University of Cambridge（剑桥大学）

Investigating Associational Biases in Inter-Model Communication of Large Generative Models

研究大生成模型跨模型通信中的关联偏差

Fethiye Irmak Dogan, Yuval Weiss, Kajal Patel, Jiaee Cheong, Hatice Gunes

机构 * University of Cambridge（剑桥大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Harvard University（哈佛大学） 纠错

AI总结 本研究探讨大生成模型跨模型通信中的关联偏差，通过数据集分析发现人口分布漂移，并提出缓解策略以减少不平等影响。

Thinking in Frames: How Visual Context and Test-Time Scaling Empower Video Reasoning

基于框架的思考：视觉上下文和测试时扩展如何增强视频推理

Chengzu Li, Zanyi Wang, Jiaang Li, Yi Xu, Han Zhou, Huanyu Zhang, Ruichuan An, Dengyang Jiang, Zhaochong An, Ivan Vulić, Serge Belongie, Anna Korhonen

机构 * University of Cambridge（剑桥大学） ； Pioneer Center for AI, University of Copenhagen（人工智能先锋中心，哥本哈根大学） ； Hong Kong University of Science（香港科学大学） ； University of California San Diego（加州大学圣地亚哥分校） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Peking University（北京大学） 纠错

AI总结 本文提出通过视频生成模型进行视觉推理，利用视觉上下文和测试时扩展提升视频推理能力，展示了模型在空间和时间复杂任务中的鲁棒零样本泛化能力。

Comments 8 pages, 3 figures, 3 tables (26 pages, 13 figures, 6 tables including references and appendices)

Expanding the Chaos: Neural Operator for Stochastic (Partial) Differential Equations

扩展混沌：用于随机（偏）微分方程的神经算子

Dai Shi, Lequan Lin, Andi Han, Luke Thompson, José Miguel Hernández-Lobato, Zhiyong Wang, Junbin Gao

机构 * University of Cambridge（剑桥大学） ； University of Sydney（悉尼大学） 纠错

AI总结 本文提出基于Wiener-chaos展开的神经算子，用于高效求解随机微分方程和随机偏微分方程，通过参数化混沌系数实现快速轨迹重建，并在多个任务中展示了其有效性。