University of Cambridge（剑桥大学）

Imitation Learning for Connection-Tableau Construction

用于连接表构造的模仿学习

Fredrik Rømming, Mantas Bakšys, Martin S. Fixman, Sean B. Holden

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 该研究将连接表构造建模为迁移系统中的策略，结合模仿学习与图神经网络训练策略，在多个基准上较leanCoP提升了定理证明的问题解决率并大幅减少步数。

Comments 9 pages. Code: this https URL (https://github.com/fredrrom/connections)

Spectral Allocation: Why Muon Outperforms Adam, and How to Improve Muon

频谱分配：为何Muon优于Adam，以及如何改进Muon

Xiaodong Wu, Wenyi Yu, Chao Zhang, Philip Woodland

机构 * University of Cambridge（剑桥大学） ； Tsinghua University（清华大学） 纠错

AI总结 本文通过频谱分析揭示Muon优于Adam的机制，提出SAMuon及其简化版SAMuon-lite，在多规模modded-nanogpt模型上，二者均优于AdamW和Muon，且SAMuon可减少13.3%-24.0%训练令牌。

Comments 34 pages, 13 figures, 7 tables

Visual General Intelligence: A White Paper

视觉通用智能：白皮书

Hirokatsu Kataoka, Yoshihiro Fukuhara, Yonglong Tian, Shangzhe Wu, Oishi Deb, Ryousuke Yamada, Christian Rupprecht, Jianyuan Wang, Kohsuke Ide, Koichi Namekata, Xianzheng Ma, Yiming Chen, Robert Geirhos, Aditi Raghunathan, Yuki M. Asano, Deva Ramanan, David Fouhey, Andrew J. Davison, Yilun Du, Jiajun Wu, Zhuang Liu

机构 * National Institute of Advanced Industrial Science and Technology (AIST)（日本国立先进工业科学技术研究所（AIST）） ； Visual Geometry Group (VGG), University of Oxford（牛津大学视觉几何组（VGG）） ； CADDi（CADDi公司） ； OpenAI（OpenAI公司） ； University of Cambridge（剑桥大学） ； University of Technology Nuremberg（纽伦堡工业大学） ； University of Tsukuba（筑波大学） ； Google DeepMind（谷歌DeepMind） ； Carnegie Mellon University（卡内基梅隆大学） ； New York University（纽约大学） ； Imperial College London（伦敦帝国学院） ； Harvard University（哈佛大学） ； Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学） 纠错

AI总结 本文以视觉为中心探讨通用人工智能（AGI）路径，提出视觉通用智能（VGI）概念，明确AGI时代计算机视觉的发展原则、模态、基准等关键方向。

Skill Issue: Are Skills Language-Invariant in LLMs?

技能问题：大型语言模型的技能是否具有语言不变性？

Bobby Cheng, Adam Gaber, Zhengyuan Liu, Catherine Arnett, Omer Goldman, Cheston Tan, Leshem Choshen

机构 * A*STAR（新加坡科技研究局） ； Weizmann Institute of Science（魏茨曼科学研究所） ； MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室） ； University of Cambridge（剑桥大学） ； EleutherAI 纠错

AI总结 该研究以多语言自博弈方法量化大型语言模型的跨语言技能不一致性，发现同一模型在不同语言下博弈实力差异显著，语言可影响决策阶段，技能差异是多语言模型开发的主要障碍。

Fairness-Aware Test-Time Prompt Tuning

感知公平性的测试时提示调优

Yoann Launay, Parameswaran Kamalaruban, Tom Kempton, Stuart Burrell, David Sutton

机构 * University of Cambridge（剑桥大学） ； Visa Inc.（维萨公司） ； University of Manchester（曼彻斯特大学） 纠错

AI总结 本文针对分布偏移下视觉-语言模型的公平性问题，提出了感知公平性的情节式测试时自适应方法FairTPT，通过软提示调优联合优化熵，实现公平性提升并优于现有方法。

Using profiles of cognitive capability to assess AI suitability for workplace tasks

利用认知能力画像评估AI对职场任务的适用性

Jonathan Prunty, Marko Tešić, Patrick Quinn, José Hernández-Orallo, Lucy Cheke

机构 * University of Cambridge（剑桥大学） ； Department for Science, Innovation and Technology（科学、创新与技术部） ； Universitat Politècnica de València（瓦伦西亚理工大学） 纠错

AI总结 本研究提出基于共享核心认知能力的画像流程，通过AI与职场任务的认知维度匹配，为AI职场任务范围界定提供工具，还探讨了扩展至人机协同画像的方向。

Flower Hub: A Reproducible Benchmarking Platform for Federated Learning in Simulation and Deployment

Flower Hub：用于联邦学习仿真与部署的可复现基准测试平台

Yan Gao, Mohammad Naseri, Javier Fernandez-Marques, Dimitris Stripelis, Lorenzo Sani, Davide Eynard, Fan Zhang, Hong Jia, Ting Dang, D. B. Emerson, Fatemeh Tavakoli, Ole Werger, Lars Wulfert, Petros Demetrakopoulos, Sofia Tsekeridou, InSeo Song, KangYoon Lee, Honghao Li, Lingjuan Lyu, John P Dickerson, Daniel Janes Beutel, Nicholas D. Lane

机构 * Flower Labs ； University of Cambridge（剑桥大学） ； University of Auckland（奥克兰大学） ； University of Melbourne（墨尔本大学） ； Vector Institute ； Fraunhofer IMS（弗劳恩霍夫应用固体物理与材料力学研究所） ； NetCompany ； Gachon University（嘉泉大学） ； Owkin ； Sony AI（索尼人工智能） 纠错

AI总结 Flower Hub是一款联邦学习基准测试平台，可将基准打包为可执行应用，支持跨仿真与部署运行，涵盖多领域任务，推动联邦学习基准测试向可复用方向发展。

Seeing or Knowing? Visual Context Sensitivity in Multimodal Large Language Models

视觉还是认知？多模态大语言模型的视觉上下文敏感性

Jiaang Li, Chengzu Li, Zhaochong An, Yifei Yuan, Xi Liu, Serge Belongie, Vésteinn Snæbjarnarson

机构 * University of Copenhagen（哥本哈根大学） ； University of Cambridge（剑桥大学） ； ETH Zürich（苏黎世联邦理工学院） ； Clemson University（克莱姆森大学） 纠错

AI总结 该研究探究多模态大语言模型在视觉证据与先验冲突任务上的失效原因，引入WhatIfVis基准，发现其能编码视觉证据但难以控制对其的依赖，监督微调等方法可提升可控性。

Lower-Resource, Higher Scores: Language Bias in LLM Evaluators

语言模型评估器在不同语言间存在偏差

Ej Zhou, Lucas Resck, Zheng Hui, Anna Korhonen

机构 * University of Cambridge（剑桥大学） ； Language Technology Lab（语言技术实验室） 纠错

AI总结 研究发现语言模型评估器在多语言环境中存在偏差，不同语言评分差异显著，与语言资源水平相关，成对准确率无法检测到这些偏差，还探究了资源少的语言得分高的原因，揭示了语言层面的结构错位。

Giving AI Agents Access to Cryptocurrency and Smart Contracts Creates New Vectors of AI Harm

赋予人工智能代理访问加密货币和智能合约的新AI危害途径

Bill Marino, Ari Juels

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 本文探讨了赋予AI代理访问加密货币和智能合约可能带来的新AI危害途径，并呼吁进行技术研究以防范这些风险。

Deep greedy unfolding: Sorting out argsorting in greedy sparse recovery algorithms

深度贪心展开：理清贪心稀疏恢复算法中的排序（argsort）问题

Sina Mohammad-Taheri, Matthew J. Colbrook, Simone Brugiapaglia

机构 * Department of Mathematics and Statistics, Concordia University（数学与统计学系，康科迪亚大学） ； Department of Applied Mathematics and Theoretical Physics, University of Cambridge（应用数学与理论物理系，剑桥大学） 纠错

AI总结 该研究针对贪心稀疏恢复算法中不可微的argsort算子问题，提出基于排列变体的Soft-OMP和Soft-IHT，开发出对应的可训练网络架构，实现与神经网络训练的兼容，还可提取数据的潜在稀疏模式。