高校专区
Elastic ODYN：面向机器人中不可行控制与学习的可微优化
机构 * University of Oxford（牛津大学） ； Heriot-Watt University（赫瑞瓦特大学）
AI总结 提出Elastic ODYN，一种通过平滑平方ℓ2弹性松弛处理不可行二次规划（QP）的原始-对偶非内点求解器，支持热启动，在无可行点时收敛到最接近可行解，并基于此开发可微QP层和不可行感知SQP方法，在基准QP、奇异接触力学、可微参数辨识及四足/人形机器人轨迹优化中优于现有方法。
Comments 8 pages, 5 figures, 2 tables
AI系统在说服力上超越人类专家
机构 * University of Oxford（牛津大学） ； UK AI Security Institute（英国人工智能安全研究所） ； Stanford University（斯坦福大学） ； London School of Economics and Political Science（伦敦政治经济学院）
AI总结 通过四项预注册实验（n=18,978次对话），发现AI系统在说服力上可靠地超越人类专家，包括专业拉票者和世界辩论冠军，其优势源于快速部署大量信息，并扩展到现实世界筹款行为。
Comments 16 pages, 4 figures
任务引导的跨被试潜在对齐：一种多编码器-解码器VAE
机构 * Centre for Neural Circuits and Behaviour Department of Physiology Anatomy and Genetics University of Oxford（神经回路与行为中心 生理解剖与遗传学系 牛津大学） ； Big Data Institute Nuffield Department of Medicine University of Oxford（大数据研究所 纳菲尔德医学系 牛津大学）
AI总结 提出MED-VAE模型，通过预训练ANN锚定表征，实现无共享刺激的跨被试神经对齐，在自然场景数据集上优于传统方法，并支持跨被试图像解码。
Comments In Proceedings of the 9th Conference on Cognitive Computational Neuroscience, New York, NY, USA, 2026
从量子计算实验中学习基态可观测量
机构 * IBM Quantum, IBM Research Europe, Hursley, Winchester, SO21 2JN, United Kingdom（IBM量子、IBM欧洲研究院，赫尔斯利，温切斯特，SO21 2JN，英国） ； Department of Engineering Science, University of Oxford, Parks Road, Oxford OX1 3PJ, United Kingdom（工程科学系，牛津大学，帕克斯路，牛津 OX1 3PJ，英国） ； IBM Quantum, T. J. Watson Research Center, Yorktown Heights, NY 10598, USA（IBM量子、T.J. Watson研究中心，扬斯敦高地，纽约 10598，美国） ； Department of Materials, University of Oxford, Parks Road, Oxford OX1 3PH, United Kingdom（材料系，牛津大学，帕克斯路，牛津 OX1 3PH，英国） ； The Hartree Centre, STFC, Sci-Tech Daresbury, Warrington WA4 4AD, UK（哈特里中心，STFC，科技达尔斯伯里，沃林顿 WA4 4AD，英国） ； IBM Quantum, IBM Research Europe — Zurich, Ruschlikon 8803, Switzerland（IBM量子、IBM欧洲研究院——苏黎世，卢斯利康 8803，瑞士） ； IBM Research, Chicago, IL 60606, USA（IBM研究院，芝加哥，伊利诺伊 60606，美国）
AI总结 本文在115量子比特的二维海森堡XXZ模型中，利用近似基态的实验数据训练神经网络，成功预测了未见哈密顿量参数下的空间分辨可观测量，展示了从量子数据学习的实际可行性。
Comments 20 pages, 14 figures
FinBalance：多文档会计对账基准
机构 * BITS Pilani（比拉理工学院皮拉尼校区） ； KIIT Bhubaneswar（KIIT布巴内斯瓦尔） ； University of Oxford（牛津大学）
AI总结 提出FinBalance基准，通过多行业源文档构建会计对账任务，评估LLM在生成资产负债表和检测不一致性上的表现，发现模型在文档绑定和一致性聚合上存在显著差距。
Comments 18 pages, 12 figures. Code and data: https://github.com/Devansh1105/finbalance
拓扑流匹配
机构 * University of Oxford（牛津大学） ； TU Wien（维也纳技术大学） ； AITHYRA
AI总结 提出拓扑流匹配，通过拉普拉斯漂移增强参考过程，在保留流匹配稳定性和无模拟目标的同时，捕捉底层域拓扑结构，适用于脑fMRI、洋流等结构化数据。
Comments Accepted at ICLR 2026. 26 pages, 24 figures. Code: https://github.com/KacperWyrwal/topological-flow-matching
UrbanWell: 面向时空城市福祉分析的多模态大语言模型基准测试
机构 * University of Helsinki（赫尔辛基大学） ； Zhongguancun Academy（中关村学院） ； University of Oxford（牛津大学） ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
AI总结 提出UrbanWell基准，通过卫星和街景图像联合建模，系统评估多模态大语言模型在环境、空间可达性、城市形态、活力和主观感知等5类城市福祉指标上的时空推理能力，并定义时序预测和趋势分类任务。
Comments accepted by KDD Datasets and Benchmarks Track 2026
SciOrch: 学习编排专家大语言模型以解决前沿多模态科学推理任务
机构 * Imperial College London（伦敦帝国学院） ； The Chinese University of Hong Kong（香港中文大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； University of Oxford（牛津大学） ； Shenzhen Loop Area Institute（深圳河套学院）
AI总结 提出SciOrch框架，训练轻量级8B模型编排多个前沿大语言模型，通过MCTS和GRPO优化，在科学推理任务上超越最强单模型和多智能体基线。
迈向AI研究的端到端自动化
机构 * Sakana AI ； FLAIR ； University of Oxford（牛津大学） ； University of British Columbia（不列颠哥伦比亚大学） ； Vector Institute（向量研究所）
AI总结 提出AI Scientist系统，利用基础模型实现从构思到论文撰写的全自动研究，并通过机器学习会议研讨会的同行评审。
Comments Published in Nature 651, 914-919 (2026)
语义DLM+：通过转移核设计中的偏差-方差权衡改进扩散语言模型
机构 * Alibaba Group（阿里巴巴集团） ； Fudan University（复旦大学） ； University College London（伦敦大学学院） ； Nanyang Technological University（南洋理工大学） ； University of Oxford（牛津大学）
AI总结 本文通过分析泛化误差的三个关键因素，提出SemDLM+模型，通过全局转移和语义频率惩罚解决语义盆地问题，在LM1B和OpenWebText上提升了训练动态和生成质量。
ChatPlanner: 一个用于个性化公共交通路线规划的大型语言模型框架
机构 * 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） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系）
AI总结 提出ChatPlanner框架，利用大型语言模型和检索增强生成技术从自然语言查询中提取用户偏好并融入路线规划算法，实验证明其能生成更符合个性化需求的可行路线方案。
Comments Under Review at Transportation Research Part C
扩散模型的时间差分学习
机构 * Department of Engineering Science, University of Oxford, Oxford, United Kingdom（牛津大学工程科学系） ； School of Computer Science, Carleton University, Ottawa, Canada（卡尔顿大学计算机科学学院）
AI总结 提出时间差分（TD）目标函数，通过将扩散过程视为马尔可夫奖励过程并利用强化学习中的策略评估，强制去噪轨迹上的跨时间一致性，显著提升少步采样下的生成质量。
Comments 15 pages, 4 figures. Accepted at ICML 2026
XMedFusion：面向自主医疗系统的知识引导多模态感知与推理框架
机构 * National University of Sciences and Technology (NUST)（巴基斯坦国立科技大学） ； University of Oxford（牛津大学）
AI总结 提出XMedFusion模块化AI框架，通过视觉感知、知识图谱构建和检索引导生成等智能体协同，增强放射学报告生成的视觉基础与临床发现捕捉能力，在公共数据集上显著优于基线模型。
Comments Accepted at the 2026 International Conference on Robotics and Automation in Industry (ICRAI)
Journal ref 2026 International Conference on Robotics and Automation in Industry (ICRAI), pp. 1-6, May 2026
测量大语言模型在误导性医疗上下文下的认知韧性
机构 * University of Oxford（牛津大学） ； University of Washington（华盛顿大学） ； University College London（伦敦大学学院） ； University of Waterloo（滑铁卢大学）
AI总结 本研究提出MedMisBench基准，通过注入误导性上下文测试大语言模型在医疗场景中的认知韧性，发现模型准确率从71.1%降至38.0%，权威性虚假信息攻击成功率达69.5%。
Instruct-Particulate: 基于运动学控制的可扩展前馈式3D物体关节化
机构 * University of Oxford（牛津大学） ； University of Cambridge（剑桥大学） ； Nanyang Technological University（南洋理工大学）
AI总结 提出Instruct-Particulate模型，通过运动学规范（部件描述、连接性、关节类型等）指导3D网格的关节分割和运动参数预测，利用异构数据集（15万+物体）训练，实现跨类别和AI生成网格的泛化。
Comments Project page: https://instruct-particulate.github.io/
ORCA: 开源灵巧性研究平台
机构 * University of Oxford（牛津大学） ； ETH Zurich（苏黎世联邦理工学院） ； Orca Dexterity
AI总结 提出ORCA学习栈，统一灵巧手控制、仿真、遥操作和重定向，集成机器人学习框架，实现端到端灵巧操作研究。
Comments 15 pages
Every Eval Ever：AI评估结果的统一模式与社区仓库
机构 * Technical University Munich（慕尼黑工业大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； Weizenbaum Institute（魏岑鲍姆研究所） ； Zuse Institute Berlin（柏林祖泽研究所） ； Evidence Prime ； Trustible ； Kitware ； ETH Zurich（苏黎世联邦理工学院） ； StickFlux Labs ； Stanford University（斯坦福大学） ； Northeastern University（东北大学） ； IBM Research（IBM研究院） ； Comenius University Bratislava（布拉迪斯拉发夸美纽斯大学） ； Cisco（思科） ； University of Notre Dame（圣母大学） ； Hebrew University of Jerusalem（耶路撒冷希伯来大学） ； University of Oxford（牛津大学） ； Ohio University（俄亥俄大学） ； Writer ； TCS Research（塔塔咨询服务研究院） ； Oxford University Press（牛津大学出版社） ； Queen Mary University of London（伦敦玛丽女王大学） ； Technical University Berlin（柏林工业大学） ； University of Delaware（特拉华大学） ； Cinemo ； Johns Hopkins University（约翰霍普金斯大学） ； University of Copenhagen（哥本哈根大学） ； ELLIS（欧洲学习与智能系统实验室） ； Iowa State University（爱荷华州立大学） ； Meta FAIR ； University of Montreal（蒙特利尔大学） ； Mila Quebec AI Institute（Mila魁北克人工智能研究所） ； EleutherAI ； Yale University（耶鲁大学） ； Hugging Face ； University of Edinburgh（爱丁堡大学） ； Harvard University（哈佛大学） ； ETH AI Center（ETH人工智能中心） ； MIT（麻省理工学院） ； MIT-IBM Watson Lab（MIT-IBM沃森实验室）
AI总结 针对AI评估结果格式不统一、难以比较的问题，提出首个共享模式与社区众包仓库，通过标准化表示、自动转换器和社区数据库实现跨评估框架的统一。
当语言表示交互时：LLM中的可分离性与跨语言效应
机构 * University of Oxford（牛津大学） ； Imperial College London（帝国理工学院） ； University of York（约克大学）
AI总结 通过因果几何分析，研究多语言LLM中语言表示的线性可分离性及跨语言结构依赖，发现语言概念在协方差调整内积下可分离，同语系语言呈现单纯形几何结构。
Comments Trustworthy AI for Good (AI4Good) Workshop @ ICML 2026
解码昆虫之歌：一种多任务半监督直翅目生物声学分类器
机构 * University of Oxford（牛津大学）
AI总结 提出PULSE半监督多任务框架，结合弱监督分类、自监督学习和知识蒸馏，在直翅目生物声学分类中优于通用模型，并通过主动学习进一步提升性能。
Comments ICML 2026 Workshop on Machine Learning for Audio
Mental-R1：面向心理健康评估的对齐LLM推理
机构 * University of Oxford（牛津大学） ； Oxford Suzhou Centre for Advanced Research（牛津大学苏州高等研究院）
AI总结 提出认知相对策略优化（CRPO）框架，通过阶段依赖不确定性建模和熵正则化机制，使LLM推理对齐人类认知过程，在8个心理健康数据集上加权F1平均提升10.4个百分点。
断层线：在公共部门转型中国家政策与地方实践交汇处的伦理与负责任AI导航
机构 * Centre for Machine Intelligence, University of Sheffield（谢菲尔德大学人工智能中心） ； Blavatnik School of Government, University of Oxford（牛津大学布莱瓦尼克政府学院）
AI总结 本文以英国特殊教育需求与残疾（SEND）为案例，通过17次半结构化访谈的主题分析，揭示了国家政策与地方实践在负责任AI实施中的五大挑战，并提出了政策与结构改革建议。
Comments 10 pages plus references. This study was funded by the University of Sheffield
标准可解释模型：一种基于拉格朗日力学的可解释机器学习通用理论，用于演绎设计可解释方法
机构 * IBM Research (CH)（IBM研究院（瑞士）） ； University of Oxford (UK)（牛津大学（英国）） ； University of Cambridge (UK)（剑桥大学（英国）） ； KU Leuven (BE)（鲁汶大学（比利时）） ； Institute of Physics of the Czech Academy of Sciences (CZ)（捷克科学院物理研究所（捷克））
AI总结 提出标准可解释模型（SIM），基于拉格朗日力学从前提演绎出可解释性对称性和约束，通过最小化拉格朗日函数得到最优可解释模型，解决现有方法局限性并指导新方法设计。
使用可解释性作为训练时可靠性信号实现高效心电图分类
机构 * School of Computer Science, University of Nottingham（诺丁汉大学计算机科学学院） ； 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） ； School of Computer Science, University of Nottingham Ningbo China（宁波诺丁汉大学计算机科学学院）
AI总结 提出ERTS方法，利用训练中的解释质量（Grad-CAM注意力图）区分信息性和不可靠不确定性，过滤低聚焦样本，在三个ECG数据集上提升macro-F1并降低训练成本。
社会科学中的AI编码智能体：方法多样，经验一致，解释脆弱
机构 * University of Oxford（牛津大学） ； University of Zurich（苏黎世大学） ； Technical University of Munich（慕尼黑工业大学）
AI总结 研究LLM智能体在科学分析中的方法多样性与解释脆弱性，通过20次独立实验发现智能体在设计层匹配或超越人类多样性，但在裁决层易受提示影响，偏差源于解释而非估计。
AI编码智能体能够复现社会科学研究结果
机构 * University of Oxford（牛津大学） ； University of Zurich（苏黎世大学） ； Carnegie Mellon University（卡内基梅隆大学） ； New York University（纽约大学）
AI总结 本研究构建SocSci-Repro-Bench基准测试，评估Claude Code和Codex两个前沿编码智能体在221项社会科学任务中的复现能力，发现它们能复现大部分结果，且Claude Code表现更优，同时提示框架会影响确认性规范搜索。
任意步SDE的Itô映射
机构 * Harvard University（哈佛大学） ； University of Oxford（牛津大学） ； Kempner Institute（凯门研究所）
AI总结 提出Itô映射，一种任意步随机流映射，通过单次前向传播预测未来状态，实现随机动力学的精确蒸馏，并支持推理时控制和后验采样。
数据记者智能体：将数据转化为可验证的多模态故事
机构 * University of Oxford（牛津大学） ； Stanford University（斯坦福大学）
AI总结 提出多智能体框架Data2Story，通过证据链验证声明并自动生成多模态文章，在18篇文章上评估，证明其在透明性和可审计性上接近人类记者。
Comments Project page: https://data2story.github.io Github: https://github.com/QinghongLin/data2story-skill
GUIDE: 目标初始化的定向理解用于端到端视觉导航
机构 * Institute of Cyber-Systems and Control, Zhejiang University（浙江大学控制科学与工程学院） ； Institute of Artificial Intelligence (TeleAI), China Telecom（中国电信人工智能研究院（TeleAI）） ； Oxford Robotics Institute, University of Oxford（牛津大学牛津机器人研究所） ； Center for Robotics, University of Bonn（波恩大学机器人中心） ； Department of Mechanical Engineering, Massachusetts Institute of Technology（麻省理工学院机械工程系）
AI总结 提出GUIDE框架，通过空间锚点预测器利用多频率本体感受历史提取自运动表示，结合深度流感知局部几何，实现无需后续目标更新的端到端四足机器人导航。
Comments https://guide-navigation.github.io/
3D-CoS：基于VLM代码合成的新型3D重建范式
机构 * Shanghai Jiao Tong University（上海交通大学） ； The Chinese University of Hong Kong（香港中文大学） ； Microsoft（微软） ； University of Oxford（牛津大学）
AI总结 提出3D代码合成（3D-CoS）范式，将3D资产表示为可执行的Blender代码，利用VLM进行程序化重建，实现高可控性和局部编辑能力。
Comments Preprint. 24 pages, 11 figures
游戏化AI辅助同行评审对科学界构成新风险
机构 * OATML, University of Oxford（OATML，牛津大学） ； MBZUAI
AI总结 研究发现，通过表面改写摘要即可显著操纵AI评审结果，成功率约38%，且成本低、难以区分，可能扭曲科学评估的公正性。
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