高校专区
通过多模态大语言模型扩展音频-文本检索
机构 * Visual Geometry Group, University of Oxford（牛津大学视觉几何组） ； Epidemic Sound ； School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院）
AI总结 AuroLA通过多模态大语言模型实现音频-文本检索的扩展，利用可扩展的数据管道和混合NCE损失提升检索性能。
Comments Technical Report
对齐预训练：人工智能 discourse 导致自我实现的（不）对齐
机构 * Geodesic Research（Geodesic研究机构） ； UK AI Security Institute（英国人工智能安全研究所） ； University of Cambridge（剑桥大学） ； University of Oxford（牛津大学）
AI总结 本文通过预训练不同量级的AI discourse，发现其对下游对齐有显著影响，表明预训练数据塑造对齐先验的重要性。
揭示波斯语言模型中的事实-概念鸿沟
机构 * EPFL（瑞士联邦理工学院） ； University of Isfahan（伊斯法罕大学） ； University of Oxford（牛津大学）
AI总结 本文通过DivanBench揭示波斯语言模型在文化常识推理上的不足，发现模型在处理迷信和习俗问题时存在严重偏差，且预训练并未提升推理能力。
简单基线在代码进化中具有竞争力
机构 * University of Oxford（牛津大学）
AI总结 该研究发现简单基线在代码进化任务中表现优异，指出搜索空间设计和评估方法改进是未来研究重点。
对MEG基础模型的样本级分词策略系统评估
机构 * Oxford Centre for Human Brain Activity（牛津人类大脑活动中心） ； University of Oxford（牛津大学） ； Nuffield Department of Clinical Neurosciences（努尔菲尔德临床神经科学系） ； Department of Psychiatry（精神病学系）
AI总结 本文系统评估了MEG数据中样本级分词策略对神经基础模型的影响，提出了一种基于自编码器的可学习分词方法，实验表明简单固定分词策略在重建准确性和下游任务性能上表现良好。
Comments 15 pages, 10 figures, 1 table
黑盒大语言模型的边界点劫持
机构 * UK AI Security Institute（英国人工智能安全研究所） ； OATML, University of Oxford（OATML、牛津大学）
AI总结 BPJ是一种全新的黑盒自动化劫持攻击方法，通过边界点选择策略有效突破宪法分类器和GPT-5输入分类器的防护。
通过李群约束的潜在动态实现几何神经算子
机构 * School of Information and Software Engineering, University of Electronic Science and Technology of China（信息与软件工程学院，电子科学与技术大学） ； Computer Science and Engineering, University of Electronic Science and Technology of China（计算机科学与工程，电子科学与技术大学） ； Institute of Software Chinese Academy of Sciences, Beijing, China（软件研究所，中国科学院） ； School of Robotics and Advanced Manufacture, Harbin Institute of Technology, Shenzhen, China（机器人与先进制造学院，哈尔滨工业大学（深圳）） ； Department of Computer Science, University of Oxford, Oxford, United Kingdom（计算机科学系，牛津大学）
AI总结 本文提出了一种基于李群约束的潜在动态方法，用于改进神经算子的几何诱导偏差，从而提高长期预测的保真度。
基于格子的鲁棒随机梯度后验抽样
机构 * Institute of Physics, University of Amsterdam, Netherlands（阿姆斯特丹大学物理研究所） ； Institute for Mathematics, Academia Sinica, Taiwan（台湾） ； Korteweg-de Vries Institute for Mathematics, University of Amsterdam, Netherlands（阿姆斯特丹大学克罗特-德-维尔斯数学研究所） ； Department of Computer Science, University of Oxford, United Kingdom（牛津大学计算机科学系） ； Normal Computing Corporation, New York, New York, USA（正常计算公司） ； Amsterdam Machine Learning Lab, University of Amsterdam, Netherlands（阿姆斯特丹机器学习实验室） ； Department of Physics, National Taiwan University, Taiwan（台湾国立台湾大学物理系）
AI总结 本文提出SGLRW方法，通过改进的离散化技术提升随机梯度MCMC在小批量和厚尾噪声下的鲁棒性，并在贝叶斯回归和分类中表现出色。
在没有人类示范的情况下学习新城市的驾驶
机构 * WhiRL, University of Oxford（WhiRL，牛津大学） ； FLAIR, University of Oxford（FLAIR，牛津大学） ； Delft University of Technology（代尔夫特理工大学） ； NYU Tandon School of Engineering（纽约大学工程学院）
AI总结 NOMAD通过自play多智能体强化学习，在无需人类示范的情况下，利用地图和元信息实现自动驾驶策略在不同城市间的适应与优化。
Comments Autonomous Driving, Reinforcement Learning, Self-play, Simulation, Transfer Learning, Data-efficient Adaptation. Project Page: https://nomaddrive.github.io/
学习何时计划：高效分配测试时计算用于LLM代理
机构 * University of Warsaw（华沙大学） ； University of Oxford（牛津大学） ； New York University（纽约大学） ； Princeton University（普林斯顿大学） ； University College London（伦敦大学学院）
AI总结 本文提出一种动态规划框架，通过两阶段训练提升LLM在长周期任务中的样本效率和复杂目标达成能力，同时展示人类计划对代理系统性能的增强作用。
在大型语言模型评估中量化构念效度
机构 * University of Oxford（牛津大学） ； St Catherine’s College（圣凯瑟琳学院） ； Oxford Internet Institute（牛津互联网研究所）
AI总结 本文提出结构能力模型，通过结合缩放定律和潜在因子模型，提升LLM评估中构念效度的量化能力。
深度无知：过滤预训练数据在开放权重大语言模型中构建抗篡改的安全保障
机构 * EleutherAI ； UK AI Security Institute（英国人工智能安全研究所） ； University of Oxford（牛津大学） ； OATML, University of Oxford（OATML，牛津大学）
AI总结 本文提出通过过滤预训练数据中的双用途内容，增强开放权重大语言模型的抗篡改能力，实验显示其在对抗微调攻击上表现优异，且未影响其他能力。
Comments https://deepignorance.ai/
如何全局校准增强多准确性
机构 * University of Oxford（牛津大学） ； Apple（苹果公司） ； Stanford University（斯坦福大学）
AI总结 本文研究了多准确性作为学习原语的威力，发现其本身较弱，但结合全局校准后能显著提升，恢复了多校准下的推论。
Comments Presented at FOCS 2025
MacroGuide：宏环生成的拓扑引导
机构 * University of Oxford（牛津大学）
AI总结 MacroGuide通过持久同调引导预训练扩散模型生成宏环，显著提高生成效率并提升质量指标
选择合适的专家：基于神经过程的注意力机制用于选择任务专用模型作为智能医疗系统工具
机构 * Department of Engineering Science, University of Oxford, United Kingdom（牛津大学工程科学系） ； Department of Computer Science, Khalifa University, Abu Dhabi, United Arab Emirates（哈利法大学计算机科学系）
AI总结 本文提出ToolSelect，一种基于神经过程和注意力机制的模型选择方法，用于智能医疗系统中选择任务专用模型，通过实验展示其在不同任务上的优越性能。
EmbeWebAgent：将Web代理嵌入到任何定制的UI中
机构 * IBM Research Europe（IBM欧洲研究院） ； University of Oxford（牛津大学）
AI总结 EmbeWebAgent通过轻量前端钩子和可重用后端工作流，将Web代理嵌入定制UI，支持混合粒度动作并实现鲁棒的多步骤行为。
Comments Technical Report; Live Demo: https://youtu.be/Cy06Ljee1JQ
AIRS-Bench: 一个面向前沿人工智能研究科学代理的任务集
机构 * FAIR at Meta（Meta 的 FAIR 部门） ； University of Oxford（牛津大学） ； University College London（伦敦大学学院）
AI总结 AIRS-Bench通过20个任务评估代理在科研全生命周期中的能力，发现代理在部分任务中超越人类但未达理论上限，推动自主科研发展。
Comments 49 pages, 14 figures, 10 tables
校准的预测下界：在大语言模型中时间到不安全采样的预测下界
机构 * Department of Computer Science, Technion IIT（计算机科学系） ； Department of Statistics, University of Oxford（统计系） ； Department of Electrical and Computer Engineering, Technion IIT（电气与计算机工程系）
AI总结 本文提出了一种基于生存分析的校准技术，用于构建大语言模型中时间到不安全采样的预测下界，以提高安全风险评估的可靠性。
离线学习纳什稳定的联盟结构（可能有重叠的联盟）
机构 * Bar Ilan University（巴伊兰大学） ； University of Oxford（牛津大学）
AI总结 本文提出了一种允许重叠联盟的离线学习模型，通过分析代理级和联盟级效用反馈，设计样本高效的算法以推断纳什稳定的联盟结构。
Comments To Appear in the 25th International Conference on Autonomous Agents and Multiagent Systems (AAMAS), 2026
评估金融领域的LLM需要显式考虑偏见
机构 * University of Chicago Booth School of Business（芝加哥大学商学院） ； Pusan National University（釜山国立大学） ； Ulsan National Institute of Science（乌山国立科学研究院） ； University of Oxford（牛津大学） ； University of Florida（佛罗里达大学）
AI总结 本文提出了一种结构性有效性框架，强调在金融领域使用LLM时需显式考虑偏见问题，并提出了评估检查表以确保结果的有效性。
T2MBench：一种用于分布外文本到动作生成的基准测试
机构 * The Hong Kong University of Science（香港科学与技术大学） ； University of Oxford, Oxford, United Kingdom（牛津大学）
AI总结 T2MBench提出了一种用于评估分布外文本到动作生成的基准测试，通过全面分析基础模型和构建专用数据集，揭示现有方法在复杂场景下的局限性。
高精度、少言 (HALT)：通过能力对齐微调实现可靠的LLM
机构 * University of Oxford（牛津大学） ； Anthropic（Anthropic公司） ； Meta ； University of Washington（华盛顿大学）
AI总结 HALT通过能力对齐微调提高LLM的响应正确性，使模型在四个领域中正确性提升至87%
半导体自旋量子比特的完全自主调谐
机构 * Department of Materials, University of Oxford（材料系，牛津大学） ； Department of Physics, University of Basel（物理系，巴塞尔大学） ； Mind Foundry Ltd（Mind Foundry有限公司） ； Department of Engineering Science, University of Oxford（工程科学系，牛津大学）
AI总结 本研究首次实现了半导体自旋量子比特的完全自动化调谐，利用深度学习、贝叶斯优化和计算机视觉技术，展示了从接地设备到拉比振荡的量子比特操作，并探讨了其在大规模量子电路发展中的潜力。
Journal ref Nature Electronics (2026)
大规模检测砖窑基础设施：用于卫星图像数据的图、基础和遥感模型
机构 * Planetary Health Informatics (PHI) Lab, University of Oxford, Oxford, UK.（行星健康信息学实验室，牛津大学，英国） ； Sustainable Environment (FUSE) Lab, University of Hong Kong, Hong Kong, China.（可持续环境（FUSE）实验室，香港大学，中国） ； School of Computer and IT, Beaconhouse National University, Lahore, Pakistan（计算机与信息技术学院，贝肯豪斯国家大学，巴基斯坦） ； Computer Science Department, Lahore University of Management Sciences, Lahore, Pakistan（管理科学大学计算机科学系，拉合尔，巴基斯坦） ； Computer Science Department, University of Sarghoda, Sarghoda, Pakistan（计算机科学系，萨尔戈达大学，巴基斯坦）
AI总结 本文提出ClimateGraph模型和遥感检测流水线，通过高分辨率卫星图像实现大规模砖窑基础设施的检测与监测。
超越IUGC基准：重新思考深度学习方法在胎儿超声视频中的产程超声生物测量需求
机构 * Department of Cardiovascular Surgery, The First Affiliated Hospital of Jinan University, Jinan University, Guangzhou, China ； Auckland Bioengineering Institute, The University of Auckland, Auckland, New Zealand ； School of Computer Science, University of Sydney, Sydney, Australia ； Neonatology, Sydney Medical School Nepean, University of Sydney Nepean Hospital, Penrith, New South Wales, Australia ； Discipline of Medical Imaging, Faculty of Medicine ； Health, Susan Wakil Health Building, University of Sydney, Camperdown, New South Wales, Australia ； Medical Imaging, Orange Health Service, Orange, New South Wales, Australia ； University of Electronic Science ； Henan Kaifeng College of Science Technology ； Changchun University of Science ； University of Western Brittany, Brest, France ； Sichuan University, Chengdu, China ； Department of Machine Learning, Mohamed bin Zayed University of Artificial Intelligence, Masdar, Abu Dhabi ； College of Computer Science ； Engineering, Chongqing University of Technology, Chongqing, China ； Oxford Machine Learning in NeuroImaging Lab, Department of Computer Science, University of Oxford, Oxford, United Kingdom ； Visual Geometry Group, University of Oxford, Oxford, United Kingdom ； School of Computer Science ； Engineering, Nanyang Technological University, Singapore ； The University of Michigan-Shanghai Jiao Tong University Joint Institute, Shanghai Jiao Tong University, Shanghai, China ； College of Computer ； Information Science, Chongqing Normal University, Chongqing, China ； The University of Manchester, Manchester, United Kingdom ； Southwest University, Chongqing, China ； Division of Medical Image Computing, German Cancer Research Center (DKFZ), Heidelberg, Germany ； Department of Electronic ； Computer Engineering, The Hong Kong University of Science ； Chief Medical Officer Deepecho Ibn Rochd CHU, Hassan II University, Casablanca, Morocco ； Department of Radiography, School of Biomedical ； Allied Health Sciences, College of Health Sciences, University of Ghana, Accra ； Department of Human Biology, Biomedical Engineering Research Center, University of Cape Town, Cape Town, South Africa ； Gynecology Center, Zhujiang Hospital, Southern Medical University, Guangzhou, China ； Department of Obstetrics ； Gynecology, Third Affiliated Hospital of Sun Yat-sen University, Guangzhou, China ； Gynecology, The First Affiliated Hospital of Jinan University, Guangzhou, China ； Children's Medical Center, Guangdong Provincial Clinical Research Center for Child Health, Guangzhou, China ； Engineering Division, King Abdullah University of Science ； Shenzhen University, Shenzhen, China ； Artificial Intelligence in Medicine Lab (BCN-AIM), Barcelona, Spain ； School of Biomedical Engineering, Case Western Reserve University, Cleveland, OH, USA
AI总结 本研究提出了一种多任务自动测量框架，用于产程超声生物测量，旨在解决资源有限环境下超声技师短缺的问题，并通过公开数据集和基准结果促进该领域的发展。
软污染数据的基准测试浅层泛化
机构 * Arb Research（Arb研究） ； Charles University, Prague（查尔斯大学） ； University of Oxford（牛津大学） ； University of Cambridge（剑桥大学）
AI总结 研究发现训练数据中存在语义重复污染，导致基准测试性能提升可能反映真实能力提升和测试数据积累的综合作用。
任务驱动表示在杂乱池中的主动学习
机构 * Department of Statistics, University of Oxford（牛津大学统计系）
AI总结 本文提出任务驱动表示用于主动学习，通过定期更新和半监督学习策略提升杂乱数据池的处理效果。
物理具身的条件使泛化和关怀成为可能
机构 * Institute for Advanced Consciousness Studies（先进意识研究所） ； Monash Centre for Consciousness and Contemplative Studies（莫纳什意识与冥想研究中心） ； University of Oxford（牛津大学） ； Topos Institute（拓斯研究所） ； Allen Discovery Center（艾伦发现中心） ； Okinawa Institute of Science and Technology（冲绳科学技术研究所） ； Max Planck Institute for Human Cognitive and Brain Sciences（马克斯·普朗克人类认知与脑科学研究所） ； University of Hertfordshire（赫特福德郡大学） ； Brain and Creativity Institute（大脑与创造力研究所）
AI总结 本文提出物理具身的条件是泛化和关怀的基础，通过稳态驱动和因果建模实现智能体在开放环境中的鲁棒性和可信对齐。
Comments 15 pages, 1 figure
MaskInversion: 通过可解释性图的优化生成局部嵌入
机构 * Tuebingen AI Center University of Tuebingen（图宾根人工智能中心 图宾根大学） ； University of Oxford（牛津大学） ； Meta ； MIT-IBM Watson AI Lab（麻省理工-IBM Watson人工智能实验室）
AI总结 MaskInversion通过优化可解释性图生成特定图像区域的嵌入，适用于多种视觉-语言任务。
Comments Project page: https://walidbousselham.com/MaskInversion
分类流映射
机构 * UvA-Bosch Delta Lab, University of Amsterdam, Amsterdam, Netherlands（阿姆斯特丹大学） ； Department of Computer Science, University of Oxford, Oxford, UK（牛津大学计算机科学系） ； Donders Institute for Brain, Cognition and Behaviour, Radboud University（拉德堡德大学大脑与行为研究所）
AI总结 分类流映射通过自我蒸馏实现加速的少步生成，适用于图像、分子图和文本，取得最佳性能。
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