理多房间场景问题，提出拓扑感知3D-LLM即CAIRN。其将Transformer注意力与场景层次对齐，通过多种方式增强模型能力。在新基准CAIRN-MR上实验，CAIRN在多房间任务中大幅超越前人，单房间任务也具竞争力。
Comments Project Page: https://oceansdepp.github.io/cairn_web/
无兴趣AI预测器中的诚实安全性
机构 * LawZero ； Université de Montréal（蒙特利尔大学） ； Mila ； University of California Berkeley（加州大学伯克利分校） ； McGill University（麦吉尔大学） ； Arb Research ； Center for Theoretical Study Charles University in Prague（布拉格查理大学理论研究中心） ； University of Oxford（牛津大学） ； Sapien Institute（Sapien研究所）
AI总结 提出一种形式化安全论证，通过数据表示和训练过程确保预测器诚实预测而不成为追求目标的智能体，并证明危险预测器出现的概率可控。
基于价值过滤解码的选择性安全引导
机构 * Department of Electrical and Computer Engineering, Technion IIT（技术学院电气与计算机工程系） ； Department of Statistics, University of Oxford（牛津大学统计系） ； OATML, Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； Department of Computer Science, Technion IIT（技术学院计算机科学系）
AI总结 本文提出一种测试时引导方法，通过价值基的安全标准过滤token，减少不必要的干预，提升不安全响应的安全性，同时在多个数据集上验证了其在安全与帮助性之间的更好平衡。
VGGRPO：迈向世界一致的视频生成的4D潜在奖励
机构 * Google（谷歌） ； University of Oxford（牛津大学） ； CREST-ENSAE, Institut Polytechnique de Paris（巴黎综合理工学院CREST-ENSAE） ； University of Copenhagen（哥本哈根大学）
AI总结 VGGRPO通过引入4D潜在几何模型和组相对策略优化，提升视频生成的几何一致性与稳定性，避免VAE解码的高计算开销。
Comments Accepted at ECCV 2026. Project Page: https://zhaochongan.github.io/projects/VGGRPO
RegCheck：一个用于研究注册与论文之间结构化比较的工具
机构 * Bennett Institute of Applied Data Science, University of Oxford（贝内特应用数据科学研究所，牛津大学） ； Institute of Psychology, University of Bern（心理学研究所，伯恩大学）
AI总结 介绍RegCheck工具，用于比较研究注册与论文。利用人工智能，模块化设计，让用户决定比较特征并提供相关文本，生成可共享报告，适用于多领域多格式，有望成为可重复科学的可扩展基础设施。
Comments 26 pages, 4 figures, 1 table
迈向可关闭的智能体：在强化学习智能体和大语言模型中推广随机选择
机构 * University of Oxford（牛津大学） ； University College London（伦敦大学学院） ； New College of Florida（佛罗里达新学院） ； Imperial College London（伦敦帝国学院） ； MIT（麻省理工学院）
AI总结 本文提出DReST奖励函数，通过惩罚重复选择相同长度轨迹来训练智能体在不同轨迹长度间随机选择并有效追求目标，实验表明DReST训练的智能体在未见过的场景中表现出更高的有用性和中立性。
从交叉验证到SURE：调节估计器的渐近风险
机构 * Department of Economics, University of Pennsylvania（宾夕法尼亚大学经济学系） ； Department of Economics, University of Oxford（牛津大学经济学系） ； Department of Electrical Engineering and Computer Science, MIT（麻省理工学院电气工程与计算机科学系）
AI总结 本文推导了通过n折交叉验证调节的正则化经验风险最小化估计器的渐近风险函数，展示了其在正常均值模型中的预测性能。
超越黑盒混淆：白盒监测器的机制分析与防御
机构 * University of Oxford（牛津大学）
AI总结 研究针对大语言模型白盒监测器可被规避且缺乏防御措施的问题，通过红队实验揭示几何转移和协方差操纵两种逃避策略，引入SafetyNet集成方法，在多模型家族实验中取得高AUROC分数，为稳健潜在空间监测提供了实证和起点。
阈值差分注意力：用于无汇、超稀疏和非分散语言建模
机构 * University of Oxford（牛津大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Snap Inc
AI总结 本文提出阈值差分注意力机制，解决长上下文下的注意力汇问题，实现超稀疏和鲁棒性提升，无需投影方法或标准注意力的噪声积累。
Journal ref ACL 2026
具有不断变化的客户端和标签空间的异步联邦持续分割
机构 * University of Oxford（牛津大学） ； University of Bristol（布里斯托大学）
AI总结 研究现实中联邦学习客户端组成和标签空间会变化的问题，提出CA-MMDS框架，通过基于代理的蒸馏更新全局模型，减少通信和计算成本，以多类3D腹部CT分割任务验证其能有效整合客户端知识并获良好分割性能。
EgoExoMem: 跨视角记忆推理 over 同步的自身视角和外部视角视频
机构 * Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； ETH Zurich（苏黎世联邦理工学院） ； University of Oxford（牛津大学） ； Hunan University（湖南大学）
AI总结 本文提出EgoExoMem，首个跨视角记忆推理基准，通过同步自身视角和外部视角视频进行跨视角记忆推理，利用E$^2$-Select方法实现高效的帧选择，实验表明自身和外部视角提供互补的记忆线索，但现有模型在基准测试中表现有限。
Comments The source code and dataset can be found at https://github.com/RuipingL/EgoExoMem
GrandTour: 一种用于多模态感知与状态估计的野外腿式机器人数据集
机构 * ETH Zurich（苏黎世联邦理工学院） ； Stanford University（斯坦福大学） ； UC Berkeley（伯克利大学） ； Oxford University（牛津大学）
AI总结 GrandTour数据集为多模态感知与状态估计提供了大规模野外腿式机器人数据，支持SLAM和高精度状态估计的研究与开发。
Comments Turcan Tuna, and Jonas Frey contributed equally. Submitted to Sage The International Journal of Robotics Research
ROAD-Waymo：一个用于自动驾驶的大规模动作感知数据集
机构 * Oxford Brookes University（奥克斯福德布鲁克斯大学） ； MAZUST ； University of Oxford（牛津大学） ； Imperial College London（伦敦帝国学院） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 本文提出ROAD-Waymo数据集，用于道路场景中代理、动作等检测技术开发与基准测试，比现有数据集更大更具挑战性，含大量标注数据，通过新注释管道增强完整性，还能解决不同国家道路场景的域适应问题。
ZeroBench：当代大型多模态模型的一个不可能的视觉基准测试
机构 * University of Cambridge（剑桥大学） ； University of Alberta（阿尔伯塔大学） ； The University of Hong Kong（香港大学） ； University of Oxford（牛津大学） ； Northeastern University（东北大学） ； Astadeus ； College of Southern Maryland（马里兰州南部学院） ； University of Geneva（日内瓦大学） ； University of Oregon（俄勒冈大学）
AI总结 针对大型多模态模型在图像解释方面不足但在现有视觉基准测试中优势易逝的问题，引入通过对抗过滤策划的ZeroBench基准测试，评估多个模型，展现其潜力并公开测试内容，为模型视觉能力评估提供长期有效的新基准。
Comments Accepted at ICML 2026
Syn4D：多视图合成4D数据集
机构 * VGG ； University of Oxford（牛津大学） ； Nanyang Technological University（南洋理工大学） ； Naver Labs Europe（Naver欧洲实验室）
AI总结 针对动态场景稠密3D重建跟踪缺高质量标注数据集的问题，构建含多类真值标注的Syn4D数据集，支撑多下游任务，助力相关研究。
Comments 33 pages, 11 figures, project page: https://jzr99.github.io/Syn4D/
分离性身份：语言模型代理缺乏声誉机制的基础
机构 * University of Oxford（牛津大学） ； New York University Shanghai（纽约大学上海分校）
AI总结 本文指出语言模型代理因本体上的分离性（模块可替换、身份流动）而无法满足声誉机制所需的身份持续性、行为可预测性和制裁敏感性，从而提出转向基于可观察性、事前、构成性、协议的行为约束。
Comments Accepted by FaccT 2026
通过场景自我探索进行视图规划
机构 * Northwestern University（西北大学） ； University of Washington（华盛顿大学） ； Microsoft（微软） ； University of Oxford（牛津大学） ； Stanford University（斯坦福大学）
AI总结 提出ViewSuite基准测试揭示VLM在多步视图规划中的不足，并设计迭代框架通过自我探索和视图图蒸馏将Qwen2.5-VL-7B的交互式视图规划准确率从2.5%提升至47.8%。
SHINE：一种可扩展的上下文超网络，用于在单次传递中将上下文映射到LoRA
机构 * Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院） ； Technion, NVIDIA（技术学院与NVIDIA） ； University of Oxford（牛津大学） ； School of Electronics Engineering（电子工程学院） ； Computer Science, Peking University（计算机科学，北京大学）
AI总结 本文提出SHINE，一种可扩展的上下文超网络，用于在单次传递中将多样且有意义的上下文映射到高质量的LoRA适配器，通过重用冻结LLM的自身参数和引入架构创新，克服了先前超网络的关键限制，以较少的参数实现了强大的表达能力。
迈向AI历史学家：从原始资料中进行代理信息提取
机构 * Torr Vision Group, Department of Engineering Science, University of Oxford（牛津大学工程科学系托尔视觉组） ； Oxford Centre for Economic and Social History, University of Oxford（牛津大学牛津经济与社会史中心） ； Faculty of Music, University of Oxford（牛津大学音乐学院） ； Fraunhofer HHI（弗劳恩霍夫海因里希·赫兹研究所）
AI总结 本文介绍Chronos项目首个模块，通过自然语言交互将历史文献图像转化为数据，允许历史学家自定义流程、评估模型性能并迭代优化。
TreeLoc++：利用紧凑数字森林清单在森林中进行稳健的6自由度激光雷达定位
机构 * Department of Mechanical Engineering, Seoul National University, Seoul, South Korea（首尔国立大学机械工程系，韩国首尔） ； Department of Computer Science and Engineering, Indian Institute of Technology Bombay, India（印度班加罗尔印度理工学院计算机科学与工程系） ； Oxford Robotics Institute, Department of Engineering Science, University of Oxford, Oxford, UK（牛津大学奥克斯福德机器人研究所，英国牛津）
AI总结 研究提出TreeLoc++框架，直接基于数字森林清单定位，以紧凑几何属性编码树干。通过距离直方图等减少误匹配，优化估计姿态，不依赖密集点云数据，实现厘米级精度定位，具长期部署扩展性。
Comments 30 pages, 33 figures and 15 tables
JADAI：联合摊销自适应设计与贝叶斯推理
机构 * Rensselaer Polytechnic Institute（伦斯勒理工学院） ； TU Dortmund University（多特蒙德技术大学） ； University of Oxford（牛津大学）
AI总结 针对设计变量可优化以最大化信息增益的参数估计问题，引入JADAI框架，通过端到端训练策略、历史网络和推理网络联合摊销贝叶斯自适应设计与推理，在标准基准测试中性能优越。
Comments Accepted at the 43rd International Conference on Machine Learning (ICML 2026)
用于扩散过程随机控制的自适应划分与学习
机构 * Mathematical Institute, University of Oxford（牛津大学数学研究所） ； Department of Management Science and Engineering, Stanford University（斯坦福大学管理科学与工程系）
AI总结 研究无界连续状态空间等设定下扩散过程的强化学习，引入基于模型算法自适应划分联合状态-动作空间，平衡探索与近似，分析得出依赖多因素的遗憾界并验证方法有效性。
空间思考者：通过密集奖励强化场景图基础的空间推理
机构 * University of Oxford（牛津大学） ； University of California, Santa Cruz（加州大学圣克鲁兹分校）
AI总结 研究针对多模态大语言模型空间推理难题，提出SpatialThinker，通过在线强化学习统一场景图生成与视觉推理，构建心理场景图并借助密集奖励推理，贡献包括基于SGG推理、高质量训练数据集及密集奖励设计。
Comments Preprint. Accepted at NeurIPS 2025 Workshops on SPACE in Vision, Language, and Embodied AI (SpaVLE) as Oral, Embodied World Models for Decision Making (EWM), Aligning Reinforcement Learning Experimentalists and Theorists (ARLET), and Scaling Environments for Agents (SEA)
CoDoL：用于分布外泛化的条件域提示学习
机构 * East China Normal University（东华师范大学） ； Xidian University（西安电子科技大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； The University of Oxford（牛津大学） ； Tsinghua University（清华大学）
AI总结 针对基于提示的CLIP方法存在的文本描述不准确、视觉语言嵌入对齐有限问题，提出CoDoL方法，利用域信息形成提示，还提出DMN生成输入条件令牌，实验验证其在分布外泛化的有效性。
Comments Accepted to TMLR 2026
定量运动测试：从单部智能手机视频测量患者运动
机构 * Nuffield Department of Clinical Neurosciences, University of Oxford（临床神经科学系,Nuffield大学,牛津大学） ； Max Planck Institute of Biological Cybernetics（生物信息学研究所） ； Oxford Gait Laboratory, University of Oxford（牛津大学步态实验室） ； Harvard Medical School（哈佛医学院） ； Massachusetts General Hospital（麻省总医院） ； Institute of Biomedical Engineering, University of Oxford（生物医学工程研究所,牛津大学） ； Mayo Clinic（梅奥诊所）
AI总结 提出基于计算机视觉的定量运动测试（QMT）方法，利用深度学习3D姿态估计从单目智能手机视频提取运动生物标志物，在实验室验证中与光学运动捕捉高度一致（r>0.85），并在纤维肌痛和慢性坐骨神经痛患者中展示了可靠性和纵向监测能力。
利用已知信息：带有部分图结构的因果基础模型
机构 * University of Cambridge（剑桥大学） ； Gatsby Computational Neuroscience Unit（加布特计算神经科学单位） ； Prior Labs（Prior实验室） ； University of Freiburg（弗赖堡大学） ； The Alan Turing Institute（艾伦·图灵研究所） ； University of Oxford（牛津大学）
AI总结 提出在因果基础模型中注入因果图或祖先信息的方法，利用图卷积编码器和注意力机制有效利用部分因果信息，使通用模型匹配专用模型性能。
Journal ref ICML 2026
鲁棒通用四足运动策略的采样策略
机构 * Dynamic Robot Systems（动态机器人系统） ； Oxford Robotics Institute（牛津机器人研究所） ； University of Oxford（牛津大学）
AI总结 研究通过采样物理参数和关节增益，训练单一强化学习策略以泛化到多种四足机器人配置，比较三种采样策略，并利用先验和参考模型提升鲁棒性，在ANYmal上零样本部署。
去除噪声，而非寻找黄金：大规模预训练的质量过滤
机构 * Work done as an intern at Apple（苹果公司实习生） ； University of Oxford（牛津大学） ； Apple（苹果公司）
AI总结 本文深入分析基于分类器的质量过滤（CQF）方法，发现其虽提升下游任务性能，但会隐式过滤高质量数据，且与基于合成数据的模型行为趋势不同，质疑CQF捕捉数据质量的有效性。
Comments 21 pages, 22 figures, 2 tables, accepted at ICML 2026
BioMedArena：构建和评估生物医学深度研究代理的开源工具包
机构 * University of Oxford（牛津大学） ； University College London（伦敦大学学院） ； Technical University of Munich（慕尼黑技术大学） ； Oxford-Suzhou Centre for Advanced Research, China（牛津-苏州先进研究中心）
AI总结 BioMedArena通过解耦六个评估层，提供公平比较不同基础模型的平台，显著提升生物医学基准的性能，实现8个代表性基准的SOTA结果。
医疗AI的全局日志
机构 * Harvard Medical School（哈佛医学院） ； University of Oxford（牛津大学） ； Institute for Ethics in AI（人工智能伦理研究所） ； Cosmos Institute（宇宙研究所） ； Harvard Medical School and Clalit Research Institute（哈佛医学院和Clalit研究机构） ； University of California, San Diego（加州大学圣地亚哥分校） ； Joan and Irwin Jacobs Center for Health Innovation（乔安和伊万·雅各布健康创新中心） ； Oxford University Clinical Research Unit（牛津大学临床研究中心） ； Icahn School of Medicine at Mount Sinai（辛格纳医学中心） ； The Hasso Plattner Institute for Digital Health at Mount Sinai（辛格纳医学中心数字健康研究所） ； ETH Zurich（苏黎世联邦理工学院） ； University Hospital, University of Bern（伯恩大学医院） ； Beth Israel Deaconess Medical Center（贝斯以色列医疗中心） ； Google DeepMind（谷歌DeepMind） ； The Mount Sinai AI Assurance Lab（辛格纳医学中心人工智能保证实验室） ； University of Birmingham（伯明翰大学） ； PATH（PATH组织） ； Seattle Children’s Hospital（西雅图儿童医院） ； Department of Pediatrics, University of California, San Diego（加州大学圣地亚哥分校儿科部） ； Kaiser Foundation Health and Hospitals（凯撒基金会健康与医院） ； e-Patient Dave, LLC（e-Patient Dave公司） ； Regional Office for Europe, World Health Organization（世界卫生组织欧洲地区办公室） ； University of Malta（马耳他大学） ； Centre for Tropical Medicine and Global Health, University of Oxford（牛津大学热带医学与全球健康中心） ； Healthcare Information and Management Systems Society（医疗信息与管理系统协会） ； Clalit Research Institute, Innovation Division, Clalit Health Services（Clalit研究机构创新部门，Clalit健康服务） ； Microsoft Research（微软研究院） ； Gates Foundation（比尔及梅琳达·盖茨基金会） ； Computational Health Informatics Program, Boston Children’s Hospital（波士顿儿童医院计算健康信息学项目）
AI总结 提出MedLog协议，为医疗AI系统提供事件级日志记录，包含九个核心字段，并在多个部署中验证其监测模型行为、工作流交互及下游结果的能力。
Comments MedLog website: https://medlogprotocol.ai
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