高校专区
DiffSAC：用于基于共识的鲁棒估计的扩散引导采样
机构 * School of Automation and Intelligent Sensing, Shanghai Jiao Tong University（上海交通大学自动化与智能感知学院） ； Key Laboratory of System Control and Information Processing, Ministry of Education of China（教育部系统控制与信息处理重点实验室） ； Department of Engineering, Cambridge University（剑桥大学工程系）
AI总结 针对传统样本共识鲁棒估计采样效率低的问题，提出DiffSAC框架，通过扩散模型学习有效最小集分布，仅需几十个假设就实现最先进性能，可作为即插即用模块改进现有方法。
生成保留认知构想的临床案例 vignettes
机构 * Ben-Gurion University of the Negev（内盖夫本-古里安大学） ； University of Cambridge（剑桥大学） ； Clalit Health Services（克拉利特医疗服务机构） ； Tel Aviv University（特拉维夫大学） ； School of Brain Sciences and Cognition, Ben-Gurion University of the Negev（内盖夫本-古里安大学脑科学与认知学院） ； Azrieli National Center for Autism and Neurodevelopment Research（阿兹里利国家自闭症与神经发育研究中心）
AI总结 本研究提出基于理论的 FORMA 框架，将认知模型编译为图来生成符合临床结构的创伤后应激障碍案例 vignettes，经评估其质量高且人口统计学差异小，可作为合成临床文本生成的可审计规范。
Comments Accepted to Findings of the Association for Computational Linguistics: EMNLP 2026. Code and data: https://github.com/Amit-Oren/FORMA
评估语言模型中表征引导的语义特异性
机构 * University of Cambridge（剑桥大学）
AI总结 本研究提出CRT诊断框架，发现LRS仅注入全局标签偏差而非修复推理回路，为区分真正推理修复与表面标签覆盖提供了严谨方法。
多轮人机对话中的善意偏见
机构 * University of Cambridge（剑桥大学）
AI总结 本研究针对人机对话中隐藏在积极语气后的善意偏见，构建了标注语料库并测试两类检测器，发现现有安全检测器难识别善意偏见，LLM评判器易误判，需关注对待方式差异以实现公平监控。
等变层状神经网络：学习图上的几何传输
机构 * University of Cambridge（剑桥大学） ； Sapienza University of Rome（罗马第一大学） ； University of Padua（帕多瓦大学）
AI总结 该研究提出等变层状神经网络（ESNN），通过学习图上边的矩阵值几何传输，在保持等变性的同时提升了多个几何相关任务的性能。
AutoScientist-Quant：用于量化投资自动研究的自进化编码智能体
机构 * Google（谷歌公司） ； University of Cambridge（剑桥大学）
AI总结 AutoScientist-Quant是将量化研究视为带预算约束搜索问题的自进化编码智能体，修复了评估流程的前瞻问题，在CSI universe等场景下实现最优泛化性能。
CrossAudit：面向智能体科学的原生Git跨供应商审计循环
机构 * University of Cambridge（剑桥大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 CrossAudit是面向智能体科学的原生Git跨供应商审计协议，通过不同供应商智能体按人类规则审计工作，试验显示不同供应商对规则解读有差异，其自身审计记录为核心证据。
Comments 19 pages, 4 figures, 3 tables, 22 references. Reference implementation, audit ledger, and experiment artefacts: https://github.com/dongzhaohe321418-lab/crossaudit
全局协方差池化中矩阵对数归一化的正交多项式逼近
机构 * NeuronAITree（神经元AI树） ； Cambridge University（剑桥大学）
AI总结 该研究针对全局协方差池化中矩阵对数归一化的数值不稳定问题，提出用正交多项式逼近实现无分解的矩阵对数归一化，在多数据集上验证了其速度与精度优势。
当校准排名反转：面向LLM公平比较的精度控制评估框架
机构 * Fudan University（复旦大学） ； University of Cambridge（剑桥大学）
AI总结 针对全局校准指标因模型精度差异导致比较不公平的问题，提出ACE精度控制评估框架，通过实例对齐、分布对齐和候选对齐三种视角实现公平比较，发现原始指标下的优势在控制精度后大幅减弱，排名反转频繁。
Comments EMNLP main 2026
摘要生成尚未消亡
机构 * Saarland University（萨尔大学） ； Max Planck Institute for Informatics（马克斯·普朗克信息学研究所） ； University of Cambridge（剑桥大学） ； University of Edinburgh（爱丁堡大学） ； Zhejiang University（浙江大学） ； Tencent YouTu Lab（腾讯优图实验室）
AI总结 通过多维度评估，发现人类参考摘要在信息量和忠实度上仍优于大语言模型，后者仅在表面连贯性和流畅性上占优，表明摘要生成研究仍有挑战。
Comments EMNLP 2026 Main & Long Conference Paper
QUACK: 多模态社交推理智能体中的沟通知识质疑、理解与审计
机构 * McGill University（麦吉尔大学） ； Mila - Quebec AI Institute（魁北克人工智能研究所） ； University of Cambridge（剑桥大学） ； MBZUAI - Mohamed bin Zayed University of Artificial Intelligence（MBZUAI - 摩苏尔·本·扎耶德人工智能大学） ； University of Toronto（多伦多大学） ； Salesforce
AI总结 提出QUACK框架，通过游戏结果、行为轨迹和话语一致性三级评估，自动审计多模态社交推理智能体语言与感知行为的一致性，发现最强智能体仍有15.1%的空间幻觉和过半无据指控。
Comments Accepted by EMNLP 2026 Main Conference
VeriTrace：深度研究智能体的心智模型演化
机构 * Department of Engineering, University of Cambridge（剑桥大学工程系） ； TUM School of Management, Technical University of Munich（慕尼黑技术大学管理学院） ； The Alan Turing Institute（艾伦·图灵研究所）
AI总结 针对深度研究智能体面临的信息不确定性，提出VeriTrace认知图框架，通过显式反馈循环（解释更新、偏差反馈、模式修正）来演化心智模型，在DeepResearch Bench和DeepConsult上取得显著提升。
Comments Accepted to Findings of EMNLP 2026
用于代理网络运维和AI运维的大型语言模型：架构、评估与安全
机构 * School of Computing and Communications（计算与通信学院） ； University of Cambridge（剑桥大学） ； School of Software（软件学院） ； Nanjing University of Information Science and Technology（南京信息科技大學） ； TU Wien（维也纳技术大学） ； ICREA
AI总结 本文探讨了大型语言模型在网络运维和AI运维中的应用，分析了代理架构、评估方法及安全挑战，强调系统可靠性依赖于模型周边机制，而非模型本身。
Comments 59 pages, 13 figures, 8 tables. Survey article. Accompanying evidence-audit dataset available on Mendeley Data, doi: 10.17632/2p5ppxzy4s.3
多语言教师：评估语言模型用于多语言合成数据生成
机构 * Language Technology Lab, University of Cambridge（剑桥大学语言技术实验室）
AI总结 本文评估了多语言教师模型的有效性，通过Polyglot Score衡量数据质量和学生模型表现，发现Gemma 3和Aya Expanse在不同学生模型家族中表现优异，数据质量如提示多样性、长度和响应流畅度对教学效果影响显著。
Comments Accepted to EMNLP 2026 Main Track. Website is in https://ljvmiranda921.github.io/polyglot-teachers/
CARE：具有证据不一致性的隐私合规代理推理
机构 * University of Cambridge（剑桥大学） ； McGill University（麦吉尔大学） ； MBZUAI - Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Columbia University（哥伦比亚大学） ； Mila - Quebec AI Institute（米拉-魁北克人工智能研究所）
AI总结 针对医疗领域中症状与体征矛盾的问题，CARE框架通过多阶段隐私合规的代理推理，在不访问敏感数据的情况下提升冲突证据处理能力。
Comments Accepted as a Findings paper at EMNLP 2026
超越最终层：大型语言模型中用于更好多语言校准的中间表征
机构 * Language Technology Lab, University of Cambridge（剑桥大学语言技术实验室）
AI总结 本研究针对多语言校准问题，发现LLMs的后期中间层比最终层更适合提供可靠的多语言置信信号，提出无训练方法LACE以提升多语言校准，助力构建更公平可信的LLMs。
函数空间中的自编码器
机构 * Department of Engineering, University of Cambridge and Alan Turing Institute（剑桥大学工程系和艾伦·图灵研究所） ； Department of Engineering University of Cambridge（剑桥大学工程系） ； Mathematics Institute University of Warwick（沃里克大学数学系） ； Computing + Mathematical Sciences California Institute of Technology（加州理工学院计算与数学科学学院） ； Mathematics Institute & School of Engineering University of Warwick（沃里克大学数学系与工程学院）
AI总结 本文提出函数空间自编码器（FAE）和变分自编码器（FVAE），分析其目标函数良定性，结合神经算子架构实现自编码器在图像修复等科学数据建模的新应用。
Comments 54 pages, 24 figures. Includes corrections for error in legends of figure 7 and figures in appendix B.5 that were present in v3
Journal ref Journal of Machine Learning Research 26(165):1--54 (2025)
D4orm：基于动力学感知扩散去噪变形的多机器人轨迹生成方法
机构 * University of Cambridge（剑桥大学） ； National Institute of Advanced Industrial Science and Technology（国家先进工业科学与技术研究院）
AI总结 D4orm是一种基于扩散模型的多机器人轨迹优化方法，无需学习，仅靠动力学模型和适应度函数即可生成无碰撞可行轨迹，速度优于MPPI，已在多旋翼无人机上零样本部署。
Comments Accepted to IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) 2025
NGD-SLAM：无需GPU的实时动态SLAM系统
机构 * University of Manchester（曼彻斯特大学） ； University of Cambridge（剑桥大学） ； Qualcomm Technologies XR Labs, Austria（Qualcomm Technologies XR 研究所，奥地利）
AI总结 本文提出仅在CPU运行的实时动态SLAM系统，通过掩码传播机制解耦跟踪与掩码生成，结合ORB特征与光流的混合跟踪策略，在笔记本CPU上实现60 FPS跟踪帧率，保持动态环境高定位精度，代码公开。
Comments Accepted to IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) 2025
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