高校专区
无知的几何：大语言模型知道何时调整贝叶斯先验
机构 * Cornell University（康奈尔大学） ； MIT（麻省理工学院） ； Imperial College London（伦敦帝国学院） ； Goodfire AI
AI总结 该研究揭示大语言模型存在“无知方向”这一几何结构，可用于计算先验加载因子λ，该因子能衡量模型对一元先验的依赖，且具有因果作用，不同规模模型的λ存在差异，为理解模型的不确定性处理机制提供了新视角。
胸部X射线基础模型适配策略的子组性能分析
机构 * Imperial College London（帝国理工学院） ； Royal Brompton Hospital（皇家布朗普顿医院） ； Causality in Healthcare AI Hub（医疗保健AI因果关系中心） ； National Heart & Lung Institute（国家心肺研究所）
AI总结 该研究针对胸部X射线基础模型，探究三种参数高效适配技术对病理分类性能与子组公平性的影响，发现整体性能提升未必减少子组差异，公平性影响需直接按任务评估
Comments Accepted at MICCAI Workshop on Fairness of AI in Medical Imaging (FAIMI) 2026
因果世界模型的统一视角：从观测到表征再到结构
机构 * Imperial College London（帝国理工学院）
AI总结 本文从因果视角研究不同抽象层级的世界模型，提出因果世界模型的形式定义，关联相关领域工作并阐明其组件可从数据恢复的条件，为世界模型奠定支持因果推理与决策的基础。
Comments Accepted at Causality in Decision Making workshop at UAI 2026
重复不匹配：为什么数据混合实验无法扩展以及如何修复
机构 * Imperial College London（帝国理工学院） ； Cohere
AI总结 针对预训练数据混合中因高质量数据重复率变化导致的小规模实验外推失败问题，提出重复控制子采样方法，在1/16目标token预算下实现接近最优混合，揭示了重复动态而非规模决定实验泛化性。
Comments EMNLP 2026 Main Conference
CivBench：用于《文明VI》中工具介导智能体的长周期基准测试
机构 * University of Oxford（牛津大学） ； Tony Blair Institute for Global Change（托尼·布莱尔全球变化研究所） ； Google DeepMind（谷歌DeepMind） ； UK AI Security Institute（英国人工智能安全研究所） ； Imperial College London（帝国理工学院） ； Downing Street（唐宁街10号）
AI总结 研究人员提出开源基准CivBench，用于通过MCP评估语言模型智能体在《文明VI》长周期工具环境中的表现，发现智能体存在战略状态监控不足、近期承诺执行率低的问题。
定量双极论证框架中的对比式解释
机构 * Imperial College London（帝国理工学院） ； Cardiff University（卡迪夫大学）
AI总结 本文针对定量双极论证框架，提出对比归因函数及基于移除、梯度、夏普利值的对比式解释，用于解释两个主题论证的差异，并在医疗、偏见识别场景中验证了其实用性。
FlavourBench：基于可执行烹饪基准真值的前沿语言模型排名
机构 * Imperial College London（帝国理工学院）
AI总结 FlavourBench是一款自动化语言模型排名基准，以可执行烹饪系统为基准真值，评估27个前沿语言模型，发现Grok 4.6表现最优，可有效消除排行榜差异缺失，结果可靠。
Comments 18 pages, 11 figures. Evaluation of 27 frontier language-model endpoints on 534 identical tasks per model, comprising 14,418 scored model-task cells. Adds reward-map sensitivity, selection and metric robustness, held-out Recipe1MSubs substitution validation, and a preregistered controlled reward-transfer study. Code, dataset, and interactive leaderboard links remain unchanged
自监督视觉表征学习的三条必要原则
机构 * Imperial College London（帝国理工学院） ； CERTH, ITI（CERTH ITI）
AI总结 该研究提出自监督视觉表征学习的三条必要原则，通过理论证明与受控实验分析各原则的作用，表明主流自监督方法可纳入统一框架，且任意两个原则无法替代第三个。
Comments ECCV 2026 Workshop UniWorld
机构 * Imperial College London（伦敦帝国学院）
Comments ECCV 2026 Workshop MELEX
InSight：交互式可视化中智能体主张验证的基准
机构 * City, University of London（伦敦城市大学） ； Imperial College London（帝国理工学院） ； The Alan Turing Institute（艾伦·图灵研究所）
AI总结 本文提出InSight基准，用于交互式可视化中的智能体主张验证，含21349条主张，评估显示交互式验证仍是重大挑战，相关资源已发布。
Comments To be presented at EMNLP Main Conference
ViTAMINS：使用合成难负样本训练自监督视觉Transformer的实证研究
机构 * Imperial College London（帝国理工学院）
AI总结 本研究提出ViTAMINS方法，将合成难负样本用于视觉Transformer预训练，经多任务基准测试，该方法性能优于竞争模型且资源效率更高，推动对比学习成为主流生成式与自蒸馏方法的替代方案。
Comments WACV 2027
可感知还是不可感知？针对语音深度伪造归因的被动指纹诊断
机构 * Imperial College London（帝国理工学院） ； Queen Mary University of London（伦敦玛丽女王大学） ； Johns Hopkins University（约翰斯·霍普金斯大学） ； Technical University of Munich（慕尼黑工业大学）
AI总结 本研究提出PIPDP协议区分语音深度伪造的可感知与不可感知被动指纹，实验显示不可感知指纹的归因线索更持久可靠，为语音深度伪造归因提供了新的诊断方法。
AfriSUD：用于评估非洲语言模型的依存树库集合
机构 * Princeton University（普林斯顿大学） ； Laboratory for Artificial Intelligence, Princeton University（普林斯顿大学人工智能实验室） ； Gaston Berger University（加斯顿·伯杰大学） ； Mila, McGill University（麦吉尔大学米拉研究所） ； Canada CIFAR AI Chair（加拿大CIFAR人工智能教席） ； Paris Nanterre University（巴黎南泰尔大学） ； Paris-Saclay University（巴黎-萨克雷大学） ； CNRS（法国国家科学研究中心） ； Inria（法国国家信息与自动化研究所） ； LORIA（洛林计算机科学实验室） ； Université de Lorraine（洛林大学） ； University of Trento（特伦托大学） ； University of Minnesota–Twin Cities（明尼苏达大学双城分校） ； Imperial College London（伦敦帝国学院） ； Binghamton University（宾汉姆顿大学） ； Makerere University（马凯雷雷大学） ； Penn State University（宾夕法尼亚州立大学） ； Mbarara University of Science and Technology（姆巴拉拉科技大学） ； Chalmers University of Technology（查尔姆斯理工大学） ； University of Ibadan（伊巴丹大学） ； Nnamdi Azikiwe University（纳姆迪·阿齐基韦大学） ； South African Centre for Digital Language Resources（南非数字语言资源中心）
AI总结 为弥补非洲语言在NLP资源上的不足，构建了首个大规模九种非洲语言句法标注树库AfriSUD，评估多种模型发现显著句法差距。
基于代理的大型语言模型用于无训练神经放射学图像分析
机构 * Department of Radiation Oncology, TUM University Hospital, Munich, Germany（放射肿瘤科，慕尼黑技术大学医院，德国） ； Chair for AI in Healthcare and Medicine, Technical University of Munich (TUM)（人工智能在医疗和健康领域的主任，慕尼黑技术大学） ； Chair for AI for Image-Guided Diagnosis and Therapy, Technical University of Munich (TUM)（人工智能在影像引导诊断和治疗领域的主任，慕尼黑技术大学） ； Munich Center for Machine Learning (MCML), Munich, Germany（慕尼黑机器学习中心（MCML），德国慕尼黑） ； Department of Computing, Imperial College London, London, UK（计算系，伦敦帝国学院，英国伦敦） ； Deutsches Konsortium für Translationale Krebsforschung (DKTK), Partner Site Munich, Munich, Germany（德国转化癌症研究联盟（DKTK），慕尼黑分部，德国慕尼黑）
AI总结 本文提出一种无训练代理框架，利用外部工具实现脑MRI分析，涵盖预处理、病灶分割和体积分析，并通过公开BraTS数据集评估代理AI在神经放射学任务中的性能。
TopoAlign：通过拓扑分解将代码对齐至数学的框架
机构 * Imperial College London（帝国学院伦敦分校） ； Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
AI总结 本文提出TopoAlign框架，利用代码仓库作为训练资源，通过分解重组代码适配形式化数学，在DeepSeek-Math等模型上评估，显著提升了自动形式化基准性能。
Comments Accepted to EMNLP 2026 main conference
机构 * Imperial College London（伦敦帝国学院）
Comments Preprint
机构 * Imperial College London（伦敦帝国学院）
Comments Preprint
MYOSAIQ挑战赛：自动化梗死量化的心肌分割
机构 * INSA-Lyon, Universite Claude Bernard Lyon 1, UJM-Saint Etienne, CNRS, Inserm, CREATIS UMR 5220, U1294（里昂国立应用科学学院、里昂第一大学克洛德·贝尔纳大学、圣艾蒂安大学、法国国家科学研究中心、法国国家健康与医学研究院、CREATIS联合研究机构） ； Institut Universitaire de France (IUF)（法兰西大学研究院） ； University of Sherbrooke（谢布鲁克大学） ； Huazhong University of Science and Technology（华中科技大学） ； Sunnybrook Research Institute, University of Toronto（多伦多大学桑尼布鲁克研究所） ； Imperial College London（伦敦帝国理工学院） ； University College London（伦敦大学学院） ； Fudan University（复旦大学） ； Medical University of Graz（格拉茨医科大学） ； Graz University of Technology（格拉茨技术大学） ； Universidad de Zaragoza（萨拉戈萨大学） ； Instituto de Investigación Sanitaria de Aragón (IIS Aragón)（阿拉贡卫生研究所） ； Centre Hospitalier Annecy Genevois（阿讷西日内瓦中心医院） ； Hôpital Universitaire Cardiologique Louis Pradel（路易·普拉德尔大学心脏病医院）
AI总结 本文介绍MYOSAIQ挑战赛，整合439例多中心CMR数据，6支队伍参赛，对比发现基于UNet的技术在LGE MR分割上优于基础模型，但梗死区域分割仍需改进。
Comments Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org/2026:032
Journal ref Machine.Learning.for.Biomedical.Imaging. 2026 (2026)
面向不完整多模态情感识别的模态解耦学习：一种原语记忆蒸馏视角
机构 * Jiangsu University（江苏大学） ； Griffith University（格里菲斯大学） ； National University of Singapore（新加坡国立大学） ； University of New South Wales（新南威尔士大学） ； Fujian University of Technology（福建理工大学） ； Xi’an Jiaotong-Liverpool University（西交利物浦大学） ； German Research Center for Artificial Intelligence（德国人工智能研究中心） ； Tsinghua University（清华大学） ； Technical University of Munich（慕尼黑工业大学） ； Imperial College London（伦敦帝国学院） ； Queen Mary University of London（伦敦玛丽女王大学）
AI总结 本文针对不完整多模态情感识别中现有方法忽略模态异质性的问题，提出PriMD框架，通过解耦语义与原语构建记忆库，在多数据集上实现SOTA性能与更强鲁棒性。
Comments 19 Pages, 8 Figures, 13 Tables. Accepted to EMNLP 2026 Findings
PET/CT放射报告的错误检测：领域特定模型与大语言模型
机构 * University of Oxford（牛津大学） ； Oxford University Hospitals NHS（牛津大学医院NHS） ； Imperial College London（伦敦帝国理工学院） ； University of Birmingham（伯明翰大学）
AI总结 本研究针对PET/CT报告错误检测，对比了领域特定模型与大语言模型，发现15M参数的领域特定BERT模型性能优于最强提示式LLM，任务适配的Llama-3.3-70B可缩小差距但计算需求更高，证明领域特定训练更关键。
面向基于校准数字孪生的浅血管定位的可信机器人辅助滑动触诊
机构 * Imperial College London（帝国理工学院）
AI总结 本文提出带校准数字孪生的机器人辅助滑动触诊框架，结合时空图神经网络实现浅血管定位，在三类数据集上验证了模拟到真实的定位精度，为可信触觉触诊提供了进展。
Comments ECCV workshop paper
用受约束的大语言模型（LLM）弥合语义与物理鸿沟，实现安全可信的机器人操纵
机构 * Imperial College London（帝国理工学院）
AI总结 该研究针对语言引导机器人操纵的语言-动作鸿沟，通过类型化契约约束LLM决策，结合MoveIt流水线验证，在多类机器人任务上实现了优于脚本策略的安全可靠性能。
Comments ECCV Workshop paper
原子学习模型（ALM）：一间真实课堂如何被标记化
机构 * Imperial College London（伦敦帝国学院） ； Department of Computing（计算机系）
AI总结 本研究提出原子学习模型（ALM），将中学数学教材标记化为原子与前置条件链接，构建系统生成题目供学生使用，发现多项与预期不符的结果，核心前提未被证伪。
Comments 24 pages, 13 figures. Companion data: https://github.com/philippbogdan/atom-learning-model. Interactive view of the catalogue: https://philippbogdan.com/atoms
NeuReasoner: 理论驱动的推理激发边界映射
机构 * ETH Zürich（苏黎世联邦理工学院） ； Imperial College London（伦敦帝国理工学院） ； Technical University of Munich（慕尼黑技术大学）
AI总结 提出理论驱动的NeuReasoner框架，通过神经透镜与认知透镜结合，在无需外部工具下激发大模型推理能力，在数学、编码及认知任务上匹配或超越后训练思维模式，并发现风险决策等边界。
Comments Published at COLM 2026 Workshop on Agent Behavior
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。
全面性指标用于文本生成中事实回忆的自动评估
机构 * Department of Computing, Imperial College London（伦敦帝国学院计算机系） ； IBM Research（IBM研究院）
AI总结 本文提出三种自动评估指标以评估大语言模型生成文本的全面性，发现端到端方法在效果上优于复杂指标，但牺牲了鲁棒性和可解释性。
Comments ACL 2026 Findings
Journal ref Findings of the Association for Computational Linguistics: ACL 2026, 34931-34966. 2026
打破MCP：函数劫持攻击：函数调用和代理模型的新威胁
机构 * IBM Research Europe（IBM欧洲研究院） ； Trinity College Dublin（三一学院都柏林） ； Imperial College London（帝国理工学院伦敦） ； ADAPT Research Centre（ADAPT研究中心）
AI总结 本文提出了一种新的函数劫持攻击，通过操纵代理模型的工具选择过程，迫使调用特定攻击者选择的函数，展示了代理模型在函数调用接口上的新漏洞。
Comments Accepted to TMLR (08/26)
LLMs 与停机问题：程序终止推理的特征化
机构 * FAIR Team, Meta AI（Meta AI FAIR 团队） ； The Hebrew University of Jerusalem, Israel（耶路撒冷希伯来大学） ； Bloomberg, New York, USA（彭博社，纽约，美国） ； Imperial College London, UK（伦敦帝国理工学院，英国） ； University College London, UK（伦敦大学学院，英国）
AI总结 本文评估了前沿LLMs在程序终止推理上的能力，发现GPT-5和Claude Sonnet 4.5在C程序终止判断上达到顶级验证工具水平，但无法生成形式化证明，并引入分歧前置条件形式化描述非终止条件。
Comments long paper
多智能体协同决策综合综述：场景、方法、挑战与展望
机构 * The University of Hong Kong (HKU)（香港大学） ； Imperial College London（伦敦帝国学院） ； National Heart and Lung Institute, Imperial College London（伦敦帝国学院国家心肺研究所） ； Cardiovascular Research Centre, Royal Brompton Hospital（皇家布朗普顿医院心血管研究中心）
AI总结 该综述梳理多智能体协同决策的场景、方法等，重点分析深度多智能体强化学习与大语言模型驱动的多智能体方法，同时指出领域挑战与未来研究方向。
Comments 54 pages, 24 figures
从音频深度伪造检测到AI生成音乐检测——路径与综述
机构 * Imperial College London（帝国理工学院） ； Technical University of Munich（慕尼黑工业大学）
AI总结 本文系统综述AI生成音乐（AIGM）检测方法，建立四级分类体系，结合音频深度伪造检测开展分层可迁移性分析，从多维度分类代表性方法并提出未来研究方向。
Comments Accepted at Computational Intelligence Magazine (CIM)
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